Acesso à API
Guia de Uso das APIs MedGemma e MedSigLIP
Comece com os modelos de IA médica do Google através de acesso abrangente à API. Solicite chaves de API e integre capacidades avançadas de IA médica em suas aplicações.
Solicitar Acesso à API
Comece com as APIs MedGemma e MedSigLIP
API MedGemma
Modelos avançados de IA médica de texto e multimodal
Acesse as poderosas capacidades do MedGemma para análise de texto médico, compreensão de imagens e suporte à decisão clínica.
Características Principais
- ✓Geração e análise de texto médico
- ✓Processamento multimodal de imagens e texto médico
- ✓Respostas a perguntas clínicas
- ✓Geração de relatórios médicos
- ✓Capacidades de ajuste fino
Modelos Disponíveis
MedGemma 4B Multimodal
Modelo leve para tarefas de imagens e texto médico
4B parâmetrosMedGemma 27B Apenas Texto
Modelo de linguagem grande especializado em texto médico
27B parâmetrosMedGemma 27B Multimodal
Modelo multimodal avançado para tarefas médicas complexas
27B parâmetrosAPI MedSigLIP
Codificador de imagem-texto médico para classificação e recuperação
Aproveite a arquitetura eficiente de torre dupla do MedSigLIP para classificação de imagens médicas, inferência zero-shot e recuperação semântica.
Características Principais
- ✓Classificação de imagens médicas zero-shot
- ✓Recuperação semântica de imagens
- ✓Embeddings de imagens médicas
- ✓Classificação eficiente de dados
- ✓Busca de similaridade cross-modal
Especificações do Modelo
Opções de Implantação
Escolha o melhor método de implantação para suas necessidades
Implantação Local
Execute modelos localmente usando transformers do Hugging Face
Pros:
- +Controle total
- +Sem limites de API
- +Privacidade de dados
Cons:
- -Requer recursos GPU
- -Complexidade de configuração
Implantação Vertex AI
Implante como endpoints de API REST no Google Cloud
Pros:
- +Escalável
- +Infraestrutura gerenciada
- +Pronto para produção
Cons:
- -Custos de uso
- -Dependência da nuvem
Processamento em Lote
Processe grandes conjuntos de dados com jobs em lote do Vertex AI
Pros:
- +Custo-efetivo
- +Processamento em larga escala
Cons:
- -Não em tempo real
- -Agendamento em lote
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}")Recursos Oficiais
Documentação completa e exemplos