Impulsado por la Plataforma Dr7.ai Medical AI
MedGemma es la familia de modelos de IA médica de Google con pesos abiertos, basada en Gemma 3. Consulta versiones, resultados y descargas, o prueba gratis la demo interactiva de MedGemma aquí abajo.
Experimenta el poder del modelo MedGemma 4B IT para análisis avanzado de texto e imágenes médicas
Experimenta el Asistente Médico IA
Utiliza el asistente médico propio de Dr7 mediante una API compatible con OpenAI, sin gestionar GPU ni despliegues.
Actualiza a la versión Pro para desbloquear modelos de IA avanzados, conversaciones ilimitadas, análisis profesional de imágenes médicas y funciones más potentes
MedGemma es una familia de modelos abiertos de IA de Google, basada en Gemma 3 y entrenada para comprender textos e imágenes médicas. Google publicó los primeros modelos MedGemma el 20 de mayo de 2025; la versión más reciente es MedGemma 1.5 4B (13 de enero de 2026).
Basado en la potente arquitectura Gemma 3, MedGemma está optimizado para aplicaciones sanitarias y ofrece a los desarrolladores herramientas sólidas para crear soluciones médicas innovadoras.
Como parte de Health AI Developer Foundations, MedGemma busca democratizar el acceso a la IA médica avanzada para que investigadores y desarrolladores de todo el mundo creen aplicaciones sanitarias más eficaces. Puede que también lo veas escrito como Med Gemma, Med-Gemma, MedGamma, Medgema o Google MedGemma: todos se refieren a la misma familia de modelos, que no debe confundirse con Med-Gemini, un modelo de investigación de Google distinto que no se ha publicado.
Añade volúmenes 3D de CT y MRI, patología de preparaciones completas (whole-slide), comparación con radiografías de tórax previas, localización anatómica y extracción de datos de informes de laboratorio.
MedGemma 1.5 4B en detalleComprobado en octubre de 2026: no existe MedGemma 2 ni MedGemma 1.5 27B; MedGemma 1.5 solo existe como modelo 4B.
Todos los checkpoints oficiales de MedGemma publicados por Google, más el codificador de imágenes relacionado MedSigLIP.
Modelo 4B actualizado; solo disponible como 4B ajustado por instrucciones.
Detalles: MedGemma 1.5 4BAjustado por instrucciones: el punto de partida recomendado.
Modelo base preentrenado para experimentar más a fondo.
Entrenado solo con texto médico; las mejores puntuaciones en benchmarks de texto.
Un único modelo 27B para texto, historias clínicas e imágenes.
No es un modelo de chat: es el codificador de imágenes médicas en el que se basa MedGemma, para clasificación y búsqueda de imágenes.
Detalles: MedSigLIP| Modelo | Parámetros | Entrada | Lanzamiento | Repo en Hugging Face | Licencia |
|---|---|---|---|---|---|
MedGemma 1.5 4BÚltimo Modelo 4B actualizado; solo disponible como 4B ajustado por instrucciones. | 4B | Texto + imágenes, incl. CT/MRI 3D y patología whole-slide | ene 2026 | google/medgemma-1.5-4b-it | Términos HAI-DEF |
MedGemma 4B-it Ajustado por instrucciones: el punto de partida recomendado. | 4B | Texto + imágenes | may 2025 | google/medgemma-4b-it | Términos HAI-DEF |
MedGemma 4B-pt Modelo base preentrenado para experimentar más a fondo. | 4B | Texto + imágenes | may 2025 | google/medgemma-4b-pt | Términos HAI-DEF |
MedGemma 27B text-it Entrenado solo con texto médico; las mejores puntuaciones en benchmarks de texto. | 27B | Solo texto | may 2025 | google/medgemma-27b-text-it | Términos HAI-DEF |
MedGemma 27B multimodal Un único modelo 27B para texto, historias clínicas e imágenes. | 27B | Texto + imágenes + datos de EHR | jul 2025 | google/medgemma-27b-it | Términos HAI-DEF |
MedSigLIPRelacionado No es un modelo de chat: es el codificador de imágenes médicas en el que se basa MedGemma, para clasificación y búsqueda de imágenes. | 400M + 400M | Embeddings de imagen y texto (448×448) | jul 2025 | google/medsiglip-448 | Términos HAI-DEF |
Fuentes: MedGemma 1.5 model card · MedGemma 1 model card · MedGemma Technical Report (arXiv 2507.05201) · MedGemma 1.5 Technical Report (arXiv 2604.05081) · Nature Medicine (2026) · MedSigLIP model card
Lo que MedGemma puede hacer, según las fichas de modelo (model cards) de Google
Leen imágenes médicas y texto a la vez. Usan un codificador de imágenes SigLIP preentrenado con datos médicos anonimizados: radiografías de tórax e imágenes de dermatología, oftalmología e histopatología.
Entrenado exclusivamente con texto médico y optimizado para el razonamiento médico, por lo que obtiene puntuaciones algo más altas que el modelo 27B multimodal en los benchmarks de texto.
Precisión (%) o F1 macro según las fichas de modelo oficiales de Google. Los resultados de 27B usan escalado en tiempo de prueba (test-time scaling).
| Benchmark | MedGemma 4B | MedGemma 1.5 4B | MedGemma 27B text | MedGemma 27B multimodal |
|---|---|---|---|---|
| MedQA (4 opciones) | 64,4 | 69,1 | 87,7 | 85,3 |
| MedMCQA | 55,7 | 59,8 | 74,2 | 70,2 |
| PubMedQA | 73,4 | 68,2 | 76,8 | 77,2 |
| MMLU médico | 70,0 | 69,6 | 87,0 | 86,2 |
| MIMIC-CXR (F1 macro, 5 patologías principales) | 88,9 | 89,5 | — | 90,0 |
| EyePACS (fondo de ojo) | 64,9 | 76,8 | — | 75,3 |
Fuentes: MedGemma 1.5 model card · MedGemma 1 model card
Crea aplicaciones con IA que analicen imágenes médicas, generen informes y ayuden en el triaje de pacientes.
Acelera tu investigación con acceso abierto a IA avanzada a través de Hugging Face y Google Cloud.
Crea prototipos de herramientas de apoyo a la decisión, resumen y revisión de historias clínicas, y valídalos antes de cualquier uso clínico.
Ejecuta MedGemma por tu cuenta con Hugging Face o Vertex AI, o prueba en línea el chat de IA médica de Dr7. ¿Buscas la API de Dr7? Está justo debajo de la demo.
Haz una pregunta al asistente médico propio de Dr7 o sube una radiografía, un corte de TC o una foto de la piel. Inicia sesión para empezar.
Abrir la demoInicia sesión en Hugging Face, abre la página del modelo y acepta los términos de Health AI Developer Foundations (el acceso se concede al instante). Después cárgalo con Transformers 4.50 o posterior. Google indica que todos los modelos MedGemma pueden ejecutarse en una sola GPU; los modelos 27B necesitan una GPU grande, salvo que los cuantices.
MedGemma en Hugging FaceDespliega MedGemma como endpoint gestionado desde Vertex AI Model Garden en tu propio proyecto de Google Cloud, la vía que Google recomienda para producción a escala. La factura Google Cloud.
Vertex AI Model Garden# pip install -U "transformers>=4.50" accelerate torch pillow requests
from transformers import pipeline
from PIL import Image
import requests
import torch
pipe = pipeline(
"image-text-to-text",
model="google/medgemma-4b-it", # or "google/medgemma-1.5-4b-it"
torch_dtype=torch.bfloat16,
device="cuda",
)
# Image attribution: Stillwaterising, CC0, via Wikimedia Commons
image_url = "https://upload.wikimedia.org/wikipedia/commons/c/c8/Chest_Xray_PA_3-8-2010.png"
image = Image.open(requests.get(image_url, headers={"User-Agent": "example"}, stream=True, timeout=30).raw)
messages = [{"role": "user", "content": [
{"type": "image", "image": image},
{"type": "text", "text": "Describe this X-ray"},
]}]
output = pipe(text=messages, max_new_tokens=300)
print(output[0]["generated_text"][-1]["content"])Usa ejemplos few-shot y divide las tareas en subtareas más pequeñas para mejorar los resultados.
Entrena con tus propios datos médicos, partiendo del notebook de fine-tuning de Google en GitHub.
Combina MedGemma con herramientas como la búsqueda web, generadores de datos FHIR u otros modelos de IA.
MedGemma no es de grado clínico tal cual viene. La ficha de modelo de Google indica que los desarrolladores deben validarlo y adaptarlo a su caso de uso concreto antes de confiar en él.
El uso de MedGemma se rige por los términos de uso de Health AI Developer Foundations, que aceptas antes de descargar los pesos.
Qué modelos de IA médica puedes descargar realmente, qué leen y sus puntuaciones publicadas en MedQA.
| Modelo | Desarrollador | ¿Descargable? | Entrada | MedQA |
|---|---|---|---|---|
| MedGemma 4B | Sí (aceptando los términos HAI-DEF) | Texto + imágenes | 64.4% | |
| MedGemma 1.5 4B | Sí (aceptando los términos HAI-DEF) | Texto + imágenes (incl. CT/MRI 3D) | 69.1% | |
| MedGemma 27B text | Sí (aceptando los términos HAI-DEF) | Texto | 87.7% | |
| MedGemma 27B multimodal | Sí (aceptando los términos HAI-DEF) | Texto + imágenes | 85.3% | |
| Med-PaLM 2 | No: los pesos nunca se publicaron | Texto | 86.5% | |
| LLaVA-Med v1.5 | Microsoft | Sí (solo para investigación) | Texto + imágenes | No publicado |
Las puntuaciones proceden del artículo o la ficha de modelo de cada uno, con configuraciones distintas (por ejemplo, Med-PaLM 2 usó prompting con refinamiento por ensamble y MedGemma 27B usó escalado en tiempo de prueba), así que tómalas como orientativas y no como una comparación directa. LLaVA-Med se evaluó en respuesta a preguntas sobre imágenes médicas (VQA-RAD, SLAKE, PathVQA), no en MedQA.
Fuentes: MedGemma 1.5 model card · MedGemma 1 model card · Med-PaLM 2 (arXiv 2305.09617) · LLaVA-Med (arXiv 2306.00890) · microsoft/llava-med-v1.5-mistral-7b
Los modelos descritos en esta página son herramientas de investigación para imagen clínica. Si lo que tienes es una foto cotidiana —una erupción, un lunar, una uña, una herida—, AI Doctor Scan la analiza y devuelve gratis un nivel de urgencia y un resumen en lenguaje sencillo en unos 30 segundos. No nombra ningún diagnóstico y no requiere cuenta.
Prueba AI Doctor Scan — gratisPreguntas habituales sobre MedGemma
MedGemma 4B es un modelo multimodal de 4000 millones de parámetros que lee imágenes médicas y texto. MedGemma 27B tiene dos versiones de 27 000 millones de parámetros: un modelo solo de texto entrenado exclusivamente con texto médico y un modelo multimodal que además maneja imágenes y datos de historias clínicas electrónicas. Los modelos 27B puntúan más alto en los benchmarks de texto médico (MedQA: 87,7 % para 27B solo texto frente a 64,4 % para 4B), mientras que 4B es mucho más barato de ejecutar. MedGemma 1.5 4B (enero de 2026) es un modelo 4B actualizado.
No. La ficha de modelo de Google indica que MedGemma no está pensado para usarse sin la validación, adaptación o modificación sustancial adecuadas para un caso de uso concreto, y que sus resultados no están destinados a fundamentar directamente el diagnóstico clínico, el manejo de pacientes ni las decisiones de tratamiento.
Los pesos de MedGemma están en Hugging Face (por ejemplo, google/medgemma-4b-it). Inicia sesión, acepta los términos de Health AI Developer Foundations en la página del modelo —el acceso se concede al instante— y carga el modelo con Transformers. También puedes desplegarlo desde Vertex AI Model Garden de Google Cloud.
El codificador de imágenes de MedGemma se preentrenó con radiografías de tórax, imágenes dermatológicas, imágenes oftalmológicas (de fondo de ojo) y preparaciones histopatológicas, todas anonimizadas. MedGemma 1.5 4B añade volúmenes 3D de CT y MRI, múltiples parches de imágenes de patología de preparaciones completas y la comparación de una radiografía de tórax con imágenes previas.
Google menciona la ingeniería de prompts (por ejemplo, ejemplos few-shot), el grounding (anclaje en fuentes), la orquestación agéntica con otras herramientas y el ajuste fino con tus propios datos. El repositorio oficial google-health/medgemma de GitHub incluye un notebook de fine-tuning.
Google lanzó MedGemma 4B y MedGemma 27B solo texto el 20 de mayo de 2025, en torno a Google I/O. MedGemma 27B multimodal y el codificador de imágenes MedSigLIP llegaron el 9 de julio de 2025, y MedGemma 1.5 4B el 13 de enero de 2026. El artículo revisado por pares sobre MedGemma se publicó en Nature Medicine el 6 de octubre de 2026.
En MedQA (estilo USMLE, 4 opciones), Google indica un 64,4 % para MedGemma 4B, un 69,1 % para MedGemma 1.5 4B, un 87,7 % para MedGemma 27B solo texto y un 85,3 % para MedGemma 27B multimodal (los resultados de 27B usan escalado en tiempo de prueba). Como referencia, el modelo base Gemma 3 4B obtiene un 50,7 %.
Sí. El repositorio google-health/medgemma de Google en GitHub ofrece un notebook de inicio rápido y otro de fine-tuning para Hugging Face, además de más notebooks de tutorial, por ejemplo para CT y patología de preparaciones completas con MedGemma 1.5.
Google indica que todos los modelos MedGemma pueden ejecutarse en una sola GPU y que MedGemma 4B incluso puede adaptarse para funcionar en hardware móvil. Los modelos 27B necesitan una GPU grande: las notas de inicio rápido de Google remiten a GPU de la clase de Colab Enterprise para ejecutarlos sin cuantización.
No, a fecha de octubre de 2026. La versión más reciente es MedGemma 1.5, que Google solo ofrece como modelo multimodal 4B ajustado por instrucciones. Los modelos 27B siguen siendo las versiones originales de MedGemma 1, de mayo y julio de 2025.
MedGemma se basa en Gemma 3, que admite más de 140 idiomas, así que puede leer y responder en muchos de ellos. Sin embargo, Google señala que sus evaluaciones de seguridad usaron principalmente prompts en inglés y que sus benchmarks médicos están mayoritariamente en inglés, por lo que conviene validar la calidad en tu propio idioma (por ejemplo, español o japonés) antes de confiar en él.
No. Med-Gemini (2024, 91,1 % en MedQA) y Med-PaLM 2 (2023, 86,5 % en MedQA) son modelos de investigación de Google cuyos pesos nunca se publicaron. MedGemma es la familia de modelos abiertos de Google que cualquiera puede descargar y ajustar.