1. 概要
MedGemmaはGemma 3をベースに、医療テキストと医療画像の理解に特化して学習されたモデル群であり、医療AIアプリケーション開発を加速させることを目的としている。MedGemma 1.5 4Bは、MedGemma 1 4Bの更新版で、現時点では4Bのマルチモーダル(画像+テキスト)指示チューニング版のみが提供されている(27B版のような1.5系列の他サイズは無い)。
■ 開発元:
Google
■ リリース日:
2026年1月13日(1.5.0)
■ ライセンス:
Health AI Developer Foundations (HAI-DEF) 利用規約に準拠。Hugging Faceでは規約同意が必要な「gated」リポジトリ。
■ 論文:
Sellergren et al., "MedGemma 1.5 Technical Report", arXiv:2604.05081 (2026)
2. MedGemma 1(旧版)からの主な拡張点
MedGemma 1.5 4Bは以下の新しい医療画像・データ処理用途に対応を拡張している:
■ 高次元医療画像: CT・MRIの3次元ボリューム表現の解釈
■ 全視野病理画像(WSI): 病理全視野画像の複数パッチを同時入力として解釈
■ 経時的画像診断: 過去画像との比較を含む胸部X線の解釈(縦断的画像)
■ 解剖学的位置特定: 胸部X線における所見のバウンディングボックスによる位置特定
■ 医療文書理解: 非構造化の検査報告書からの値・単位などの構造化データ抽出
■ EHR(電子カルテ)理解: テキストベースの電子カルテデータの解釈
加えて、医療テキスト推論の精度向上と、標準的な2D画像解釈でも小幅な改善が見られるとのことです。
3. アーキテクチャ・技術仕様
| 項目 | 内容 |
|---|---|
| ベースアーキテクチャ | Gemma 3と同じデコーダのみのTransformer |
| 画像エンコーダ | 医療画像(胸部X線、皮膚科、眼科、病理画像等)で事前学習されたSigLIPベースのエンコーダ |
| Attention | Grouped-query attention (GQA) |
| コンテキスト長 | 最低128Kトークン |
| 入力 | テキスト文字列、画像(896×896に正規化し256トークンにエンコード)、合計128Kトークンまで |
| 出力 | テキストのみ、最大8192トークン |
| 学習フレームワーク | JAX |
| パラメータ数 | 4Bパラメータ(BF16) |
4. 想定用途・非対応事項(重要)
- MedGemmaは開発者が下流の医療アプリを効率的に開発するための出発点として意図されたオープンなマルチモーダル生成AIモデルであり、開発者自身がタスクに合わせて訓練・適応・改変を行うことが前提。
- 出力は臨床診断や患者管理判断、治療推奨などに直接使うことを意図しておらず、すべての出力は予備的なものとして扱い、独立した検証や臨床的な相関確認が必要。
- マルチターン(複数ターンの対話)用途については評価・最適化されていない。
- 複数画像を用いるタスクについては評価されていない(主に単一画像タスクで評価)。
- Gemma 3と比べてプロンプトの書き方に敏感になっている可能性がある。
5. 性能評価(抜粋)
公式モデルカードのベンチマーク表より、Gemma 3 4B / MedGemma 1 4B / MedGemma 1.5 4B / MedGemma 1 27Bの比較が公開されています。代表的な数値:
| タスク | 指標 | Gemma3 4B | MedGemma1 4B | MedGemma1.5 4B | MedGemma1 27B |
|---|---|---|---|---|---|
| MedQA(4択) | Accuracy | 50.7 | 64.4 | 69.1 | 85.3 |
| MedMCQA | Accuracy | 45.4 | 55.7 | 59.8 | 70.2 |
| EyePACS(眼底) | Accuracy | 14.4 | 64.9 | 76.8 | 75.3 |
| MRI Dataset 1(3D、10疾患) | Macro accuracy | 51.1 | 51.3 | 64.7 | 57.4 |
| EHRQA | Accuracy | 70.9 | 67.6 | 89.6 | 90.5 |
※ 全項目でMedGemma1 27Bを上回るわけではなく(例: PubMedQA, MMLU Medなどは27Bが優位)、4Bサイズ内での比較では概ね1.5が1を上回る傾向、という位置づけです。詳細な全表は元記事(モデルカード)を参照してください。
6. 使い方(概要)
Transformers(AutoModelForImageTextToText を使用。
学習時は AutoModelForCausalLM でも動くが、推論には不適切という注意点あり — 検索結果の第三者記事より、推測を含まない事実として報告されています)
vLLM / SGLang でのサーバー起動にも対応
Ollama / llama.cpp 向けの量子化版(GGUF)も複数の非公式リポジトリから配布されている(unsloth、dcarrascosa 等)
注意点
第三者のMedium記事(dcarrascosa/unsloth関連ではなく個人のファインチューニング記事)によると、MedGemma 1.5はGemma 3ベースのマルチモーダルモデルであるため、AutoModelForImageTextToTextでロードする必要があり、標準的なAutoModelForCausalLMでロードすると学習時は問題なくても生成(推論)時にforward passが壊れるとの報告がある。
7. Qiita記事のネタ案(下調べベース)
- MedGemma 1.5 4Bを実際にTransformers/vLLMで動かしてみるハンズオン記事
- 胸部X線画像を入力した推論のサンプルコード解説
- MedGemma 1 → 1.5 での性能改善ポイントの整理(表の可視化)
- ライセンス(HAI-DEF利用規約)の注意点まとめ
- ローカル環境(Ollama)でのMedGemma 1.5量子化版の動かし方
参考リンク
- 公式モデルカード: https://huggingface.co/google/medgemma-1.5-4b-it
- GitHubリポジトリ: https://github.com/google-health/medgemma
- モデルドキュメント(Google Developers): https://developers.google.com/health-ai-developer-foundations/medgemma
- 技術レポート(arXiv:2604.05081)