Plan Pro : -30 %En profiter

MedGemma

Modèles d'IA avancés pour l'analyse de textes et d'images médicales

Propulsé par la Plateforme Dr7.ai Medical AI

MedGemma est la famille de modèles d'IA médicale de Google aux poids ouverts, fondée sur Gemma 3. Découvrez les versions, les résultats et les téléchargements, ou essayez gratuitement la démo interactive MedGemma ci-dessous.

🧠
5
modèles MedGemma ouverts
4B
Multimodal (image + texte)
27B
Texte seul ou multimodal
Dernière version: MedGemma 1.5 4B · janv. 2026

Essayez la Démo Interactive MedGemma

Découvrez la puissance du modèle MedGemma 4B IT pour l'analyse avancée de texte et d'images médicales

API Dr7.ai

Utilisez l'assistant médical propre à Dr7 via une API compatible avec OpenAI, sans gérer de GPU ni de déploiement.

Voir l'API

Vous voulez des fonctionnalités de diagnostic médical IA plus puissantes ?

Passez à la version Pro pour débloquer des modèles d'IA avancés, des conversations illimitées, l'analyse professionnelle d'images médicales et des fonctionnalités plus puissantes

10+
Modèles d'IA au choix
24/7
Support 24/7
∞
Conversations illimitées

Qu'est-ce que MedGemma ?

MedGemma est une famille de modèles d'IA ouverts de Google, basée sur Gemma 3 et entraînée pour comprendre les textes et les images médicales. Google a publié les premiers modèles MedGemma le 20 mai 2025 ; la version la plus récente est MedGemma 1.5 4B (13 janvier 2026).

Basé sur la puissante architecture Gemma 3, MedGemma a été optimisé pour les applications de santé, fournissant aux développeurs des outils robustes pour créer des solutions médicales innovantes avec MedGemma.

Dans le cadre des Health AI Developer Foundations, MedGemma vise à démocratiser l'accès à la technologie d'IA médicale avancée, permettant aux chercheurs et développeurs du monde entier de créer des applications de santé plus efficaces avec MedGemma. Vous le verrez peut-être aussi écrit Med Gemma, Med-Gemma, MedGamma, Medgema ou Google MedGemma — il s'agit toujours de la même famille de modèles, à ne pas confondre avec Med-Gemini, un modèle de recherche distinct de Google qui n'a pas été rendu public.

Dernière version
MedGemma 1.5 4B
janv. 2026

Ajoute les volumes 3D de CT et de MRI (IRM), la pathologie sur lames entières (whole-slide), la comparaison avec des radiographies thoraciques antérieures, la localisation anatomique et l'extraction de données de comptes rendus de laboratoire.

MedGemma 1.5 4B en détail

Vérifié en octobre 2026 : il n'existe ni MedGemma 2 ni MedGemma 1.5 27B — MedGemma 1.5 n'existe qu'en version 4B.

Versions et modèles MedGemma

Tous les checkpoints MedGemma officiels publiés par Google, ainsi que l'encodeur d'images associé MedSigLIP.

MedGemma 1.5 4BRécent
Paramètres
4B
Entrée
Texte + images, dont CT/MRI 3D et lames entières
Sortie
janv. 2026
Dépôt Hugging Face
google/medgemma-1.5-4b-it
Licence
Conditions HAI-DEF

Modèle 4B mis à jour ; disponible uniquement en 4B ajusté aux instructions.

Détails: MedGemma 1.5 4B
MedGemma 4B-it
Paramètres
4B
Entrée
Texte + images
Sortie
mai 2025
Dépôt Hugging Face
google/medgemma-4b-it
Licence
Conditions HAI-DEF

Ajusté aux instructions — le point de départ recommandé.

MedGemma 4B-pt
Paramètres
4B
Entrée
Texte + images
Sortie
mai 2025
Dépôt Hugging Face
google/medgemma-4b-pt
Licence
Conditions HAI-DEF

Modèle de base pré-entraîné pour une expérimentation plus poussée.

MedGemma 27B text-it
Paramètres
27B
Entrée
Texte seul
Sortie
mai 2025
Dépôt Hugging Face
google/medgemma-27b-text-it
Licence
Conditions HAI-DEF

Entraîné uniquement sur du texte médical ; meilleurs scores aux benchmarks textuels.

MedGemma 27B multimodal
Paramètres
27B
Entrée
Texte + images + données DSE (EHR)
Sortie
juil. 2025
Dépôt Hugging Face
google/medgemma-27b-it
Licence
Conditions HAI-DEF

Un seul modèle 27B pour le texte, les dossiers médicaux et les images.

MedSigLIPAssocié
Paramètres
400M + 400M
Entrée
Embeddings d'images et de texte (448×448)
Sortie
juil. 2025
Dépôt Hugging Face
google/medsiglip-448
Licence
Conditions HAI-DEF

Pas un modèle de chat : l'encodeur d'images médicales sur lequel repose MedGemma, pour la classification et la recherche d'images.

Détails: MedSigLIP

Sources : 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

Fonctionnalités

Ce que MedGemma sait faire, d'après les fiches de modèle (model cards) de Google

Variantes du modèle MedGemma

🖼️

Modèles multimodaux (4B, 27B, 1.5 4B)

Lisent à la fois des images médicales et du texte. Ils utilisent un encodeur d'images SigLIP pré-entraîné sur des données médicales anonymisées : radiographies thoraciques, images de dermatologie, d'ophtalmologie et d'histopathologie.

📄

Modèle texte seul (27B)

Entraîné exclusivement sur du texte médical et optimisé pour le raisonnement médical ; il obtient donc des scores légèrement supérieurs au modèle 27B multimodal sur les benchmarks textuels.

Capacités clés

  • ✓Classification d'images médicales (radiologie, pathologie, dermatologie, ophtalmologie)
  • ✓Interprétation d'images médicales et rédaction de projets de compte rendu
  • ✓Réponse aux questions médicales et raisonnement clinique
  • ✓Interprétation de CT/MRI 3D et de lames entières en pathologie (MedGemma 1.5)
  • ✓Extraction de données structurées à partir de comptes rendus de laboratoire et de textes de DSE (EHR) (MedGemma 1.5)

Résultats de MedGemma aux benchmarks

Exactitude (%) ou F1 macro, selon les fiches de modèle officielles de Google. Les résultats 27B utilisent le test-time scaling (calcul supplémentaire à l'inférence).

BenchmarkMedGemma 4BMedGemma 1.5 4BMedGemma 27B textMedGemma 27B multimodal
MedQA (4 options)64,469,187,785,3
MedMCQA55,759,874,270,2
PubMedQA73,468,276,877,2
MMLU médical70,069,687,086,2
MIMIC-CXR (F1 macro, 5 pathologies principales)88,989,5—90,0
EyePACS (fond d'œil)64,976,8—75,3

Sources : MedGemma 1.5 model card · MedGemma 1 model card

Cas d'usage de MedGemma

🏥

Développement d'applications de santé

Créez des applications d'IA qui analysent des images médicales, rédigent des comptes rendus et aident au triage des patients.

🔬

Recherche en IA médicale

Accélérez vos recherches grâce à un accès ouvert à une IA avancée via Hugging Face et Google Cloud.

👨‍⚕️

Prototypes d'aide clinique

Prototypez des outils d'aide à la décision, de synthèse et de revue de dossiers, puis validez-les avant toute utilisation clinique.

Comment utiliser MedGemma

Exécutez MedGemma vous-même avec Hugging Face ou Vertex AI, ou essayez en ligne le chat d'IA médicale de Dr7. Vous cherchez l'API Dr7 ? Elle se trouve juste sous la démo.

1

Chat d'IA médicale de Dr7.ai

Posez une question à l'assistant médical propre à Dr7 ou importez une radiographie, une coupe de scanner ou une photo de peau. Connectez-vous pour commencer.

Ouvrir la démo
2

Télécharger sur Hugging Face

Connectez-vous à Hugging Face, ouvrez la page du modèle et acceptez les conditions de Health AI Developer Foundations (l'accès est accordé immédiatement). Chargez-le ensuite avec Transformers 4.50 ou une version ultérieure. Selon Google, chaque modèle MedGemma peut tourner sur un seul GPU ; les modèles 27B nécessitent un GPU puissant, sauf si vous les quantifiez.

MedGemma sur Hugging Face
3

Google Cloud Vertex AI

Déployez MedGemma comme endpoint géré depuis Vertex AI Model Garden dans votre propre projet Google Cloud — la voie recommandée par Google pour la production à grande échelle. Facturé par Google Cloud.

Vertex AI Model Garden

Démarrage rapide avec Hugging Face Transformers (d'après la fiche de modèle de Google)

# 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"])

Adapter MedGemma à votre tâche

Prompt engineering

Utilisez des exemples few-shot et découpez les tâches en sous-tâches plus petites pour améliorer les résultats.

Fine-tuning

Entraînez le modèle sur vos propres données médicales, en partant du notebook de fine-tuning de Google sur GitHub.

Orchestration agentique

Combinez MedGemma avec des outils comme la recherche web, des générateurs de données FHIR ou d'autres modèles d'IA.

Avant de vous lancer

Validation requise

MedGemma n'est pas de qualité clinique tel quel. La fiche de modèle de Google précise que les développeurs doivent le valider et l'adapter à leur cas d'usage spécifique avant de s'y fier.

Conditions d'utilisation

L'utilisation de MedGemma est régie par les conditions d'utilisation de Health AI Developer Foundations, que vous acceptez avant de télécharger les poids.

MedGemma vs Med-PaLM 2 vs LLaVA-Med

Quels modèles d'IA médicale pouvez-vous réellement télécharger, ce qu'ils lisent et leurs scores MedQA publiés.

MedGemma 4BGoogle
Téléchargeable ?
Oui (conditions HAI-DEF à accepter)
Entrée
Texte + images
MedQA
64.4%
MedGemma 1.5 4BGoogle
Téléchargeable ?
Oui (conditions HAI-DEF à accepter)
Entrée
Texte + images (dont CT/MRI 3D)
MedQA
69.1%
Plus: MedGemma 1.5 4B
MedGemma 27B textGoogle
Téléchargeable ?
Oui (conditions HAI-DEF à accepter)
Entrée
Texte
MedQA
87.7%
MedGemma 27B multimodalGoogle
Téléchargeable ?
Oui (conditions HAI-DEF à accepter)
Entrée
Texte + images
MedQA
85.3%
Med-PaLM 2Google
Téléchargeable ?
Non — poids jamais publiés
Entrée
Texte
MedQA
86.5%
Plus: Med-PaLM 2
LLaVA-Med v1.5Microsoft
Téléchargeable ?
Oui (recherche uniquement)
Entrée
Texte + images
MedQA
Non communiqué
Plus: LLaVA-Med v1.5

Les scores proviennent de l'article ou de la fiche de modèle de chacun, avec des réglages différents (par exemple, Med-PaLM 2 a utilisé un prompting par affinement d'ensemble et MedGemma 27B le test-time scaling) : considérez-les comme indicatifs plutôt que comme une comparaison directe. LLaVA-Med a été évalué en questions-réponses sur images médicales (VQA-RAD, SLAKE, PathVQA), et non sur MedQA.

Sources : 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

Vous avez la photo d'un symptôme visible ?

Les modèles décrits sur cette page sont des outils de recherche destinés à l'imagerie clinique. Si ce que vous avez est une photo du quotidien — une éruption, un grain de beauté, un ongle, une plaie —, AI Doctor Scan l'analyse et renvoie gratuitement un niveau d'urgence et un résumé en langage clair en une trentaine de secondes. Il ne nomme aucun diagnostic et ne demande aucun compte.

Essayer AI Doctor Scan — gratuit

FAQ

Questions fréquentes sur MedGemma

Quelles sont les différences entre MedGemma 4B et MedGemma 27B ?

MedGemma 4B est un modèle multimodal de 4 milliards de paramètres qui lit des images médicales et du texte. MedGemma 27B existe en deux versions de 27 milliards de paramètres : un modèle texte seul entraîné exclusivement sur du texte médical, et un modèle multimodal qui traite aussi les images et les données de dossiers de santé électroniques. Les modèles 27B obtiennent de meilleurs scores aux benchmarks de texte médical (MedQA : 87,7 % pour le 27B texte seul contre 64,4 % pour le 4B), tandis que le 4B est bien moins coûteux à exécuter. MedGemma 1.5 4B (janvier 2026) est un modèle 4B mis à jour.

MedGemma est-il prêt pour un usage clinique tel quel ?

Non. La fiche de modèle de Google indique que MedGemma n'est pas destiné à être utilisé sans validation, adaptation ou modification substantielle appropriées pour un cas d'usage spécifique, et que ses résultats ne sont pas destinés à éclairer directement le diagnostic clinique, la prise en charge des patients ou les décisions thérapeutiques.

Comment télécharger MedGemma ou y accéder ?

Les poids de MedGemma sont sur Hugging Face (par exemple google/medgemma-4b-it). Connectez-vous, acceptez les conditions de Health AI Developer Foundations sur la page du modèle — l'accès est accordé immédiatement — puis chargez le modèle avec Transformers. Vous pouvez aussi le déployer depuis Vertex AI Model Garden de Google Cloud.

Quels types d'images médicales MedGemma peut-il traiter ?

L'encodeur d'images de MedGemma a été pré-entraîné sur des radiographies thoraciques, des images de dermatologie, des images d'ophtalmologie (fond d'œil) et des lames d'histopathologie, toutes anonymisées. MedGemma 1.5 4B ajoute les volumes 3D de CT et de MRI, plusieurs patchs issus d'images de lames entières en pathologie, et la comparaison d'une radiographie thoracique avec des images antérieures.

Comment améliorer les performances de MedGemma sur une tâche précise ?

Google cite le prompt engineering (par exemple des exemples few-shot), l'ancrage sur des sources (grounding), l'orchestration agentique avec d'autres outils et le fine-tuning sur vos propres données. Le dépôt GitHub officiel google-health/medgemma comprend un notebook de fine-tuning.

Quand MedGemma est-il sorti ?

Google a publié MedGemma 4B et MedGemma 27B texte seul le 20 mai 2025, autour de Google I/O. MedGemma 27B multimodal et l'encodeur d'images MedSigLIP ont suivi le 9 juillet 2025, puis MedGemma 1.5 4B le 13 janvier 2026. L'article évalué par les pairs consacré à MedGemma est paru dans Nature Medicine le 6 octobre 2026.

Quels scores MedGemma obtient-il aux benchmarks médicaux ?

Sur MedQA (style USMLE, 4 options), Google rapporte 64,4 % pour MedGemma 4B, 69,1 % pour MedGemma 1.5 4B, 87,7 % pour MedGemma 27B texte seul et 85,3 % pour MedGemma 27B multimodal (les résultats 27B utilisent le test-time scaling). À titre de comparaison, le modèle de base Gemma 3 4B obtient 50,7 %.

Existe-t-il des ressources pour le fine-tuning de MedGemma ?

Oui. Le dépôt GitHub google-health/medgemma de Google propose un notebook de démarrage rapide et un notebook de fine-tuning pour Hugging Face, ainsi que d'autres notebooks tutoriels, par exemple pour le CT et la pathologie sur lames entières avec MedGemma 1.5.

De quel matériel ai-je besoin pour exécuter MedGemma ?

Selon Google, tous les modèles MedGemma peuvent tourner sur un seul GPU, et MedGemma 4B peut même être adapté pour fonctionner sur du matériel mobile. Les modèles 27B nécessitent un GPU puissant — les notes de démarrage rapide de Google renvoient à des GPU de classe Colab Enterprise pour les exécuter sans quantification.

Existe-t-il un MedGemma 2 ou un MedGemma 1.5 27B ?

Pas en octobre 2026. La version la plus récente est MedGemma 1.5, que Google propose uniquement sous forme de modèle multimodal 4B ajusté aux instructions (instruction-tuned). Les modèles 27B restent les versions MedGemma 1 d'origine, de mai et juillet 2025.

MedGemma fonctionne-t-il dans d'autres langues que l'anglais ?

MedGemma est basé sur Gemma 3, qui prend en charge plus de 140 langues : il peut donc lire et répondre dans de nombreuses langues. Toutefois, Google précise que ses évaluations de sécurité ont principalement utilisé des prompts en anglais et que ses benchmarks médicaux sont surtout en anglais ; validez donc la qualité dans votre propre langue (par exemple le français ou le japonais) avant de vous y fier.

MedGemma est-il la même chose que Med-Gemini ou Med-PaLM 2 ?

Non. Med-Gemini (2024, 91,1 % sur MedQA) et Med-PaLM 2 (2023, 86,5 % sur MedQA) sont des modèles de recherche de Google dont les poids n'ont jamais été publiés. MedGemma est la famille de modèles ouverts de Google que chacun peut télécharger et affiner.