Google veröffentlicht MedGemma: Neue medizinische KI-Modelle für Entwickler

Mit der Einführung von MedGemma setzt Google einen weiteren Schritt in der Entwicklung von KI-Technologien im Gesundheitswesen. MedGemma ist ein Open-Source-Modell, das auf Gemma 3 basiert und in zwei Varianten erhältlich ist: einer multimodalen Version mit 4 Milliarden Parametern und einer textbasierten Version mit 27 Milliarden Parametern.

Einführung in MedGemma

Die MedGemma-Sammlung enthält einige der leistungsfähigsten offenen Modelle von Google zur Verarbeitung medizinischer Texte und Bilder. Entwickler können MedGemma nutzen, um die Erstellung von KI-Anwendungen im Gesundheitswesen zu beschleunigen. Die beiden Varianten bieten unterschiedliche Möglichkeiten, je nach den spezifischen Anforderungen der Anwendung.

Häufige Anwendungsfälle

MedGemma kann in verschiedenen Bereichen eingesetzt werden, darunter:

• Medizinische Bildklassifikation: Die 4B-Version von MedGemma eignet sich gut zur Anpassung für die Klassifizierung medizinischer Bilder, einschließlich Radiologie, digitaler Pathologie und Hautbilder. Die Basisleistung ist im Vergleich zu ähnlichen Modellen dieser Größe stark, jedoch sollten Entwickler die Leistung validieren und gegebenenfalls Verbesserungen vornehmen, bevor sie das Modell in einer Produktionsumgebung einsetzen.
• Medizinische Bildinterpretation: MedGemma 4B kann auch verwendet werden, um medizinische Bildberichte zu generieren oder natürliche Sprachfragen zu medizinischen Bildern zu beantworten. Auch hier ist eine zusätzliche Feinabstimmung erforderlich, um klinische Standards zu erreichen.
• Medizinisches Textverständnis und klinisches Denken: MedGemma kann für Anwendungsfälle angepasst werden, die medizinisches Wissen erfordern, wie z.B. Patienteninterviews, Triage, klinische Entscheidungsunterstützung und Zusammenfassungen. Die größere MedGemma 27B-Version bietet in der Regel die beste Leistung.

Anpassung von MedGemma

MedGemma ist ein Entwicklermodell, das eine Validierung für den beabsichtigten Anwendungsfall erfordert. Je nach den Validierungsergebnissen müssen Benutzer das Modell möglicherweise weiter anpassen, um die Leistung zu verbessern. Zu den Anpassungsmöglichkeiten gehören:

• Prompt Engineering/In-Context Learning: Durch sorgfältige Eingabeaufforderungen und das Einfügen von Beispielen innerhalb der Eingabeaufforderung kann die Basisleistung von MedGemma in bestimmten Anwendungsfällen ausreichen.
• Feinabstimmung: MedGemma kann für eine verbesserte Leistung bei bestehenden Aufgaben oder zur Hinzufügung neuer Aufgaben feinabgestimmt werden. Ein Beispiel für die Feinabstimmung von MedGemma unter Verwendung von LoRA, einer parameter-effizienten Feinabstimmungstechnik, ist in einem bereitgestellten Notebook zu finden.
• Agentic Orchestration: MedGemma kann als Werkzeug innerhalb eines agentischen Systems verwendet werden, gekoppelt mit anderen Tools wie Websuche oder FHIR-Generatoren.

Nächste Schritte

Entwickler, die mit MedGemma arbeiten möchten, können mit der Nutzung des Modells beginnen, indem sie die bereitgestellten Ressourcen und Dokumentationen auf der Google Entwicklerseite nutzen.

Quellenliste:

• Quelle: GOOGLE RELEASES MEDGEMMA MEDICAL AI MODELS
• Health AI Developer Foundations
• Health AI Developer Foundations Terms of Use