MedGemma: когда медицинский ИИ стал бесплатным (и что с этим делать)

Медицинский ИИ выходит из тени

До сегодняшнего дня медицинские языковые модели были как VIP-ложа на стадионе: дорого, недоступно, только для избранных. MedGemma ломает эту систему. DeepMind выпустила три модели с открытыми весами, которые понимают медицинские тексты, рентгеновские снимки и научные статьи. Бесплатно. Можно запустить на своём железе. Даже без интернета.

Что умеют эти модели на самом деле

Забудьте про общие фразы вроде "помогает врачам". Вот конкретные задачи, которые MedGemma решает прямо сейчас:

• Анализ медицинских записей: извлекает симптомы, диагнозы, препараты из неструктурированного текста
• Ответы на медицинские вопросы: объясняет термины, даёт рекомендации на основе клинических руководств
• Генерация отчётов: превращает сырые данные врачебных осмотров в структурированные документы
• Анализ рентгеновских снимков (только MedGemma-CXR): описывает находки, ищет патологии, сравнивает с предыдущими снимками

Вот как выглядит простой запрос к MedGemma 7B:

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_name = "google/medgemma-7b"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

prompt = """Пациент: мужчина 45 лет, жалуется на кашель с мокротой,
температура 38.5°C, боль в груди при глубоком вдохе.
Вопрос: Какие дополнительные обследования необходимы?"""

inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_length=500)
print(tokenizer.decode(outputs[0]))

Модель ответит примерно так: "Рекомендуется рентгенография органов грудной клетки, общий анализ крови с лейкоцитарной формулой, С-реактивный белок. При подозрении на пневмонию — посев мокроты."

MedGemma-CXR: когда ИИ смотрит на ваши лёгкие

Это самая интересная часть. MedGemma-CXR 2B — мультимодальная модель, которая понимает рентгеновские снимки. Не просто классифицирует "пневмония/нет", а даёт развёрнутое описание:

from PIL import Image
from transformers import AutoProcessor, AutoModelForVision2Seq

processor = AutoProcessor.from_pretrained("google/medgemma-cxr-2b")
model = AutoModelForVision2Seq.from_pretrained(
    "google/medgemma-cxr-2b",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

image = Image.open("chest_xray.jpg")
prompt = "Опиши находки на рентгенограмме органов грудной клетки."

inputs = processor(
    text=prompt,
    images=image,
    return_tensors="pt"
).to("cuda")

output = model.generate(**inputs, max_length=300)
print(processor.decode(output[0], skip_special_tokens=True))

Результат: "На рентгенограмме ОГК в прямой проекции определяется усиление лёгочного рисунка в нижних отделах справа, небольшое затемнение в проекции S10. Сердечная тень не расширена. Диафрагма чёткая. Заключение: признаки правосторонней нижнедолевой пневмонии."

Звучит как отчёт опытного рентгенолога. Только этот "рентгенолог" работает 24/7, не устаёт и не берёт больничный.

Сравнение: MedGemma против конкурентов

На рынке медицинского ИИ три типа игроков:

MedGemma выигрывает у BioBERT в понимании клинического контекста (не просто статьи, а реальные истории болезни). Проигрывает GPT-4 Medical в breadth of knowledge (у OpenAI больше данных), но выигрывает в privacy (данные никуда не уходят) и стоимости (ноль рублей против тысяч в месяц).

Если вам нужна модель для анализа медицинских текстов и у вас есть GPU с 16GB памяти — берите MedGemma 7B. Если нужно работать с рентгенами — только MedGemma-CXR. Если ресурсов мало — MedGemma 2B запустится даже на ноутбуке.

Как установить и настроить за 10 минут

1Выбираем модель

На Hugging Face ищите:

• google/medgemma-2b — 2B параметров, 4.5GB памяти
• google/medgemma-7b — 7B параметров, 14GB памяти
• google/medgemma-cxr-2b — 2B параметров + vision, 5GB памяти

2Ставим зависимости

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install transformers accelerate bitsandbytes

Ускоритель bitsandbytes нужен для 4-битной квантизации (модель влезет в 8GB памяти).

3Загружаем с квантизацией

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
import torch

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_use_double_quant=True,
)

model = AutoModelForCausalLM.from_pretrained(
    "google/medgemma-7b",
    quantization_config=bnb_config,
    device_map="auto",
    trust_remote_code=True
)

Теперь модель займёт ~4GB вместо 14GB. Скорость упадёт на 20-30%, но это плата за возможность запуска на consumer hardware.

Реальные кейсы: где MedGemma уже работает

Не теории, а практика:

Автоматизация ведения медицинских карт

Частная клиника в Бразилии использует MedGemma 7B для преобразования голосовых записей врачей в структурированные электронные медицинские карты. Раньше на это уходило 15 минут на пациента, сейчас — 2. Модель работает на локальном сервере, данные никуда не уходят (требование законодательства).

Телемедицина в удалённых районах

Некоммерческая организация в Индии развернула MedGemma-CXR на Raspberry Pi 5 с подключением к портативному рентген-аппарату. Фельдшер в деревне делает снимок, модель описывает находки, результат отправляется врачу в город для подтверждения. Задержка — 3 секунды вместо 3 дней ожидания специалиста.

Образовательный симулятор для студентов-медиков

Медицинский университет в Германии создал на основе MedGemma интерактивного пациента. Студенты задают вопросы, получают симптомы, ставят предварительные диагнозы. Модель оценивает логику рассуждений и даёт обратную связь. Всё работает в локальной сети кампуса.

Похожий подход использовали победители Kaggle Challenge для создания ассистентов для людей с когнитивными нарушениями. Только там была Gemma 3n, а здесь — её медицинская специализированная версия.

Ограничения, о которых молчит документация

MedGemma — не панацея. Вот что бесит на практике:

• Английский bias: модель обучена в основном на англоязычных данных. Русские медицинские термины знает плохо. Придётся дообучать или использовать перевод.
• Консервативность: MedGemma перестраховывается. На вопрос "нужны ли антибиотики при ОРВИ?" ответит "обратитесь к врачу", а не даст чёткий протокол.
• Нет мультимодальности кроме CXR: УЗИ, МРТ, КТ — только если конвертировать в описание руками. В отличие от Gemma Vision, который работает с любыми изображениями.
• Медленные ответы на длинных контекстах: Если подать историю болезни на 10 страниц, генерация займёт 20-30 секунд даже на RTX 4090.

И главное: модель не обновляется в реальном времени. Новые исследования, изменения в протоколах лечения, новые препараты — всё это появится только в следующей версии. Если она вообще будет.

Кому подходит MedGemma (а кому нет)

Берите MedGemma, если:

• Разрабатываете медицинское ПО с требованиями к конфиденциальности данных
• Нужен офлайн-анализ медицинских текстов (как в офлайн-помощниках на Gemma 3n)
• Создаёте образовательные или исследовательские инструменты
• Бюджет на ИИ — ноль, а GPU есть

Не берите MedGemma, если:

• Нужна поддержка русского языка из коробки
• Требуется анализ изображений кроме рентгенов
• Критична скорость ответа <1 секунды
• Можно платить за API (тогда смотрите в сторону специализированных медицинских моделей OpenAI или Anthropic)

Что дальше? Fine-tuning и интеграция

MedGemma — хорошая база для дообучения. Вот как адаптировать её под свои нужды:

from transformers import Trainer, TrainingArguments
from datasets import Dataset
import torch

# 1. Готовим данные
medical_records = [
    {"text": "Пациент: ... диагноз: ...", "summary": "Краткое описание..."},
    # тысячи примеров
]
dataset = Dataset.from_list(medical_records)

# 2. Настраиваем обучение
training_args = TrainingArguments(
    output_dir="./medgemma-finetuned",
    num_train_epochs=3,
    per_device_train_batch_size=4,
    gradient_accumulation_steps=4,
    learning_rate=2e-5,
    fp16=True,
)

# 3. Запускаем fine-tuning
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=dataset,
)
trainer.train()

На 1000 примеров с русскими медицинскими записями модель научится понимать локальную терминологию за 2-3 часа на одном GPU.

Для интеграции в существующие системы используйте REST API через FastAPI:

from fastapi import FastAPI
from pydantic import BaseModel
import torch
from transformers import pipeline

app = FastAPI()
medpipe = pipeline("text-generation", model="./medgemma-finetuned")

class MedicalQuery(BaseModel):
    text: str
    max_length: int = 300

@app.post("/analyze")
async def analyze(query: MedicalQuery):
    result = medpipe(query.text, max_length=query.max_length)
    return {"analysis": result[0]["generated_text"]}

Теперь ваша EHR-система может отправлять запросы на /analyze и получать структурированные ответы.

Стоит ли переходить с других моделей?

Если вы используете общие модели вроде GPT-4 для медицинских задач — да, стоит попробовать. Точность в специализированных вопросах у MedGemma выше, стоимость — ниже, конфиденциальность — лучше.

Если у вас уже работает BioBERT или ClinicalBERT — переход неочевиден. MedGemma даст более развёрнутые ответы, но потребует больше ресурсов. Сравните на своих данных.

Если вы только начинаете медицинский AI-проект — стартуйте с MedGemma. Это бесплатно, открыто и работает. Позже, когда появятся деньги и понимание требований, можно будет перейти на коммерческие решения или обучить свою модель.

Один разработчик из Казахстана уже сделал это. Взял MedGemma 2B, дообучил на казахских медицинских записях, интегрировал в мобильное приложение для сельских фельдшеров. Месячная экономия на облачных API — $1200. Скорость работы — в 3 раза выше, потому что не зависит от интернета.

Медицинский ИИ больше не эксклюзив для корпораций с миллиардными бюджетами. Теперь это инструмент, который можно скачать, настроить и запустить за выходные. Главное — помнить, что последнее слово всегда за врачом. Даже если этот врач иногда советуется с нейросетью.