谷歌发布医学多模态开源模型MedGemma：支持图像与文本理解，支持X光CT分析

谷歌近日推出了一款面向医疗领域的开源模型系列 —— MedGemma，该模型基于 Gemma 3 构建，在医学图像识别与文本理解方面表现出色，标志着医疗 AI 在开源方向上的重要进展。

MedGemma 提供两种变体：

• MedGemma 4B（40亿参数）：多模态版本，支持 X 光、CT 图像分析等任务。
• MedGemma 27B（270亿参数）：纯文本版本，专注于医疗文档处理与临床推理。

这两款模型均在多种临床相关基准测试中表现优异，开发者可基于其进行适配，开发用于辅助诊断、病历分析、患者分诊等场景的医疗 AI 应用。

• GitHub：https://github.com/Google-Health/medgemma
• 模型：https://huggingface.co/collections/google/medgemma-release-680aade845f90bec6a3f60c4
• Demo：https://huggingface.co/spaces/google/rad_explain

模型架构与训练数据

MedGemma 4B（多模态）

该版本采用 SigLIP 图像编码器，并结合一个强大的大语言模型组件，使其能够同时理解和描述医疗图像内容。

训练数据包括大量去标识化的医学图像资料，涵盖：

• 胸部 X 光片
• 皮肤病图像
• 眼科图像
• 组织病理切片

此外，语言模型部分也在这些图像所附带的报告和注释上进行了训练，使模型具备跨模态理解能力。

版本说明：

• -pt（预训练）：适用于希望从头开始实验的开发者。
• -it（指令调整）：更适合大多数应用场景，已针对自然语言交互进行优化。

MedGemma 27B（纯文本）

仅在医疗文本上训练，专注于理解医学术语、电子病历、影像报告等内容。该版本仅提供 指令调整版（-it），并针对推理效率进行了优化。

 主要功能与适用场景

1. 医疗图像分类

MedGemma 4B 可用于放射学、数字病理、眼科和皮肤图像的自动分类任务。虽然其性能在公开数据集上表现良好，但开发者仍需根据实际需求进行验证和调优。

2. 医疗图像解读

该模型可以生成对图像的自然语言描述，适用于自动生成影像报告、辅助医生快速获取关键信息。尽管当前版本尚未达到临床级精度，但通过微调可进一步提升实用性。

3. 医疗文本理解与临床推理

MedGemma 27B 更适合处理复杂医学文本，如患者访谈记录、电子健康档案（EHR）、医嘱摘要等任务。它可用于：

• 自动化问诊系统
• 分诊建议生成
• 临床决策支持
• 医疗知识问答系统

对于多数任务，推荐使用更大参数量的 MedGemma 27B 以获得更好的准确性。

如何适配与优化 MedGemma

作为一款为开发者设计的工具，MedGemma 需要根据具体任务进行适配和调优。以下是几种常见方法：

1. 提示工程 / 上下文学习（Prompt Engineering）

在某些简单任务中，只需精心设计提示词（prompt），就能获得令人满意的输出结果。开发者还可以利用上下文学习（few-shot learning）来引导模型完成特定任务。

✅ 建议：即使是提示工程，也应经过充分验证，确保输出可靠。

2. 微调（Fine-tuning）

开发者可以通过微调进一步提升模型在特定任务中的表现。例如：

• 使用 LoRA（低秩适配）技术进行高效微调
• 对图像编码器与语言解码器联合训练
• 添加新任务类型，如疾病预测、治疗建议生成等

谷歌官方提供了微调 Notebook 示例，帮助开发者快速入门。

3. 代理编排（Agent Orchestration）

MedGemma 可集成到更复杂的 AI 系统中，作为局部智能单元发挥作用。例如：

• 结合网络搜索获取最新指南
• 利用 FHIR 协议生成/解析医疗数据
• 与 Gemini Live 或 Gemini 2.5 Pro 联合使用，实现语音交互或函数调用
• 在本地解析敏感数据后，向云端模型发送匿名请求

📊 性能评估与未来展望

目前，MedGemma 的多个变体已在多个公开及内部数据集上进行了评估，整体表现优于同规模模型。完整的技术白皮书即将发布，届时将披露更多细节。

开发者可根据自身需求选择合适的模型版本，并结合业务场景进行定制化训练，以满足实际应用需求。

🔒 使用条款与注意事项

MedGemma 的使用需遵守 Google 的 Health AI Developer Foundations 使用条款。开发者在部署至生产环境前，务必进行严格的性能测试与合规性审查。