#medical-ai Repository
Scopri 18 repository GitHub open source attivi contrassegnati con #medical-ai, che raccolgono un totale di 22,415 stelle (con una media di 1,245 stelle per progetto). Il progetto leader di questo argomento è wasserth/TotalSegmentator, con 3,172 stelle.
18 repository in totale
Strumento per la segmentazione robusta di >100 importanti strutture anatomiche nelle immagini CT e MR
Rete Neurale Convoluzionale (CNN) Pytorch 3D U-Net progettata per la segmentazione di immagini mediche
Un toolkit di deep learning per l’IA in ambito sanitario: cartelle cliniche elettroniche (MIMIC, eICU, OMOP), testi clinici, segnali e immagini. Oltre 30 modelli e pipeline riproducibili.
【ICML 2025 Spotlight】 Repository ufficiale per l'articolo “HealthGPT: Un modello linguistico visivo medico su larga scala per unificare comprensione e generazione tramite adattamento della conoscenza eterogene”
Rappresenta il tuo corpo con i dati. Un unico standard, tutte le fonti, un quadro completo di te: una cartella sanitaria self-hosted basata su referti di laboratorio, dati dei dispositivi indossabili e informazioni genetiche, con ogni valore riconducibile alla propria fonte e un server MCP integrato. Avviala con Docker e una chiave LLM oppure mantieni tutti i modelli in locale con llama.cpp.
Questo progetto ha progettato e implementato un sistema intelligente di domande e risposte mediche basato su RAG (Retrieval-Augmented Generation) con grafi di conoscenza e modelli linguistici di grandi dimensioni. Basato sul set di dati medico DiseaseKG e utilizzando Neo4j, il sistema costruisce un grafo di conoscenza di dominio che include 44.000 entità e 310.000 relazioni. Combinando il riconoscimento delle entità nominate BERT e il riconoscimento dell'intento tramite un modello 32B, il sistema mitiga efficacemente le allucinazioni dei modelli linguistici in ambito medico attraverso una ricerca precisa nel grafo e una generazione controllata delle risposte, migliorando significativamente l'accuratezza e l'affidabilità delle risposte.
TorchXRayVision: Una libreria di set di dati e modelli di radiografie del torace. Classificatori, segmentazione e autoencoder.
Un benchmark per le decisioni cliniche basato sull’evidenza: estrarre l’unico fatto su cui si fonda una risposta e verificare se l’azione dell’assistente cambia in base all’evidenza. Costruito su HealthBench.
Un modello generalista trasparente verso una comprensione olistica visione-linguaggio in ambito medico
[TMLR 2025🔥] Una panoramica sui modelli autoregressivi nella visione.
BiomedGPT: Un modello fondazionale generalista Vision-Language per diversi compiti biomedici
I codici ufficiali per "PMC-LLaMA: Verso la costruzione di modelli linguistici open-source per la medicina"
EMNLP'22 | MedCLIP: Apprendimento contrastivo da immagini e testi medici non accoppiati
Prov-GigaPath: Un modello fondamentale a intera diapositiva per la patologia digitale da dati reali
SegMamba: Mamba per la modellazione sequenziale a lungo raggio per la segmentazione di immagini mediche 3D
[IEEE TMI-2024] UNETR++: Approfondimento sulla Segmentazione Efficiente e Accurata di Immagini Mediche 3D
MedResearcher-R1 è un agente di ricerca approfondita per scenari medici, costruito su un framework di sintesi di traiettorie informato dalla conoscenza.
Domande frequenti
Qual è il repository #medical-ai più popolare su GitHub?
Il progetto open source #medical-ai più alto in classifica su GitHub è wasserth/TotalSegmentator, con 3,172 stelle. Strumento per la segmentazione robusta di >100 importanti strutture anatomiche nelle immagini CT e MR
Quali linguaggi di programmazione sono più utilizzati nei repository #medical-ai?
Tra i progetti #medical-ai più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook.
Come viene calcolata la classifica dei repository #medical-ai?
Monitoriamo 18 repository open source attivi contrassegnati con #medical-ai (500+ stelle), per un totale di 22,415 stelle e una media di 1,245 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.