MedNER-TR, Türkçe sağlık metinleri (hasta notları, tıbbi raporlar, reçeteler) üzerinde beş temel tıbbi varlık türünü işaretlemek için dbmdz/bert-base-turkish-cased üzerinden fine-tune edilmiştir. Model, klinik NLP araştırmaları, tıbbi bilgi çıkarımı ve elektronik hasta kaydı analizinde kullanım için tasarlanmıştır.

🚀 Demo

Canlı demo için: tugrulkaya/medner-tr Space — alternatif Gradio demo

Desteklenen Varlıklar

Etiket	Açıklama	Örnek
`ILAC`	İlaç adı	Parol, Aspirin
`HASTALIK`	Hastalık / tanı	Migren, Diyabet
`SEMPTOM`	Semptom / şikayet	Baş ağrısı, Ateş
`ORGAN`	Organ / anatomik yapı	Karaciğer, Kalp
`TEST`	Tıbbi test / tetkik	MR, Kan testi

Performans

Metrik	Değer
F1 (micro)	99.49%
Precision	99.49%
Recall	99.49%
Accuracy	99.76%

Not: Yüksek skorlar görece küçük ve kontrollü bir test setinden alınmıştır. Gerçek klinik metinlerde performans değişebilir.

Kullanım

python

from transformers import pipeline

ner = pipeline(
    "token-classification",
    model="tugrulkaya/medner-tr",
    aggregation_strategy="simple",
)

text = "Hastaya Parol 500mg başlandı, baş ağrısı ve ateş şikayeti mevcut."
for ent in ner(text):
    print(f"{ent['entity_group']:10s} {ent['word']:20s} {ent['score']:.3f}")

Eğitim Detayları

Base model: dbmdz/bert-base-turkish-cased
Dataset: ~2000 el ile etiketlenmiş Türkçe tıbbi cümle
Epoch: 3
Optimizer: AdamW
Max length: 128

Sınırlamalar ve Etik

Model klinik karar vermek için kullanılmamalıdır. Yalnızca bilgi çıkarımı / araştırma amaçlıdır.
Eğitim verisi küçük olduğu için nadir hastalıklar veya non-standart terimlerde performans düşebilir.
Her klinik uygulamada insan denetimi zorunludur.

Lisans

MIT

Atıf

bibtex

@misc{kaya2025mednertr,
  author = {Kaya, Tuğrul},
  title  = {MedNER-TR: Turkish Medical Named Entity Recognition},
  year   = {2025},
  url    = {https://huggingface.co/tugrulkaya/medner-tr}
}