Multimodal-Medical-Model

医疗多模态问答大模型

项目概述

本项目旨在构建一个医疗多模态问答大模型，基于 qwen-vl2 模型作为基座模型，使用LoRA（Low-Rank Adaptation）技术进行微调。模型训练数据结合了医疗图像和多轮问答对话，涵盖医学影像、诊断报告等多模态信息，并通过问答题目进行微调，以提升模型在医疗领域的多模态理解和问答能力。

模型架构

• *基座模型**: qwen-vl2
• *微调方法**: LoRA（Low-Rank Adaptation）
• *训练数据**:
• 医疗图像（如CT、MRI、X光、病理图等）
• 多轮问答对话（基于诊断报告、医学文献等生成）

数据集

数据来源

• **医疗图像**: 包含CT、MRI、X光、病理图等医学影像数据。
• **多轮问答对话**: 基于诊断报告、医学文献等生成的问答对话数据。

数据预处理

• *图像处理**: 对医疗图像进行标准化处理（如尺寸调整、归一化等）。
• *文本处理**: 对问答对话进行清洗和标注，确保问题和答案的准确性。
• *多模态对齐**: 将图像与对应的文本信息进行对齐，构建多模态训练样本。
• *数据分割**: 将数据集分为训练集、验证集和测试集。

模型训练

微调方法

使用LoRA技术对 qwen-vl2 模型进行微调。LoRA通过在预训练模型的权重矩阵中引入低秩矩阵来减少参数量，从而在保持模型性能的同时降低计算成本。

训练步骤

• **加载预训练模型**: 加载 qwen-vl2 模型。
• **应用LoRA**: 在模型的关键层应用LoRA技术。
• **训练模型**: 使用准备好的多模态数据集进行微调。
• **验证与测试**: 在验证集和测试集上评估模型性能，调整超参数以优化结果。

模型评估

评估指标

• *准确率**: 模型在问答任务中的准确率。
• *召回率**: 模型能够正确回答的问题比例。
• *F1分数**: 准确率和召回率的调和平均数。
• *多模态理解能力**: 模型对图像和文本信息的综合理解能力。

评估结果

在测试集上的评估结果如下：

待更新

使用指南

环境配置

• **Python版本**: 3.10+
• **依赖库**:
• transformers
• torch
• modelscope

下载模型

SDK下载

Git下载

模型推理

以下是一个使用案例，展示如何加载模型并进行推理：

案例

Case 01

Case 02

Case 03

致谢

感谢 qwen-vl2 模型的开发者。

感谢所有为医疗多模态数据集做出贡献的研究人员。

联系方式

如有任何问题，请联系 [592392714@qq.com]。

注意**: 本项目仅供学术研究使用，不构成医疗建议。