#medical-ai Dépôts
Découvrez 18 dépôts GitHub open source actifs associés à #medical-ai, cumulant 22,415 étoiles au total (soit une moyenne de 1,245 étoiles par projet). Le projet en tête de ce thème est wasserth/TotalSegmentator, avec 3,172 étoiles.
18 dépôts au total
Outil pour la segmentation robuste de >100 structures anatomiques importantes dans les images CT et IRM
Réseau Neuronal Convolutif (CNN) Pytorch 3D U-Net conçu pour la segmentation d'images médicales
Une boîte à outils d’apprentissage profond pour l’IA en santé : dossiers médicaux électroniques (MIMIC, eICU, OMOP), textes cliniques, signaux et imagerie. Plus de 30 modèles et des pipelines reproductibles.
【ICML 2025 Spotlight】 Dépôt officiel du papier « HealthGPT : Un grand modèle linguistique visuel médical pour unifier la compréhension et la génération via l'adaptation de connaissances hétérogènes »
Faites apparaître votre corps dans les données. Une seule norme, toutes les sources, un portrait complet de vous : un dossier de santé auto-hébergé, constitué de résultats d’analyses, de données de dispositifs connectés et d’informations génétiques. Chaque chiffre est relié à sa source et un serveur MCP est intégré. Lancez-le avec Docker et une clé LLM, ou gardez tous les modèles en local avec llama.cpp.
Ce projet a conçu et mis en œuvre un système de questions-réponses médicales intelligent basé sur le RAG (Retrieval-Augmented Generation) par graphe de connaissances et les grands modèles de langage. En utilisant le jeu de données médical DiseaseKG et Neo4j, le système construit un graphe de connaissances spécialisé comprenant 44 000 entités et 310 000 relations. En combinant la reconnaissance d'entités nommées BERT et la reconnaissance d'intention par un modèle 32B, le système atténue efficacement les hallucinations des grands modèles dans les scénarios médicaux grâce à une recherche précise dans le graphe et une génération de réponses contrôlée, améliorant ainsi considérablement la précision et la fiabilité des réponses.
TorchXRayVision : Une bibliothèque de jeux de données et de modèles de radiographies thoraciques. Classificateurs, segmentation et auto-encodeurs.
Un benchmark de décision clinique fondé sur les preuves : extraire le seul fait sur lequel repose une réponse et vérifier si l’action de l’assistant évolue en fonction des preuves. Construit à partir de HealthBench.
Un modèle généraliste transparent pour une compréhension holistique vision-langage médicale
[TMLR 2025🔥] Une enquête sur les modèles autorégressifs en vision.
BiomedGPT: Un modèle de fondation généraliste Vision-Langage pour diverses tâches biomédicales
Les codes officiels de "PMC-LLaMA : Vers la construction de modèles linguistiques open-source pour la médecine"
EMNLP'22 | MedCLIP: Apprentissage contrastif à partir d'images et de textes médicaux non appariés
Prov-GigaPath : Un modèle fondamental pour lames entières pour la pathologie numérique à partir de données réelles
SegMamba : Mamba de modélisation séquentielle à longue portée pour la segmentation d'images médicales 3D
[IEEE TMI-2024] UNETR++: Examen approfondi de la segmentation d'images médicales 3D efficace et précise
MedResearcher-R1 est un agent de recherche approfondie pour les scénarios médicaux, construit sur un cadre de synthèse de trajectoires informé par les connaissances.
Foire aux questions
Quel est le dépôt #medical-ai le plus populaire sur GitHub ?
Le projet #medical-ai open source le mieux classé sur GitHub est wasserth/TotalSegmentator, avec 3,172 étoiles. Outil pour la segmentation robuste de >100 structures anatomiques importantes dans les images CT et IRM
Quels langages de programmation sont les plus utilisés dans les dépôts #medical-ai ?
Parmi les projets #medical-ai les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook.
Comment le classement des dépôts #medical-ai est-il calculé ?
Nous suivons 18 dépôts open source actifs associés à #medical-ai (500+ étoiles), totalisant 22,415 étoiles, avec une moyenne de 1,245 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.