Acceso API
Guía de Uso de APIs MedGemma y MedSigLIP
Comienza con los modelos de IA médica de Google a través de un acceso API integral. Solicita claves API e integra capacidades avanzadas de IA médica en tus aplicaciones.
Solicitar Acceso API
Comienza con las APIs de MedGemma y MedSigLIP
API MedGemma
Modelos avanzados de IA médica de texto y multimodal
Accede a las poderosas capacidades de MedGemma para análisis de texto médico, comprensión de imágenes y soporte de decisiones clínicas.
Características Clave
- ✓Generación y análisis de texto médico
- ✓Procesamiento multimodal de imágenes y texto médico
- ✓Respuestas a preguntas clínicas
- ✓Generación de reportes médicos
- ✓Capacidades de ajuste fino
Modelos Disponibles
MedGemma 4B Multimodal
Modelo ligero para tareas de imágenes y texto médico
4B parámetrosMedGemma 27B Solo Texto
Modelo de lenguaje grande especializado en texto médico
27B parámetrosMedGemma 27B Multimodal
Modelo multimodal avanzado para tareas médicas complejas
27B parámetrosAPI MedSigLIP
Codificador de imagen-texto médico para clasificación y recuperación
Aprovecha la arquitectura eficiente de torre dual de MedSigLIP para clasificación de imágenes médicas, inferencia de cero disparos y recuperación semántica.
Características Clave
- ✓Clasificación de imágenes médicas de cero disparos
- ✓Recuperación semántica de imágenes
- ✓Embeddings de imágenes médicas
- ✓Clasificación eficiente de datos
- ✓Búsqueda de similitud cross-modal
Especificaciones del Modelo
Opciones de Despliegue
Elige el mejor método de despliegue para tus necesidades
Despliegue Local
Ejecuta modelos localmente usando transformers de Hugging Face
Pros:
- +Control total
- +Sin límites de API
- +Privacidad de datos
Cons:
- -Requiere recursos GPU
- -Complejidad de configuración
Despliegue Vertex AI
Despliega como endpoints de API REST en Google Cloud
Pros:
- +Escalable
- +Infraestructura gestionada
- +Listo para producción
Cons:
- -Costos de uso
- -Dependencia de la nube
Procesamiento por Lotes
Procesa grandes conjuntos de datos con trabajos por lotes de Vertex AI
Pros:
- +Costo-efectivo
- +Procesamiento a gran escala
Cons:
- -No en tiempo real
- -Programación por lotes
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}")Recursos Oficiales
Documentación completa y ejemplos