Accès API
Guide d'Utilisation des APIs MedGemma et MedSigLIP
Commencez avec les modèles d'IA médicale de Google grâce à un accès API complet. Demandez des clés API et intégrez des capacités d'IA médicale avancées dans vos applications.
Demander l'Accès API
Commencez avec les APIs MedGemma et MedSigLIP
API MedGemma
Modèles d'IA médicale de texte et multimodaux avancés
Accédez aux puissantes capacités de MedGemma pour l'analyse de texte médical, la compréhension d'images et le support de décision clinique.
Caractéristiques Clés
- ✓Génération et analyse de texte médical
- ✓Traitement multimodal d'images et de texte médical
- ✓Réponses aux questions cliniques
- ✓Génération de rapports médicaux
- ✓Capacités de fine-tuning
Modèles Disponibles
MedGemma 4B Multimodal
Modèle léger pour les tâches d'images et de texte médical
4B paramètresMedGemma 27B Texte Seulement
Grand modèle de langage spécialisé en texte médical
27B paramètresMedGemma 27B Multimodal
Modèle multimodal avancé pour les tâches médicales complexes
27B paramètresAPI MedSigLIP
Encodeur image-texte médical pour classification et récupération
Exploitez l'architecture efficace à double tour de MedSigLIP pour la classification d'images médicales, l'inférence zéro-shot et la récupération sémantique.
Caractéristiques Clés
- ✓Classification d'images médicales zéro-shot
- ✓Récupération sémantique d'images
- ✓Embeddings d'images médicales
- ✓Classification efficace des données
- ✓Recherche de similarité cross-modale
Spécifications du Modèle
Options de Déploiement
Choisissez la meilleure méthode de déploiement pour vos besoins
Déploiement Local
Exécutez les modèles localement en utilisant les transformers Hugging Face
Pros:
- +Contrôle total
- +Pas de limites API
- +Confidentialité des données
Cons:
- -Nécessite des ressources GPU
- -Complexité de configuration
Déploiement Vertex AI
Déployez comme endpoints API REST sur Google Cloud
Pros:
- +Évolutif
- +Infrastructure gérée
- +Prêt pour la production
Cons:
- -Coûts d'usage
- -Dépendance cloud
Traitement par Lots
Traitez de grands ensembles de données avec les jobs par lots Vertex AI
Pros:
- +Rentable
- +Traitement à grande échelle
Cons:
- -Pas en temps réel
- -Planification par lots
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}")Ressources Officielles
Documentation complète et exemples