许可证：其他
许可证名称：健康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
流水线标签：文本生成
额外授权标题：在Hugging Face上访问MedGemma
额外授权提示：
要在Hugging Face上访问MedGemma，您需要审阅并同意健康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。
额外授权按钮内容：确认许可证
基础模型：google/gemma-3-27b-pt
标签：

• 医学
• 临床推理
• 思考

MedGemma模型卡

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：参见联系方式
• 许可证：MedGemma的使用受健康AI开发者基础条款约束。

作者：Google

模型信息

本节介绍MedGemma模型及其使用方法。

描述

MedGemma是一系列针对医学文本和图像理解优化的Gemma 3变体。开发者可利用MedGemma加速构建医疗AI应用。当前提供两个版本：40亿参数的多模态版本和270亿参数的纯文本版本。

MedGemma 27B专为医学文本训练并优化推理效率，仅提供指令调优版本。

MedGemma变体已在多项临床相关基准测试中评估，涵盖公开数据集和定制数据集。开发者可通过微调进一步提升性能，详见“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在GPU上快速运行模型。如需大规模使用，建议通过Model Garden创建生产版本。

首先安装Transformers库（Gemma 3需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": "如何区分细菌性肺炎和病毒性肺炎？"}  
]  

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)  

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

with torch.inference_mode():  
    generation = model.generate(**inputs, max_new_tokens=200)  
    decoded = tokenizer.decode(generation[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True)  
print(decoded)  

示例

参考以下Colab笔记本：

• 快速入门笔记本（需Colab Enterprise运行270亿参数非量化模型）
• 微调笔记本

模型架构

基于Gemma 3的解码器Transformer架构，详见Gemma 3模型卡。

技术规格

• 模型类型：解码器Transformer（参见Gemma 3技术报告）
• 模态：4B：文本+视觉；27B：仅文本
• 注意力机制：分组查询注意力(GQA)
• 上下文长度：支持至少128K tokens
• 关键论文：即将发布
• 创建日期：2025年5月20日
• 版本：1.0.0

引用

技术报告即将发布，暂可引用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）
• 最大128K tokens

输出：

• 生成文本（如答案、图像分析或文档摘要）
• 最大8192 tokens

性能验证

MedGemma在多模态分类、报告生成、视觉问答和文本任务中评估。

文本评估

MedGemma在所有测试的医疗文本基准上均优于基础Gemma模型：

（注：MedGemma 27B使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以下内容：

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

所有测试未启用安全过滤器，主要使用英语提示。

数据卡

数据集

训练数据

• 基础Gemma模型：大规模文本和代码
• MedGemma 4B：使用专为医学数据训练的SigLIP图像编码器，涵盖放射学、病理学等去标识化图像

评估数据

22个临床相关基准数据集，覆盖5类任务和6种医学影像模态，包括专家人工评估。

数据来源

公开数据集：

• MIMIC-CXR（胸部X光）
• Slake-VQA（多模态医学问答）
• PAD-UFES-20（皮肤病变）
• TCGA（癌症基因组）

专有数据集：
来自合作机构的去标识化数据，包括：

• 美国门诊放射中心的CT研究
• 欧洲学术医院的病理切片（结肠、前列腺等）
• 澳大利亚的皮肤癌图像

完整引用见原文。

使用限制

预期用途

作为医疗文本/图像应用的开发起点，需开发者根据具体场景微调。

优势

• 提供同类尺寸模型中优异的医学理解基线
• 高效适配下游医疗用例

限制

• 禁止直接临床使用：输出需独立验证和临床关联
• 多图像理解未验证：当前仅评估单图像任务
• 提示敏感性：比Gemma 3更依赖特定提示格式
• 数据偏差风险：需确保验证数据代表目标人群

开发者应注意：

• 避免使用非公开数据评估以防数据污染
• 验证模型在目标设备/人群中的表现

（注：本文档为技术摘要，完整条款和细节请参阅原始链接）