API-Zugang
MedGemma & MedSigLIP API Nutzungsanleitung
Beginnen Sie mit Googles medizinischen KI-Modellen durch umfassenden API-Zugang. Beantragen Sie API-Schlüssel und integrieren Sie fortschrittliche medizinische KI-Funktionen in Ihre Anwendungen.
API-Zugang beantragen
Beginnen Sie mit MedGemma und MedSigLIP APIs
MedGemma API
Fortschrittliche medizinische Text- und multimodale KI-Modelle
Greifen Sie auf MedGemmas leistungsstarke Funktionen für medizinische Textanalyse, Bildverständnis und klinische Entscheidungsunterstützung zu.
Hauptmerkmale
- ✓Medizinische Textgenerierung und -analyse
- ✓Multimodale medizinische Bild- und Textverarbeitung
- ✓Klinische Frage-Antwort
- ✓Medizinische Berichtsgenerierung
- ✓Fine-Tuning-Funktionen
Verfügbare Modelle
MedGemma 4B Multimodal
Leichtgewichtiges Modell für medizinische Bild- und Textaufgaben
4B ParameterMedGemma 27B Nur-Text
Großes Sprachmodell spezialisiert auf medizinischen Text
27B ParameterMedGemma 27B Multimodal
Fortschrittliches multimodales Modell für komplexe medizinische Aufgaben
27B ParameterMedSigLIP API
Medizinischer Bild-Text-Encoder für Klassifikation und Abruf
Nutzen Sie MedSigLIPs effiziente Dual-Tower-Architektur für medizinische Bildklassifikation, Zero-Shot-Inferenz und semantischen Abruf.
Hauptmerkmale
- ✓Zero-Shot medizinische Bildklassifikation
- ✓Semantischer Bildabruf
- ✓Medizinische Bild-Embeddings
- ✓Dateneffiziente Klassifikation
- ✓Cross-modale Ähnlichkeitssuche
Modellspezifikationen
Bereitstellungsoptionen
Wählen Sie die beste Bereitstellungsmethode für Ihre Bedürfnisse
Lokale Bereitstellung
Führen Sie Modelle lokal mit Hugging Face Transformers aus
Pros:
- +Vollständige Kontrolle
- +Keine API-Limits
- +Datenschutz
Cons:
- -Benötigt GPU-Ressourcen
- -Setup-Komplexität
Vertex AI Bereitstellung
Als REST-API-Endpunkte auf Google Cloud bereitstellen
Pros:
- +Skalierbar
- +Verwaltete Infrastruktur
- +Produktionsbereit
Cons:
- -Nutzungskosten
- -Cloud-Abhängigkeit
Batch-Verarbeitung
Verarbeiten Sie große Datensätze mit Vertex AI Batch-Jobs
Pros:
- +Kosteneffektiv
- +Großskalige Verarbeitung
Cons:
- -Nicht Echtzeit
- -Batch-Planung
Code Examples
Get started with implementation examples
MedGemma Implementation
Local Deployment
from transformers import pipeline
# Load MedGemma model
pipe = pipeline(
"text-generation",
model="google/medgemma-27b-text-it",
torch_dtype="bfloat16",
device="cuda"
)
# Generate medical text
response = pipe(
"What are the symptoms of diabetes?",
max_length=200,
temperature=0.7
)
print(response[0]['generated_text'])Vertex AI REST API
import requests
import json
# Vertex AI endpoint
endpoint_url = "https://your-endpoint.googleapis.com/v1/projects/your-project/locations/us-central1/endpoints/your-endpoint:predict"
# Request payload
payload = {
"instances": [{
"prompt": "What are the symptoms of diabetes?",
"max_tokens": 200,
"temperature": 0.7
}]
}
# Make API request
headers = {
"Authorization": "Bearer YOUR_ACCESS_TOKEN",
"Content-Type": "application/json"
}
response = requests.post(endpoint_url, json=payload, headers=headers)
result = response.json()
print(result['predictions'][0]['generated_text'])MedSigLIP Implementation
Local Deployment
from transformers import AutoModel, AutoProcessor
import torch
from PIL import Image
# Load MedSigLIP model
model = AutoModel.from_pretrained("google/medsiglip")
processor = AutoProcessor.from_pretrained("google/medsiglip")
# Load and process image
image = Image.open("medical_image.jpg")
text = "chest x-ray showing pneumonia"
# Process inputs
inputs = processor(
text=[text],
images=[image],
return_tensors="pt",
padding=True
)
# Get embeddings
with torch.no_grad():
outputs = model(**inputs)
image_embeds = outputs.image_embeds
text_embeds = outputs.text_embeds
# Calculate similarity
similarity = torch.cosine_similarity(image_embeds, text_embeds)
print(f"Similarity score: {similarity.item():.4f}")Zero-shot Classification
import torch
from transformers import AutoModel, AutoProcessor
from PIL import Image
# Load model and processor
model = AutoModel.from_pretrained("google/medsiglip")
processor = AutoProcessor.from_pretrained("google/medsiglip")
# Define classification labels
labels = [
"normal chest x-ray",
"pneumonia chest x-ray",
"covid-19 chest x-ray",
"lung cancer chest x-ray"
]
# Load image
image = Image.open("chest_xray.jpg")
# Process inputs
inputs = processor(
text=labels,
images=[image] * len(labels),
return_tensors="pt",
padding=True
)
# Get predictions
with torch.no_grad():
outputs = model(**inputs)
logits = outputs.logits_per_image
probs = torch.softmax(logits, dim=-1)
# Get top prediction
top_idx = torch.argmax(probs, dim=-1)
confidence = probs[0, top_idx].item()
print(f"Prediction: {labels[top_idx]}")
print(f"Confidence: {confidence:.4f}")Offizielle Ressourcen
Vollständige Dokumentation und Beispiele