گوگل از مدل‌های هوش مصنوعی MedGemma برای پردازش داده‌های پزشکی در بیمارستان‌ها رونمایی کرد

تیم هوش مصنوعی سلامت گوگل خانواده جدیدی از مدل‌های بینایی‌زبانی پزشکی به نام MedGemma را بر پایه مدل Gemma 3 منتشر کرد. وزن‌های قابل دانلود این مدل به بیمارستان‌ها و تیم‌های تحقیقاتی اجازه می‌دهد تا سیستم‌ها را درون زیرساخت‌های کنترل‌شده و بومی خود مستقر کرده و آن‌ها را با داده‌های محلی مطابقت دهند. چنین قابلیتی در محیط‌های درمانی اهمیت حیاتی دارد؛ چراکه تصاویر پزشکی و پرونده‌های الکترونیک سلامت همواره با قوانین سرسختانه حریم خصوصی، الزام نگهداری بومی داده‌ها و الزامات نظارتی دقیق روبه‌رو هستند.

مقاله علمی مرتبط با این دستاورد در ژورنال معتبر Nature Medicine به چاپ رسیده و گوگل وزن‌های این مدل را از طریق پلتفرم Hugging Face در دسترس عموم قرار داده است. منظور از وزن‌باز، دسترسی به پارامترهای قابل دانلود مدل است که استفاده از آن‌ها تابع قوانین مشخص‌شده گوگل خواهد بود، هرچند مجموعه کامل داده‌های آموزشی اولیه به‌صورت عمومی منتشر نشده است.

چهار نسخه تخصصی برای دو جریان کاری مجزا

مدل‌های بینایی‌زبانی با اتصال انکودر تصویر به یک مدل زبانی عمل می‌کنند و به سیستم توانایی درک و تفسیر تصاویر و تولید متن بر اساس آن‌ها را می‌بخشند. نسخه‌های ارائه‌شده در این پژوهش شامل مدل‌های چندوجهی کامل، یک مدل اختصاصی متنی و یک انکودر مستقل پردازش تصویر است:

داده‌های حوزه پزشکی تفاوت فاحشی با تصاویر وب و متون عمومی مورد استفاده در آموزش مدل‌های پایه دارند. ورودی‌های هدف برای این مدل‌ها شامل مواردی نظیر تصویربرداری رادیولوژی قفسه سینه، اسلایدهای پاتولوژی، عکس‌های ضایعات پوستی، اسکن‌های شبکیه چشم، گزارش‌های آزمایشگاهی، تصویربرداری‌های سه‌بعدی و پرونده‌های منطبق با استاندارد تبادل اطلاعات پزشکی FHIR می‌شود.