MedGemma 1.5 深度解读：Google 为医疗 AI 开发者打造的开源基座模型
MedGemma 1.5 是 Google 基于 Gemma 3 训练的医疗专用模型，支持 CT/MRI 3D 影像、病理全切片、电子病历等多模态理解。本文解读其技术特点、性能表现和对医疗 AI 开发的意义。
为什么医疗 AI 需要专用模型？
通用大模型什么都懂一点，但在医疗场景中，“懂一点”远远不够。
一张胸部 X 光片，GPT-4 也许能说出”这是胸片”，但要它准确识别 5 种以上影像学发现、对比历史影像的变化趋势、从 CT 序列中定位病灶——通用模型往往会力不从心。医疗数据的特殊性（高分辨率影像、专业术语、纵向追踪需求）决定了我们需要专门为医疗场景训练的基座模型。
这就是 Google 推出 MedGemma 的背景。
MedGemma 是什么？
MedGemma 是 Google 基于 Gemma 3 架构训练的医疗视觉-语言基础模型集合。它不是一个单一模型，而是三个变体：
| 变体 | 参数量 | 输入模态 | 适用场景 |
|---|---|---|---|
| MedGemma 4B | 40 亿 | 文本 + 图像 | 轻量部署、边缘设备 |
| MedGemma 27B (文本) | 270 亿 | 纯文本 | EHR、文档理解 |
| MedGemma 27B (多模态) | 270 亿 | 文本 + 图像 | 高精度影像分析 |
核心设计思路：在 Gemma 3 的通用能力基础上，注入医疗领域的专业理解。模型使用 SigLIP 图像编码器，并在去标识化的医疗数据（胸片、皮肤病、眼科、病理）上进行了预训练。
1.5 版本：六大能力升级
2026 年 7 月发布的 MedGemma 1.5 是一次重大升级，尤其在 4B 小模型上提升显著。以下是六个核心新能力：
1. 3D 影像解读（CT / MRI）
不再局限于 2D 平面影像。1.5 版本可以解读 3D CT 和 MRI 扫描，这对放射科工作流至关重要——毕竟临床中大部分诊断依赖的不是单张 X 光，而是 volumetric 影像。
4B 模型在 3D 放射学任务上的 Macro Accuracy 从 58.2% 提升到 61.1%。
2. 全切片病理学（WSI）
这是 1.5 版本最令人印象深刻的提升。全切片病理图像（Whole-Slide Image）分辨率极高，通常需要同时分析多个 patch。MedGemma 1.5 4B 在 WSI 任务上的 ROUGE 分数从 v1 的 2.2 飙升到 49.4——这不是渐进式改进，而是质的飞跃。
3. 纵向影像对比
能够对比当前和历史影像（例如治疗前后的胸片变化），这对疗效评估和疾病进展追踪非常关键。纵向影像任务的 Macro Accuracy 达到 65.7%。
4. 解剖定位（边界框）
可以在胸片上以 bounding box 形式标注异常区域的位置。IoU 从 3.1 提升到 38.0，意味着模型不仅能”看到”问题，还能指出问题在哪里。
5. 文档理解
从非结构化的实验室报告中提取结构化数据（数值、单位等）。这在真实临床环境中非常实用——大量检验报告仍然是 PDF 或扫描件。
6. 电子病历（EHR）理解
解读文本形式的电子健康记录数据。EHR 理解任务（EHRQA）准确率从 67.6% 提升到 89.6%，接近 27B 模型的 90.5%。
技术架构要点
对于开发者，几个关键技术参数值得关注：
- 架构：Decoder-only Transformer（Gemma 3）+ Grouped-Query Attention
- 上下文长度：输入 128K tokens / 输出 8,192 tokens
- 图像处理：归一化到 896×896 分辨率，每张图像编码为 256 tokens
- 输出：仅文本（不支持图像生成）
- 训练框架：JAX（TPU 优化）
128K 的上下文窗口意味着模型可以处理较长的病历文本或多轮对话，这对临床场景中的信息整合非常重要。
性能数据：4B 模型的惊喜
MedGemma 1.5 4B 的表现值得关注——它在很多任务上已经接近甚至超越了通用大模型：
| 任务 | MedGemma 1.5 4B | Gemma 3 4B (基线) | 提升 |
|---|---|---|---|
| MedQA（医学问答） | 69.1% | 50.7% | +18.4% |
| EHR 理解 | 89.6% | 70.9% | +18.7% |
| WSI 病理 | 49.4 | 2.3 | +47.1 |
| 3D 放射学 | 61.1% | 54.5% | +6.6% |
| 胸片分类 (MIMIC) | 89.5 | 81.2 | +8.3 |
4B 参数量意味着它可以在消费级 GPU 甚至部分边缘设备上运行，这对医疗场景中的隐私保护和部署灵活性非常关键。
对医疗 AI 开发者的意义
MedGemma 1.5 的开源（通过 Health AI Developer Foundations 发布）给开发者带来了几个实际价值：
- 降低门槛：不需要从零训练医疗模型，基于 MedGemma 微调即可
- 多模态统一：一个模型同时处理影像和文本，简化系统架构
- 隐私友好：4B 模型可以本地部署，患者数据不出机构
- 可扩展：128K 上下文支持复杂病历场景
代码接入也很简单，HuggingFace Transformers 直接支持：
from transformers import pipeline
pipe = pipeline("image-text-to-text",
model="google/medgemma-1.5-4b-it",
torch_dtype=torch.bfloat16, device="cuda")必须知道的局限性
在兴奋之余，也需要清醒认识 MedGemma 的边界：
- 不是诊断工具：官方明确声明不用于临床决策
- 仅支持英文：中文医疗场景需要额外适配
- 仅输出文本：不能生成或修改医学影像
- 不处理受保护健康信息（PHI）：部署时需要额外的隐私保护层
- 幻觉风险：虽然经过安全评估，但模型仍可能生成不准确的医学信息
这些限制不是缺陷，而是负责任的 AI 发布应有的透明声明。
写在最后
MedGemma 1.5 代表了一个重要趋势：医疗 AI 正在从”通用模型 + Prompt 工程”走向”领域专用基座模型”。
对于正在构建医疗 AI 应用的开发者来说，这意味着你不再需要在通用模型上勉强微调，而是有了一个真正理解医疗影像、病历和临床术语的起点。
当然，模型只是起点。如何将它安全、合规、有效地集成到临床工作流中，仍然是我们需要持续探索的问题。