
แชต AI ทางการแพทย์จาก Dr7.ai
สัมผัสพลังของ BioGPT โมเดลภาษาชีวการแพทย์ล้ำสมัยจาก Microsoft ที่ออกแบบมาสำหรับการประมวลผลข้อความทางการแพทย์ การวิเคราะห์วรรณกรรม และงานประมวลผลภาษาธรรมชาติ (NLP) ด้านชีวการแพทย์อย่างครอบคลุม
สัมผัสโมเดลภาษาชีวการแพทย์ขั้นสูงของ Microsoft สำหรับการประมวลผลและวิเคราะห์ข้อความทางการแพทย์
สัมผัส AI ชีวการแพทย์
มีผลแล็บ ภาพเอกซเรย์ หรือรูปผิวหนังใช่ไหม? รับการวิเคราะห์ด้วย AI แบบครบถ้วน
อัปโหลดภาพเข้าถึงโมเดลภาษาชีวการแพทย์ขั้นสูงของ Microsoft ได้อย่างไม่จำกัด พร้อมฟีเจอร์ที่ยกระดับขึ้น บริการสนับสนุนแบบเร่งด่วน และความสามารถในการประมวลผลข้อความชีวการแพทย์อย่างครอบคลุม
BioGPT คือ Generative Pre-trained Transformer สำหรับข้อความชีวการแพทย์ พัฒนาโดย Microsoft Research (Luo และคณะ, Briefings in Bioinformatics, 2022) ใช้สถาปัตยกรรม GPT-2 medium (24 เลเยอร์, ขนาด hidden 1024, 16 attention heads) มีพารามิเตอร์ 347 ล้านตัว และใช้คลังคำศัพท์ของตัวเองที่เรียนรู้จากข้อความชีวการแพทย์ บางครั้งอาจพบการเขียนว่า Bio GPT, BioGPT AI หรือ Microsoft BioGPT ส่วนรุ่นที่ใหญ่กว่าคือ BioGPT-Large
BioGPT แสดงประสิทธิภาพที่เหนือกว่าในการสร้างข้อความชีวการแพทย์ การตอบคำถาม และการวิเคราะห์วรรณกรรม โมเดลนี้ผ่านการฝึกด้วยบทความชีวการแพทย์และข้อความทางคลินิกหลายล้านฉบับ เพื่อให้เข้าใจศัพท์และแนวคิดทางการแพทย์
BioGPT-Large ซึ่งเป็นรุ่นขยาย (1.5 พันล้านพารามิเตอร์ สถาปัตยกรรม GPT-2 XL) ทำความแม่นยำได้ 81.0% บน PubMedQA หลังการปรับแต่ง โค้ดและน้ำหนักโมเดลใช้สัญญาอนุญาต MIT รีโพสิทอรีทางการบน GitHub มีราว 4.5k ดาว (ตุลาคม 2026) และโมเดลเผยแพร่บน Hugging Face ในชื่อ microsoft/biogpt, microsoft/BioGPT-Large และ microsoft/BioGPT-Large-PubMedQA
เปิดตัวโดย Microsoft Research ในเดือนตุลาคม 2022 (arXiv 2210.10341)
น้ำหนักโมเดลบน Hugging Face อัปเดตล่าสุดในเดือนกุมภาพันธ์ 2023 และนับจากนั้นยังไม่มี BioGPT เวอร์ชันใหม่กว่าเผยแพร่ในรีโพสิทอรีทางการ
งานที่โมเดลถูกออกแบบและประเมินผลมา
ผลลัพธ์หลังการปรับแต่งที่ Microsoft รายงานในบทความ BioGPT (Luo และคณะ, 2022) — Dr7.ai ไม่ได้วัดผลเอง
สร้างคำอธิบายศัพท์ชีวการแพทย์ในสไตล์วรรณกรรมวิชาการ และค้นหาเอนทิตีกับความสัมพันธ์จากบทคัดย่อใน PubMed
ปรับแต่งเพื่อตอบคำถามจากบทคัดย่องานวิจัย (PubMedQA) นี่คือโมเดลเพื่อการวิจัย ไม่ใช่เครื่องมือสนับสนุนการตัดสินใจทางคลินิก
สกัดปฏิสัมพันธ์ระหว่างยากับเป้าหมายและอันตรกิริยาระหว่างยาจากวรรณกรรมที่ตีพิมพ์ เพื่อสนับสนุนการคัดสรรข้อมูลและการตั้งสมมติฐาน
รัน BioGPT ของ Microsoft ผ่าน Hugging Face หรือบนเครื่องของคุณ หรือลองแชต AI ชีวการแพทย์ของ Dr7
เดโมบน Hugging Face Spaces ที่ README ทางการของ Microsoft ลิงก์ไว้ (การสร้างข้อความด้วย BioGPT-Large และการตอบคำถาม PubMedQA) แสดงข้อผิดพลาดขณะรัน (runtime error) เมื่อเราตรวจสอบเมื่อวันที่ 20 ตุลาคม 2026 ดังนั้นตอนนี้จึงยังไม่มีเดโมออนไลน์ทางการที่ใช้งานได้ คุณสามารถลองแชทชีวการแพทย์ในหน้านี้ (ผู้ช่วยของ Dr7.ai เอง ไม่ใช่เช็กพอยต์ต้นฉบับ) หรือรันโมเดลเองตามขั้นตอนด้านล่าง
BioGPT มีอยู่ในไลบรารี transformers ของ Hugging Face แล้ว ติดตั้ง transformers, torch และ sacremoses (จำเป็นสำหรับ BioGptTokenizer) จากนั้นโหลดโมเดล:
# pip install transformers torch sacremoses
from transformers import BioGptTokenizer, BioGptForCausalLM, pipeline
tokenizer = BioGptTokenizer.from_pretrained("microsoft/biogpt")
model = BioGptForCausalLM.from_pretrained("microsoft/biogpt")
generator = pipeline("text-generation", model=model, tokenizer=tokenizer)
print(generator("COVID-19 is", max_new_tokens=40)[0]["generated_text"])•microsoft/biogpt — โมเดลพื้นฐาน 347 ล้านพารามิเตอร์
•microsoft/BioGPT-Large — 1.5 พันล้านพารามิเตอร์ (น้ำหนักแบบ fp32 ประมาณ 6.3 GB)
•microsoft/BioGPT-Large-PubMedQA — ปรับแต่งสำหรับ PubMedQA
•เปลี่ยน ID ของโมเดลในตัวอย่างโค้ดเพื่อใช้เช็กพอยต์ที่ใหญ่กว่า
รีโพสิทอรี GitHub ของ Microsoft (microsoft/BioGPT) มีโค้ดต้นฉบับที่สร้างบน fairseq และเช็กพอยต์ให้ดาวน์โหลด รวมถึงโมเดลที่ปรับแต่งสำหรับแต่ละงานในบทความ
•เช็กพอยต์ที่ปรับแต่งแล้วสำหรับ BC5CDR, KD-DTI, DDI, HoC และ PubMedQA
•การตั้งค่าต้นฉบับกำหนดเวอร์ชัน PyTorch 1.12, Python 3.10 และ fairseq 0.12
•ต้องใช้ Moses และ fastBPE สำหรับการตัดโทเค็น
•แนะนำให้ใช้ GPU โดยเฉพาะกับ BioGPT-Large
BioGPT เป็นโมเดลสำหรับสร้างและทำเหมืองข้อความชีวการแพทย์ มันเขียนข้อความต่อในสไตล์วรรณกรรมวิชาการและทำงานได้ดีหลังปรับแต่งสำหรับงานเฉพาะ แต่ไม่ได้ถูกฝึกมาให้สนทนาหรือแปลผลอาการ ผลตรวจทางห้องปฏิบัติการ หรือภาพทางการแพทย์ของคุณ หากต้องการรายงาน AI ที่เป็นระบบเกี่ยวกับอาการ ผลตรวจ หรือภาพทางการแพทย์ โปรดใช้เครื่องมือวินิจฉัยทางการแพทย์ด้วย AI ของ Dr7.ai
เปิดการวินิจฉัยด้วย AIผลลัพธ์จาก BioGPT ควรได้รับการตรวจสอบโดยผู้เชี่ยวชาญเฉพาะด้าน โดยเฉพาะในงานทางคลินิกหรืองานวิจัย
เพื่อประสิทธิภาพสูงสุด ควรพิจารณาปรับแต่ง BioGPT ให้เข้ากับสาขาชีวการแพทย์หรืองานเฉพาะของคุณ
BioGPT, BioGPT-Large, BioMedLM, PubMedBERT และ PMC-LLaMA โดยสรุป
| โมเดล | พารามิเตอร์ | ข้อมูลที่ใช้ฝึก | สัญญาอนุญาต | PubMedQA (ความแม่นยำ) |
|---|---|---|---|---|
| BioGPT | 347M | ชื่อเรื่องและบทคัดย่อจาก PubMed 15 ล้านรายการ | MIT | 78.2% |
| BioGPT-Large | 1.5B | PubMed | MIT | 81.0% |
| BioMedLM | 2.7B | บทคัดย่อและบทความฉบับเต็มจาก PubMed (จาก The Pile) | BigScience BLOOM RAIL 1.0 | 74.4% |
| PubMedBERT | ~110M (BERT-base) | บทคัดย่อจาก PubMed (มีรุ่นหนึ่งที่เพิ่มบทความฉบับเต็มจาก PubMed Central) | MIT | 55.8% |
| PMC-LLaMA 13B | 13B | LLaMA-13B + บทความชีวการแพทย์ 4.8 ล้านฉบับ + ตำราแพทย์ 30,000 เล่ม | OpenRAIL (การ์ดโมเดลบน Hugging Face); พัฒนาต่อจาก LLaMA | 77.9% |
คะแนนมาจากบทความของแต่ละโมเดล (PubMedBERT มาจากตารางเปรียบเทียบในบทความ BioGPT) ภายใต้เงื่อนไขที่ต่างกัน เช่น การปรับแต่งเฉพาะงานกับการปรับแต่งด้วยคำสั่ง (instruction tuning) จึงควรใช้เป็นข้อมูลอ้างอิงคร่าว ๆ ไม่ใช่การเปรียบเทียบแบบตัวต่อตัว
คำถามทั่วไปเกี่ยวกับ BioGPT
ฟรี Microsoft เผยแพร่โค้ดและน้ำหนักโมเดลของ BioGPT ภายใต้สัญญาอนุญาต MIT ซึ่งครอบคลุมโมเดลที่ฝึกล่วงหน้าด้วย คุณจึงดาวน์โหลดและรัน BioGPT และ BioGPT-Large ได้โดยไม่มีค่าใช้จ่าย รวมถึงใช้เชิงพาณิชย์ได้ ค่าใช้จ่ายเดียวเมื่อรันเองคือทรัพยากรประมวลผลของคุณ
ไม่มีบริการออนไลน์อย่างเป็นทางการ Microsoft ไม่ได้ให้บริการแอป BioGPT แบบโฮสต์ และเดโมบน Hugging Face Spaces ที่ README ลิงก์ไว้แสดงข้อผิดพลาดขณะรันเมื่อตรวจสอบวันที่ 20 ตุลาคม 2026 คุณสามารถรันโมเดลเองจาก Hugging Face หรือลองแชทชีวการแพทย์ในหน้านี้ ซึ่งเป็นผู้ช่วยของ Dr7.ai เอง ไม่ใช่เช็กพอยต์ BioGPT ต้นฉบับ
ทั้งสองทำหน้าที่ต่างกัน BioGPT เป็นโมเดลขนาดเล็ก (347 ล้านพารามิเตอร์ และ 1.5 พันล้านสำหรับ BioGPT-Large) ที่ฝึกล่วงหน้าด้วยบทคัดย่อจาก PubMed เท่านั้น และออกแบบมาเพื่อปรับแต่งสำหรับงานเฉพาะ เช่น การสกัดความสัมพันธ์ PubMedQA หรือการจำแนกเอกสาร สามารถรันบนฮาร์ดแวร์ของคุณเองได้ แต่ไม่ได้ผ่านการปรับแต่งด้วยคำสั่งเพื่อใช้สนทนา ส่วน ChatGPT เป็นผู้ช่วยสนทนาอเนกประสงค์ที่ทำตามคำสั่งและอธิบายเรื่องต่าง ๆ ได้ดีกว่ามาก แต่ไม่สามารถทำให้เป็นโมเดลเฉพาะทางหรือปรับแต่งบนเครื่องได้ในแบบเดียวกัน
ติดตั้ง transformers, torch และ sacremoses จากนั้นโหลด BioGptTokenizer และ BioGptForCausalLM จาก "microsoft/biogpt" (หรือ "microsoft/BioGPT-Large") แล้วสร้างข้อความ เช่น ด้วย pipeline text-generation ของ transformers ตัวอย่างโค้ดในหัวข้อ "วิธีใช้ BioGPT" ด้านบนแสดงเวอร์ชันที่สั้นที่สุด
BioGPT-Large คือ BioGPT รุ่นขยายที่สร้างบนสถาปัตยกรรม GPT-2 XL มีพารามิเตอร์ 1.5 พันล้านตัว หลังปรับแต่งทำความแม่นยำได้ 81.0% บน PubMedQA (เทียบกับ 78.2% ของ BioGPT ขนาด 347 ล้านพารามิเตอร์) โมเดลที่ปรับแต่งแล้วนี้เผยแพร่ในชื่อ microsoft/BioGPT-Large-PubMedQA ทั้งสองรุ่นอยู่บน Hugging Face ภายใต้สัญญาอนุญาต MIT
ในบทความ BioGPT โมเดลที่ปรับแต่งแล้วได้ค่า F1 44.98% บน BC5CDR, 38.42% บน KD-DTI และ 40.76% บน DDI ในการสกัดความสัมพันธ์แบบ end-to-end ได้ความแม่นยำ 78.2% บน PubMedQA และค่า F1 85.12% ในการจำแนกเอกสาร HoC ผลเหล่านี้เป็นผลจากการปรับแต่งเฉพาะงาน และผลลัพธ์ของโมเดลยังควรได้รับการตรวจสอบโดยผู้เชี่ยวชาญ
BioGPT เป็นโมเดลเพื่อการวิจัยที่ฝึกด้วยวรรณกรรมที่ตีพิมพ์แล้ว ไม่ใช่เวชระเบียนทางคลินิก และยังไม่ผ่านการตรวจสอบความถูกต้องสำหรับการดูแลผู้ป่วย สามารถช่วยสนับสนุนงานวิจัย เช่น การทำเหมืองข้อมูลจากวรรณกรรม แต่ไม่ควรใช้แทนการวินิจฉัยของแพทย์หรือใช้ตัดสินใจทางคลินิกโดยอัตโนมัติ