许可证：其他
许可证名称：Health AI 开发者基础条款
许可证链接：https://developers.google.com/health-ai-developer-foundations/terms
库名称：transformers
任务标签：图像文本生成文本
额外访问权限标题：在Hugging Face上访问MedGemma
额外访问权限提示：
要在Hugging Face上访问MedGemma，您需要审阅并同意Health AI开发者基础使用条款。请确保您已登录Hugging Face并点击下方按钮。请求将立即处理。
额外访问权限按钮内容：确认许可证
基础模型：

• google/medgemma-27b-text-it
  标签：
• 医疗
• unsloth
  • 临床推理
  • 思考

Unsloth Dynamic 2.0 实现了卓越的准确性，优于其他领先的量化方法。

MedGemma 模型卡片

模型文档: MedGemma

资源:

• Google Cloud Model Garden上的模型: MedGemma
• Hugging Face上的模型: MedGemma
• GitHub仓库（支持代码、Colab笔记本、讨论和问题）: MedGemma
• 快速入门笔记本: GitHub
• 微调笔记本: GitHub
• 使用MedGemma构建的患者教育演示
• 支持: 参见联系
• 许可证: MedGemma的使用受Health AI开发者基础使用条款约束。

作者: Google

模型信息

本节介绍MedGemma模型及其使用方法。

描述

MedGemma是一系列Gemma 3变体，专为医学文本和图像理解性能优化。开发者可利用MedGemma加速构建基于医疗健康的AI应用。目前MedGemma提供两种变体：40亿参数的多模态版本和270亿参数的纯文本版本。

MedGemma 27B仅针对医学文本训练并优化了推理计算效率，仅提供指令调优版本。

MedGemma变体已在涵盖临床相关性的多项基准测试中评估，包括开放基准数据集和定制数据集。开发者可对MedGemma变体进行微调以提升性能，具体参见下文"预期用途"部分。

完整技术报告即将发布。

使用方法

以下代码片段帮助您快速在GPU本地运行模型。如需规模化使用，建议通过Model Garden创建生产版本。

首先安装Transformers库（Gemma 3需transformers 4.50.0及以上版本）：

$ pip install -U transformers

使用pipeline API运行模型

from transformers import pipeline
import torch

pipe = pipeline(
    "text-generation",
    model="google/medgemma-27b-text-it",
    torch_dtype=torch.bfloat16,
    device="cuda",
)

messages = [
    {"role": "system", "content": "您是一位专业的医疗助手。"},
    {"role": "user", "content": "如何鉴别细菌性肺炎与病毒性肺炎？"}
]

output = pipe(text=messages, max_new_tokens=200)
print(output[0]["generated_text"][-1]["content"])

直接运行模型

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "google/medgemma-27b-text-it"

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
tokenizer = AutoTokenizer.from_pretrained(model_id)

messages = [
    {"role": "system", "content": "您是一位专业的医疗助手。"},
    {"role": "user", "content": "如何鉴别细菌性肺炎与病毒性肺炎？"}
]

inputs = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

input_len = inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**inputs, max_new_tokens=200, do_sample=False)
    generation = generation[0][input_len:]

decoded = tokenizer.decode(generation, skip_special_tokens=True)
print(decoded)

示例

参考以下Colab笔记本获取使用示例：

• 快速体验（Hugging Face权重本地运行）: Colab快速入门笔记本（注意：运行27B模型需使用Colab Enterprise且不量化）
• 微调示例: Colab微调笔记本

模型架构概述

MedGemma基于Gemma 3构建，采用与Gemma 3相同的仅解码器Transformer架构。架构详情参见Gemma 3模型卡片。

技术规格

• 模型类型: 仅解码器Transformer架构（参见Gemma 3技术报告）
• 模态: 4B版: 文本、视觉；27B版: 仅文本
• 注意力机制: 采用分组查询注意力(GQA)
• 上下文长度: 支持至少128K tokens的长上下文
• 关键出版物: 即将发布
• 模型创建日期: 2025年5月20日
• 模型版本: 1.0.0

引用

技术报告即将发布。如需引用，请参考Hugging Face模型页：

@misc{medgemma-hf,
    author = {Google},
    title = {MedGemma Hugging Face},
    howpublished = {\url{https://huggingface.co/collections/google/medgemma-release-680aade845f90bec6a3f60c4}},
    year = {2025},
    note = {访问日期: [例如2025-05-20]}
}

输入输出

输入:

• 文本字符串（如问题或提示）
• 总输入长度128K tokens

输出:

• 生成的响应文本（如问题答案、图像内容分析或文档摘要）
• 总输出长度8192 tokens

性能验证

MedGemma在多模态分类、报告生成、视觉问答及文本任务中进行了全面评估。

文本评估关键指标

MedGemma 4B和27B在医学知识与推理的文本基准测试中均超越基础Gemma模型：

注：所有MedGemma 27B结果均采用测试时缩放提升性能。

伦理安全评估

评估方法

通过结构化评估和内部红队测试验证相关内容政策，涵盖：

• 儿童安全: 文本/图像生成涉及儿童性虐待等政策
• 内容安全: 骚扰/暴力/仇恨言论等政策
• 表征危害: 偏见/刻板印象/有害关联等
• 医疗危害: 信息质量/有害关联等

独立"保障评估"为责任治理决策提供依据，评估结果上报安全委员会。

评估结果

所有安全测试领域均表现安全，主要基于英语提示测试存在局限。

数据卡片

数据集概览

训练数据

• 基础Gemma模型预训练于大规模文本/代码数据
• MedGemma 4B采用专为医学数据预训练的SigLIP图像编码器，涵盖放射/病理/眼科/皮肤科等去标识医学图像
• LLM组件训练数据包括放射/病理等多模态医学文本

评估数据

在22个临床相关基准数据集（5任务6模态）上评估，含专家人工评分的胸部X光报告生成等任务。

数据来源

结合公开与私有数据集：

• 公开数据:
  • MIMIC-CXR（胸部X光及报告）
  • Slake-VQA（多模态医学问答）
  • PAD-UFES-20（皮肤病变图像）
  • TCGA（癌症基因组数据）
  • CAMELYON（淋巴结病理图像）
  • PMC-OA（生物医学文献图像）
• 授权专有数据:
  • 美国门诊放射中心CT数据
  • 糖尿病视网膜筛查眼底图像
  • 哥伦比亚远程皮肤病图像
  • 澳大利亚皮肤癌图像
  • 欧洲合作学术医院的病理全切片图像

完整数据引用参见原文。

使用限制

预期用途

MedGemma作为开源多模态生成AI模型，旨在为医疗文本/图像应用开发提供基础。开发者需根据具体用途进行微调适配。

优势

• 提供同类尺寸模型中优异的医学图文理解基线性能
• 高效适配下游医疗用例（通过提示工程/微调等方式）

限制

• 禁止直接临床应用: 输出需独立验证和临床验证
• 未评估多图像理解能力
• 未优化多轮对话场景
• 提示敏感性高于Gemma 3

开发者需注意：

• 验证数据偏差: 确保数据代表目标使用场景
• 数据污染风险: 在非公开数据上验证泛化能力

（注：因篇幅限制，部分技术细节和数据引用列表有所精简，完整信息请参考原文。）