Alimentato dalla Piattaforma Dr7.ai Medical AI
MedGemma è la famiglia di modelli di IA medica di Google con pesi aperti, basata su Gemma 3. Scopri versioni, risultati e download oppure prova gratis la demo interattiva di MedGemma qui sotto.
Sperimenta la potenza del modello MedGemma 4B IT per l'analisi avanzata di testo e immagini mediche
Sperimenta l'Assistente Medico IA
Usa l'assistente medico di IA proprio di Dr7 tramite un'API compatibile con OpenAI, senza gestire GPU o distribuzione.
Passa alla versione Pro per sbloccare modelli AI avanzati, conversazioni illimitate, analisi professionale delle immagini mediche e funzionalità più potenti
MedGemma è una famiglia di modelli di IA open sviluppata da Google, basata su Gemma 3 e addestrata a comprendere testi e immagini mediche. Google ha rilasciato i primi modelli MedGemma il 20 maggio 2025; la versione più recente è MedGemma 1.5 4B (13 gennaio 2026).
Basato sulla potente architettura Gemma 3, MedGemma è ottimizzato per le applicazioni sanitarie e offre agli sviluppatori strumenti solidi per creare soluzioni mediche innovative.
Come parte di Health AI Developer Foundations, MedGemma punta a democratizzare l'accesso all'IA medica avanzata, permettendo a ricercatori e sviluppatori di tutto il mondo di creare applicazioni sanitarie più efficaci. Potresti trovarlo scritto anche come Med Gemma, Med-Gemma, MedGamma, Medgema o Google MedGemma: si tratta sempre della stessa famiglia di modelli, da non confondere con Med-Gemini, un modello di ricerca di Google distinto e mai reso pubblico.
Aggiunge volumi 3D di TC e MRI, patologia su vetrino intero (whole-slide), confronto con radiografie del torace precedenti, localizzazione anatomica ed estrazione di dati dai referti di laboratorio.
MedGemma 1.5 4B nel dettaglioVerificato a ottobre 2026: non esistono né MedGemma 2 né MedGemma 1.5 27B – MedGemma 1.5 esiste solo come modello 4B.
Tutti i checkpoint ufficiali di MedGemma pubblicati da Google, più il relativo encoder di immagini MedSigLIP.
Modello 4B aggiornato; disponibile solo come 4B instruction-tuned.
Dettagli: MedGemma 1.5 4BInstruction-tuned: il punto di partenza consigliato.
Modello base pre-addestrato per sperimentazioni più approfondite.
Addestrato solo su testi medici; i punteggi più alti nei benchmark testuali.
Un unico modello 27B per testi, cartelle cliniche e immagini.
Non è un modello di chat: è l'encoder di immagini mediche alla base di MedGemma, per classificazione e ricerca di immagini.
Dettagli: MedSigLIP| Modello | Parametri | Input | Rilascio | Repo Hugging Face | Licenza |
|---|---|---|---|---|---|
MedGemma 1.5 4BUltimo Modello 4B aggiornato; disponibile solo come 4B instruction-tuned. | 4B | Testo + immagini, incl. TC/MRI 3D e patologia su vetrino intero | gen 2026 | google/medgemma-1.5-4b-it | Termini HAI-DEF |
MedGemma 4B-it Instruction-tuned: il punto di partenza consigliato. | 4B | Testo + immagini | mag 2025 | google/medgemma-4b-it | Termini HAI-DEF |
MedGemma 4B-pt Modello base pre-addestrato per sperimentazioni più approfondite. | 4B | Testo + immagini | mag 2025 | google/medgemma-4b-pt | Termini HAI-DEF |
MedGemma 27B text-it Addestrato solo su testi medici; i punteggi più alti nei benchmark testuali. | 27B | Solo testo | mag 2025 | google/medgemma-27b-text-it | Termini HAI-DEF |
MedGemma 27B multimodal Un unico modello 27B per testi, cartelle cliniche e immagini. | 27B | Testo + immagini + dati EHR | lug 2025 | google/medgemma-27b-it | Termini HAI-DEF |
MedSigLIPCorrelato Non è un modello di chat: è l'encoder di immagini mediche alla base di MedGemma, per classificazione e ricerca di immagini. | 400M + 400M | Embedding di immagini e testo (448×448) | lug 2025 | google/medsiglip-448 | Termini HAI-DEF |
Fonti: 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
Cosa sa fare MedGemma secondo le model card di Google
Leggono insieme immagini e testi medici. Utilizzano un encoder di immagini SigLIP pre-addestrato su dati medici anonimizzati: radiografie del torace e immagini di dermatologia, oftalmologia e istopatologia.
Addestrato esclusivamente su testi medici e ottimizzato per il ragionamento medico, ottiene punteggi leggermente superiori al modello 27B multimodale nei benchmark testuali.
Accuratezza (%) o macro F1 come riportato nelle model card ufficiali di Google. I risultati dei 27B usano il test-time scaling.
| Benchmark | MedGemma 4B | MedGemma 1.5 4B | MedGemma 27B text | MedGemma 27B multimodal |
|---|---|---|---|---|
| MedQA (4 opzioni) | 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 medicina | 70,0 | 69,6 | 87,0 | 86,2 |
| MIMIC-CXR (macro F1, prime 5 patologie) | 88,9 | 89,5 | — | 90,0 |
| EyePACS fondo oculare | 64,9 | 76,8 | — | 75,3 |
Crea applicazioni di IA che analizzano immagini mediche, generano referti e supportano il triage dei pazienti.
Accelera la ricerca con l'accesso aperto a un'IA avanzata tramite Hugging Face e Google Cloud.
Realizza prototipi di strumenti per il supporto decisionale, la sintesi e la revisione delle cartelle, e validali prima di qualsiasi uso clinico.
Esegui MedGemma in autonomia con Hugging Face o Vertex AI oppure prova online la chat di IA medica di Dr7. Cerchi l'API di Dr7? La trovi subito sotto la demo.
Fai una domanda all'assistente medico di IA proprio di Dr7 o carica una radiografia, una sezione TC o una foto della pelle. Accedi per iniziare.
Apri la demoAccedi a Hugging Face, apri la pagina del modello e accetta i termini delle Health AI Developer Foundations (l'accesso viene concesso subito). Poi caricalo con Transformers 4.50 o versioni successive. Secondo Google ogni modello MedGemma può girare su una singola GPU; i modelli 27B richiedono però una GPU di grandi dimensioni, a meno di quantizzarli.
MedGemma su Hugging FaceDistribuisci MedGemma come endpoint gestito dal Vertex AI Model Garden nel tuo progetto Google Cloud: il percorso consigliato da Google per la produzione su larga scala. La fatturazione è a cura di 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 esempi few-shot e suddividi i compiti in sotto-attività più piccole per migliorare i risultati.
Addestra il modello sui tuoi dati medici partendo dal notebook di fine-tuning di Google su GitHub.
Combina MedGemma con strumenti come la ricerca web, generatori di dati FHIR o altri modelli di IA.
MedGemma non è di livello clinico così com'è. La model card di Google afferma che gli sviluppatori devono validarlo e adattarlo al proprio caso d'uso specifico prima di farvi affidamento.
L'uso di MedGemma è regolato dai termini di utilizzo delle Health AI Developer Foundations, che accetti prima di scaricare i pesi.
Quali modelli di IA medica puoi davvero scaricare, cosa leggono e i loro punteggi MedQA pubblicati.
| Modello | Sviluppatore | Scaricabile? | Input | MedQA |
|---|---|---|---|---|
| MedGemma 4B | Sì (previa accettazione dei termini HAI-DEF) | Testo + immagini | 64.4% | |
| MedGemma 1.5 4B | Sì (previa accettazione dei termini HAI-DEF) | Testo + immagini (incl. TC/MRI 3D) | 69.1% | |
| MedGemma 27B text | Sì (previa accettazione dei termini HAI-DEF) | Testo | 87.7% | |
| MedGemma 27B multimodal | Sì (previa accettazione dei termini HAI-DEF) | Testo + immagini | 85.3% | |
| Med-PaLM 2 | No – pesi mai rilasciati | Testo | 86.5% | |
| LLaVA-Med v1.5 | Microsoft | Sì (solo per ricerca) | Testo + immagini | Non riportato |
I punteggi provengono dall'articolo o dalla model card di ciascun modello, ottenuti in condizioni diverse (ad esempio Med-PaLM 2 ha usato il prompting con ensemble refinement e MedGemma 27B il test-time scaling): vanno quindi considerati indicativi e non un confronto diretto. LLaVA-Med è stato valutato sulla risposta a domande su immagini mediche (VQA-RAD, SLAKE, PathVQA), non su MedQA.
Fonti: 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
Domande frequenti su MedGemma
MedGemma 4B è un modello multimodale da 4 miliardi di parametri che legge immagini e testi medici. MedGemma 27B è disponibile in due versioni da 27 miliardi di parametri: un modello solo testo addestrato esclusivamente su testi medici e un modello multimodale che gestisce anche immagini e dati delle cartelle cliniche elettroniche. I modelli 27B ottengono punteggi più alti nei benchmark testuali medici (MedQA 87,7% per il 27B solo testo contro 64,4% per il 4B), mentre il 4B è molto più economico da eseguire. MedGemma 1.5 4B (gennaio 2026) è un modello 4B aggiornato.
No. La model card di Google afferma che MedGemma non è destinato a essere usato senza un'adeguata validazione, un adattamento o una modifica sostanziale per un caso d'uso specifico, e che i suoi output non sono destinati a orientare direttamente diagnosi cliniche, gestione dei pazienti o decisioni terapeutiche.
I pesi di MedGemma sono su Hugging Face (ad esempio google/medgemma-4b-it). Accedi, accetta i termini delle Health AI Developer Foundations nella pagina del modello – l'accesso viene concesso subito – e carica il modello con Transformers. Puoi anche distribuirlo dal Vertex AI Model Garden di Google Cloud.
L'encoder di immagini di MedGemma è stato pre-addestrato su radiografie del torace, immagini dermatologiche, immagini oftalmologiche (fondo oculare) e vetrini istopatologici, tutti anonimizzati. MedGemma 1.5 4B aggiunge volumi 3D di TC e MRI, più porzioni (patch) di immagini di patologia su vetrino intero e il confronto di una radiografia del torace con immagini precedenti.
Google indica il prompt engineering (ad esempio esempi few-shot), il grounding, l'orchestrazione agentica con altri strumenti e il fine-tuning sui propri dati. Il repository GitHub ufficiale google-health/medgemma include un notebook di fine-tuning.
Google ha rilasciato MedGemma 4B e MedGemma 27B solo testo il 20 maggio 2025, in occasione del Google I/O. MedGemma 27B multimodale e l'encoder di immagini MedSigLIP sono seguiti il 9 luglio 2025, e MedGemma 1.5 4B il 13 gennaio 2026. L'articolo scientifico su MedGemma, sottoposto a revisione paritaria, è stato pubblicato su Nature Medicine il 6 ottobre 2026.
Su MedQA (stile USMLE, 4 opzioni) Google riporta il 64,4% per MedGemma 4B, il 69,1% per MedGemma 1.5 4B, l'87,7% per MedGemma 27B solo testo e l'85,3% per MedGemma 27B multimodale (i risultati dei 27B usano il test-time scaling). Per confronto, il modello base Gemma 3 4B ottiene il 50,7%.
Sì. Il repository GitHub google-health/medgemma di Google offre un notebook di avvio rapido e un notebook di fine-tuning per Hugging Face, oltre ad altri notebook di tutorial, ad esempio su TC e patologia su vetrino intero con MedGemma 1.5.
Secondo Google tutti i modelli MedGemma possono girare su una singola GPU, e MedGemma 4B può persino essere adattato per funzionare su hardware mobile. I modelli 27B richiedono una GPU di grandi dimensioni: le note di avvio rapido di Google indicano GPU di classe Colab Enterprise per eseguirli senza quantizzazione.
No, non a ottobre 2026. La versione più recente è MedGemma 1.5, che Google offre solo come modello 4B multimodale ottimizzato per le istruzioni (instruction-tuned). I modelli 27B sono ancora le versioni originali di MedGemma 1 di maggio e luglio 2025.
MedGemma si basa su Gemma 3, che supporta oltre 140 lingue, quindi può leggere e rispondere in molte lingue. Google segnala però che le sue valutazioni di sicurezza hanno usato principalmente prompt in inglese e che i benchmark medici sono per lo più in inglese: conviene quindi verificare la qualità nella propria lingua (ad esempio l'italiano) prima di farvi affidamento.
No. Med-Gemini (2024, 91,1% su MedQA) e Med-PaLM 2 (2023, 86,5% su MedQA) sono modelli di ricerca di Google i cui pesi non sono mai stati rilasciati. MedGemma è la famiglia di modelli open di Google che chiunque può scaricare e sottoporre a fine-tuning.