谷歌重磅开源MedGemma 1.5：多模态AI医疗模型革新影像诊断与临床决策

💡 站外导读：医疗AI正迎来从单模态到多模态的范式跃迁。面对海量、高维的医学影像与复杂文本数据，传统模型常感力不从心。谷歌此次开源的MedGemma 1.5，正是为解决这一核心痛点而生。它是一个集视觉与语言于一体的“超级医生助手”，能深度解读CT、MRI及病理切片等关键影像，同时理解病历与实验室报告，为精准诊断与高效临床决策提供了革命性工具，标志着医疗AI应用进入新阶段。

MedGemma 1.5是什么

MedGemma 1.5 是谷歌开源的多模态AI医学模型，专为处理医学影像和文本数据设计。模型支持高维医学影像（如CT和MRI）、全切片病理影像、纵向影像分析、解剖定位、医学文档理解和电子健康记录（EHR）解读等功能。模型基于SigLIP图像编码器和强大的语言模型，使用多种医学数据进行预训练，包括影像、文本和实验室报告。MedGemma 1.5 在影像分类、视觉问答和医学知识推理等任务中表现出色，适用多种临床相关任务，可助力医学研究和临床实践。

MedGemma 1.5的主要功能

• 高维医学影像解读：模型能处理和解读三维医学影像，如 CT 和 MRI，帮助分析复杂的体积数据。
• 全切片病理影像分析：模型支持对全切片病理影像（WSI）的多区域同时解读，辅助病理诊断。
• 纵向医学影像分析：模型支持对比当前影像与历史影像，例如分析胸部 X 光的长期变化。
• 解剖定位：在胸部 X 光中通过边界框定位解剖结构和病变。
• 医学文档理解：从非结构化的医学实验室报告中提取结构化数据，如数值和单位。
• 电子健康记录（EHR）理解：解析基于文本的 EHR 数据，辅助医疗决策。
• 医学文本和图像的多模态理解：结合文本和图像输入，生成相关的文本输出，例如回答医学问题或生成影像报告。

MedGemma 1.5的技术原理

• 解码器-only Transformer 架构：用与 Gemma 3 相同的架构，支持长上下文（至少 128K tokens），适合处理复杂的多模态任务。
• SigLIP 图像编码器：专门针对医学影像预训练的图像编码器，支持处理多种医学影像数据，如胸部 X 光、皮肤科影像、眼科影像和病理切片。
• 多模态融合：结合文本和图像输入，通过统一的编码和解码流程，生成文本输出。这种融合方式使模型能同时处理医学文本和影像数据。
• 指令调优：模型经过指令调优，能更好地理解和生成符合医疗领域需求的文本内容。
• 预训练与微调：基于大量去标识化的医学数据进行预训练，通过微调适应特定的医疗任务，提升性能。

MedGemma 1.5的项目地址

• 项目官网：https://developers.google.com/health-ai-developer-foundations/medgemma/model-card
• HuggingFace模型库：https://huggingface.co/google/medgemma-1.5-4b-it

MedGemma 1.5的应用场景

• 医学影像分析：MedGemma 1.5 能处理高维医学影像（如 CT 和 MRI），支持全切片病理影像分析、纵向影像对比以及解剖结构定位，辅助医生进行精准诊断。
• 临床决策支持：模型通过分析患者主诉和病历数据，提供急诊分诊、术前评估和临床实践指南支持，帮助医生快速做出决策。
• 电子病历管理：MedGemma 1.5 可从非结构化病历中提取关键信息，生成病历摘要，提升病历管理效率。
• 医学问答系统：在医学问答基准测试中表现优异，能为医生和患者提供准确的医学建议。
• 医学文档理解：将非结构化的医学实验室报告转化为结构化数据，便于进一步分析和应用。