谷歌发布了医疗大模型MedGemma-1.5，它并非直接的诊断工具，而是一个面向开发者的多模态基础模型。该模型能够统一处理文本、各类医学影像及语音数据，旨在为医疗AI应用的开发提供一个强大而灵活的基石，让开发者能更高效地构建符合临床需求的定制化系统。
智能速览
支持文本、2D/3D影像、病理切片等多模态数据统一处理。
在CT/MRI诊断、胸片定位、化验单提取等任务上准确率显著提升。
原生支持DICOM标准，简化了医疗影像应用的开发和部署流程。
同步推出专用医疗语音模型MedASR，错误率远低于通用模型。
开发者可通过Google Health AI、Hugging Face等渠道获取并微调模型。
精华内容
MedGemma-1.5的核心优势在于其强大的多模态处理能力和为临床场景优化的设计，这为医疗AI的开发带来了实质性的便利和效率提升。
多模态融合
MedGemma-1.5的核心能力在于其强大的多模态数据处理能力。它不仅能理解和分析常规的文本说明与病历记录，还能直接处理2D医学图像（如X光片）、CT与MRI的3D影像体积数据，以及超大尺寸的病理切片图像。
这种能力使得单一模型就能应对多样化的医疗数据输入，为构建全面的临床辅助系统奠定了基础。
性能基准
根据谷歌内部的基准测试，MedGemma-1.5在多项关键医学任务上均表现出性能提升。例如，在CT和MRI的疾病发现任务中，模型的准确率有明显提高。
此外，它在胸片定位、纵向对比分析方面的表现也更出色，并且能更准确地从化验单中提取项目、数值和单位等关键信息。在医学问答（MedQA）和基于电子病历的问答（EHRQA）方面，其准确率同样取得了进步。
临床易用性
为了让模型更好地融入真实的临床工作流，MedGemma-1.5在设计上充分考虑了易用性。它原生支持DICOM标准，意味着部署在Google Cloud上的应用可以直接读取和处理医疗影像，无需开发者编写繁琐的预处理代码。
同时，该模型可作为“基线模型”，供开发者根据本地医院的数据特点、隐私法规等具体要求进行二次微调，构建合规的专属AI应用。
语音识别模型
针对临床场景中大量的语音交互需求，谷歌同步推出了专门优化的医疗语音转文字模型MedASR。该模型在识别医生口述、影像报告等内容时，表现优于通用语音模型。
在胸片口述报告和泛医疗口述等任务上，MedASR的错误率相比通用模型有大幅下降，能更准确地捕捉真实临床环境下的专业术语和用语习惯。
MedGemma-1.5的发布，为医疗AI领域提供了一个功能全面且易于接入的强大基石。它降低了多模态医疗应用的开发门槛，有望加速未来临床辅助诊断、报告生成等工具的创新落地。这样的开源模型将如何改变医疗AI的研发生态？
