谷歌发布多模态模型MedGemma 27B、轻量级编码器MedSigLIP

编辑丨coisini

人工智能（AI）在医疗健康领域具有巨大应用潜力，但由于医疗数据多样、医疗任务复杂、隐私保护要求高，模型的训练与部署面临挑战。

基于这些问题，谷歌面向健康医疗研究及应用构建了 HAI-DEF—— 一个包含一系列轻量级开源模型的集合。今年 5 月，谷歌基于 Gemma 3 架构又开发了生成式模型 MedGemma，进一步扩展了 HAI-DEF。

现在，谷歌发布 MedGemma 技术报告，并推出两款新模型：多模态模型 MedGemma 27B、轻量级图文编码器 MedSigLIP。

技术报告：https://www.alphaxiv.org/abs/2507.05201

模型地址：https://deepmind.google/models/gemma/medgemma/

MedGemma：面向健康领域的多模态生成模型

MedGemma 系列包含 4B 和 27B 两种规模的模型变体，现均已支持图像与文本的多模态输入，并生成文本输出。

MedGemma 4B 在 MedQA 医学问答基准测试中取得 64.4% 的准确率，位列超小型开源模型（<80 亿参数）第一梯队。

在一项非盲实验中，美国执业放射科医师评估认为：MedGemma 4B 生成的胸部 X 光报告中，81% 在诊断准确性上达到与原始放射科报告相近的临床处理建议水平。

此外，MedGemma 4B 在医学影像分类任务中的表现可媲美顶尖专用模型。

MedGemma 27B 纯文本版在 MedQA 基准上取得了 87.7% 的准确率，与 DeepSeek R1 仅差 3 个百分点，而推理成本仅为其十分之一。

而 MedGemma 27B 多模态版，通过新增对复杂多模态数据及纵向电子健康记录（EHR）解析的支持，与 4B 多模态版和 27B 纯文本版形成功能互补。

MedGemma 基于 Gemma 3 架构，采用医学数据进行训练。在开发过程中，研究团队注重保留 Gemma 模型的通用能力，这使得 MedGemma 能够：

• 出色处理医学与非医学信息混合的任务
• 保持多语言指令跟随能力
• 在非英语语境中维持性能

MedGemma 的一个关键特性是其出色的适应能力，开发者能直接提升目标应用的性能表现。这凸显了 MedGemma 作为医疗 AI 开发起点的价值。

MedSigLIP：专为医疗打造的图像编码器

MedSigLIP 是一个仅含 4 亿参数的轻量级图像编码器，采用基于 Sigmoid 损失的视觉语言预训练架构（SigLIP）。

研究团队通过对胸部 X 光片、组织病理切片、皮肤病图像及眼底影像等多样化医学影像数据进行调优，使 MedSigLIP 能捕捉不同模态特有的细微特征。

MedSigLIP 特别适用于：

• 传统图像分类：构建高性能医学影像分类模型
• 零样本图像分类：实现无需特定训练样本的分类
• 语义图像检索：从海量医学影像数据中查找视觉或语义相似的图像

MedSigLIP 作为一个组件，为 MedGemma 提供了视觉理解能力，其编码性能媲美或超越专业医学图像编码器。

总的来说，谷歌 MedGemma 系列为医学图文处理提供了基础平台，有望显著加速医学研究及下游应用开发。

感兴趣的读者可以阅读论文原文，了解更多研究内容。

参考内容：https://research.google/blog/medgemma-our-most-capable-open-models-for-health-ai-development/