Il settore sanitario sta adottando sempre più l’intelligenza artificiale per migliorare la gestione del flusso di lavoro, la comunicazione con i pazienti e il supporto diagnostico e terapeutico. È fondamentale che questi sistemi basati sull’intelligenza artificiale non siano solo altamente performanti, ma anche efficienti e rispettosi della privacy. È con queste considerazioni in mente che abbiamo creato e recentemente rilasciato Fondazioni per sviluppatori di intelligenza artificiale sanitaria (HAI-DEF). HAI-DEF è una raccolta di modelli aperti leggeri progettati per offrire agli sviluppatori solidi punti di partenza per la propria ricerca sanitaria e lo sviluppo di applicazioni. Poiché i modelli HAI-DEF sono aperti, gli sviluppatori mantengono il pieno controllo sulla privacy, sull’infrastruttura e sulle modifiche ai modelli. In Maggio di quest’anno abbiamo ampliato la collezione HAI-DEF con MedGemmauna raccolta di modelli generativi basati su Gemma 3 progettati per accelerare lo sviluppo dell’intelligenza artificiale nel settore sanitario e delle scienze della vita.
Oggi siamo orgogliosi di annunciare due nuovi modelli in questa collezione. Il primo è MedGemma 27B Multimodal, che integra i modelli 4B Multimodal e 27B di solo testo precedentemente rilasciati aggiungendo il supporto per l’interpretazione complessa delle cartelle cliniche elettroniche multimodali e longitudinali. Il secondo nuovo modello è MedSigLIP, un codificatore leggero di immagini e testo per la classificazione, la ricerca e le attività correlate. MedSigLIP si basa sullo stesso codificatore di immagini che alimenta i modelli MedGemma 4B e 27B.
MedGemma e MedSigLIP rappresentano ottimi punti di partenza per la ricerca medica e lo sviluppo di prodotti. MedGemma è utile per testi medici o attività di imaging che richiedono la generazione di testo libero, come la generazione di report o la risposta visiva a domande. MedSigLIP è consigliato per attività di imaging che comportano risultati strutturati come la classificazione o il recupero. Tutti i modelli di cui sopra possono essere eseguiti su una singola GPU e MedGemma 4B e MedSigLIP possono anche essere adattati per funzionare su hardware mobile.
I dettagli completi sullo sviluppo e sulla valutazione di MedGemma e MedSigLIP sono disponibili nel file Relazione tecnica MedGemma.
Fonte: deepmind.google
