OpenMed는 임상 텍스트에서 질병, 약물, 개인정보를 추출하고 비식별화하는 로컬 우선 의료 AI 라이브러리다. 목표는 환자 데이터가 클라우드 API로 나가지 않게 하면서, 의료 NER(named entity recognition)와 PHI/PII 제거를 여러 플랫폼에서 실행하는 것이다.
핵심 기능
| 기능 | 설명 |
|---|---|
| 임상 NER | 질병, 약물 등 생의학 개체를 로컬 모델로 추출 |
| PII/PHI 비식별화 | 이름, 주소, ID, 보험·청구 정보 등 민감 식별자 탐지와 대체 |
| 다중 런타임 | Python CPU/CUDA, Apple MLX, iOS/iPadOS/macOS OpenMedKit, Android ONNX Runtime Mobile, browser Transformers.js |
| 모델 허브 | 2,000개 이상 의료·생의학 모델 사용을 지향 |
| 서비스화 | Python API, Docker REST 서비스, gRPC 계열 배포 패턴 지원 |
기본 예시
from openmed import analyze_text
result = analyze_text(
"Patient started on imatinib for chronic myeloid leukemia.",
model_name="disease_detection_superclinical",
)
for entity in result.entities:
print(entity.label, entity.text, entity.confidence)왜 중요한가
의료 데이터는 클라우드 LLM API와 잘 맞지 않는 경우가 많다. 규제, 계약, 감사, 네트워크 격리, 환자 신뢰 문제 때문이다. OpenMed는 이런 환경에서 “모델을 데이터 쪽으로 가져오는” 접근이다. 병원 내부 서버, 연구실 워크스테이션, 모바일 앱, 브라우저까지 같은 계열 모델을 배치할 수 있다는 점이 차별점이다.
사용 시 주의점
의료 AI는 고위험 영역이다. OpenMed가 로컬 실행과 비식별화 기능을 제공하더라도, 임상 판단을 자동화하거나 규제 준수 상태를 보장하는 것은 아니다. 실제 도입 전에는 모델 성능 평가, 언어별 PII 검출률, 로그 보관 정책, 휴먼 리뷰, 의료기기·개인정보 규제 검토가 필요하다.
관련 문서
- openai-privacy-filter — 온프레미스 PII 탐지·마스킹 양방향 토큰 분류 모델
- local-llm-tips-hardware — 자체 호스팅 LLM을 돌리기 위한 하드웨어 현실
- modern-vlms — 최신 비전-언어 모델 흐름
참고 자료
- maziyarpanahi/openmed — GitHub 공식 저장소