API アクセス
MedGemma & MedSigLIP API 使用ガイド
包括的な API アクセスを通じて Google の医療 AI モデルを開始しましょう。API キーを申請し、高度な医療 AI 機能をアプリケーションに統合します。
API アクセスを申請
MedGemma と MedSigLIP API を開始
MedGemma API
高度な医療テキストおよびマルチモーダル AI モデル
医療テキスト分析、画像理解、臨床意思決定支援のための MedGemma の強力な機能にアクセスします。
主要機能
- ✓医療テキストの生成と分析
- ✓マルチモーダル医療画像とテキスト処理
- ✓臨床質問応答
- ✓医療レポート生成
- ✓ファインチューニング機能
利用可能なモデル
MedGemma 4B マルチモーダル
医療画像とテキストタスク用の軽量モデル
40億パラメータMedGemma 27B テキストのみ
医療テキストに特化した大規模言語モデル
270億パラメータMedGemma 27B マルチモーダル
複雑な医療タスク用の高度なマルチモーダルモデル
270億パラメータMedSigLIP API
分類と検索のための医療画像テキストエンコーダー
医療画像分類、ゼロショット推論、セマンティック検索のための MedSigLIP の効率的なデュアルタワーアーキテクチャを活用します。
主要機能
- ✓ゼロショット医療画像分類
- ✓セマンティック画像検索
- ✓医療画像埋め込み
- ✓データ効率的分類
- ✓クロスモーダル類似性検索
モデル仕様
パラメータ：4億パラメータ
画像サイズ：448×448ピクセル
テキスト長：最大64トークン
アーキテクチャ：デュアルタワーエンコーダー（ビジョン + テキスト）
デプロイメントオプション
ニーズに最適なデプロイメント方法を選択
ローカルデプロイメント
Hugging Face transformers を使用してローカルでモデルを実行
Pros:
- +完全制御
- +API制限なし
- +データプライバシー
Cons:
- -GPUリソースが必要
- -セットアップの複雑さ
Best for: 開発とテスト
Vertex AI デプロイメント
Google Cloud で REST API エンドポイントとしてデプロイ
Pros:
- +スケーラブル
- +管理されたインフラ
- +本番対応
Cons:
- -使用コスト
- -クラウド依存
Best for: 本番アプリケーション
バッチ処理
Vertex AI バッチジョブで大規模データセットを処理
Pros:
- +コスト効率
- +大規模処理
Cons:
- -リアルタイムでない
- -バッチスケジューリング
Best for: 大量データ処理
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}")公式リソース
完全なドキュメントと例