← नवीनतम पेपर
💬 NLP

MedGemma Technical Report

यह शोध पत्र MedGemma को प्रस्तुत करता है, जो Gemma 3 पर आधारित मेडिकल विजन-लैंग्वेज फाउंडेशन मॉडल्स का एक संग्रह है, जो MedSigLIP नामक एक विशिष्ट विजन एनकोडर के साथ मिलकर, सामान्य क्षमताओं को सुरक्षित रखते हुए विविध मेडिकल इमेजिंग और टेक्स्ट कार्यों में बेस मॉडल्स से काफी बेहतर प्रदर्शन करता है और कार्य-विशिष्ट प्रदर्शन के करीब पहुँचता है।

मूल लेखक: Andrew Sellergren, Sahar Kazemzadeh, Tiam Jaroensri, Atilla Kiraly, Madeleine Traverse, Timo Kohlberger, Shawn Xu, Fayaz Jamil, Cían Hughes, Charles Lau, Justin Chen, Fereshteh Mahvar, Liron Yatziv, T
प्रकाशित 2026-04-08
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Andrew Sellergren, Sahar Kazemzadeh, Tiam Jaroensri, Atilla Kiraly, Madeleine Traverse, Timo Kohlberger, Shawn Xu, Fayaz Jamil, Cían Hughes, Charles Lau, Justin Chen, Fereshteh Mahvar, Liron Yatziv, Tiffany Chen, Bram Sterling, Stefanie Anna Baby, Susanna Maria Baby, Jeremy Lai, Samuel Schmidgall, Lu Yang, Kejia Chen, Per Bjornsson, Shashir Reddy, Ryan Brush, Kenneth Philbrick, Mercy Asiedu, Ines Mezerreg, Howard Hu, Howard Yang, Richa Tiwari, Sunny Jansen, Preeti Singh, Yun Liu, Shekoofeh Azizi, Aishwarya Kamath, Johan Ferret, Shreya Pathak, Nino Vieillard, Ramona Merhej, Sarah Perrin, Tatiana Matejovicova, Alexandre Ramé, Morgane Riviere, Louis Rouillard, Thomas Mesnard, Geoffrey Cideron, Jean-bastien Grill, Sabela Ramos, Edouard Yvinec, Michelle Casbon, Elena Buchatskaya, Jean-Baptiste Alayrac, Dmitry Lepikhin, Vlad Feinberg, Sebastian Borgeaud, Alek Andreev, Cassidy Hardin, Robert Dadashi, Léonard Hussenot, Armand Joulin, Olivier Bachem, Yossi Matias, Katherine Chou, Avinatan Hassidim, Kavi Goel, Clement Farabet, Joelle Barral, Tris Warkentin, Jonathon Shlens, David Fleet, Victor Cotruta, Omar Sanseviero, Gus Martins, Phoebe Kirk, Anand Rao, Shravya Shetty, David F. Steiner, Can Kirmizibayrak, Rory Pilgrim, Daniel Golden, Lin Yang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

स्वास्थ्य सेवा की दुनिया की कल्पना एक विशाल, अराजक पुस्तकालय के रूप में करें। यह अरबों किताबों (मेडिकल रिकॉर्ड), लाखों एक्स-रे फिल्मों और मानव शरीर के अनगिनत रेखाचित्रों से भरी हुई है। दशकों से, डॉक्टर ही एकमात्र ऐसे लोग रहे हैं जो तेजी से सही पन्ना ढूंढ सकते थे, बारीक अक्षरों को पढ़ सकते थे और इन दस्तावेजों में छिपी जटिल कहानियों को समझ सकते थे।

यहाँ मिलिए MedGemma से, एक नए "सुपर-लाइब्रेरियन" से जिसे गूगल ने बनाया है। लेकिन यह कोई साधारण लाइब्रेरियन नहीं है; यह एक ऐसा AI है जिसने पूरी लाइब्रेरी को पढ़ा है, चित्रों का अध्ययन किया है और डॉक्टरों की भाषा बोलना सीख लिया है।

MedGemma की कहानी यहाँ दी गई है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. लाइब्रेरियन के दो संस्करण

गूगल ने इस AI के दो मुख्य संस्करण जारी किए हैं, जैसे कि एक "पॉकेट गाइड" और एक "भारी विश्वकोश" (Encyclopedia) पेश करना:

  • पॉकेट गाइड (MedGemma 4B): यह एक छोटा, तेज़ मॉडल है। यह एक स्मार्ट सहायक की तरह है जिसे आप अपनी जेब में रख सकते हैं। यह एक साथ एक एक्स-रे इमेज देख सकता है और मरीज के नोट्स भी पढ़ सकता है। यह त्वरित प्रश्नों के लिए बेहतरीन है और इतना छोटा है कि इसे बिना किसी विशाल सुपरकंप्यूटर की आवश्यकता के मानक कंप्यूटरों पर चलाया जा सकता है।
  • विश्वकोश (MedGemma 27B): यह एक विशाल मस्तिष्क है। यह बहुत बड़ा है और मुख्य रूप से टेक्स्ट को पढ़ने और उसके तर्क (reasoning) पर ध्यान केंद्रित करता है। यह एक सीनियर स्पेशलिस्ट की तरह है जिसने अब तक लिखा गया हर मेडिकल टेक्स्टबुक रट लिया है। यह जटिल चिकित्सा पहेलियों को सुलझाने में अविश्वसनीय रूप से कुशल है, हालांकि इसे चलाने के लिए अधिक कंप्यूटिंग पावर की आवश्यकता होती है।

नोट: इसके "मल्टीमॉडल 27B" संस्करण पर भी काम चल रहा है, जो बड़े वाले की बौद्धिक क्षमता और छोटे वाले की चित्र देखने की क्षमता को जोड़ता है।

2. लाइब्रेरियन की "आंखें": MedSigLIP

मेडिकल इमेज को समझने के लिए, आपको विशेष आंखों की आवश्यकता होती है। नियमित AI आंखें एक्स-रे पर एक धुंधले धब्बे को देख सकती हैं और सोच सकती हैं कि यह सिर्फ एक छाया है।

गूगल ने एक विशेष चश्मा बनाया है जिसे MedSigLimP कहा जाता है। इसे "एक्स-रे स्पेक्स" के रूप में सोचें जिसे विशेष रूप से लाखों मेडिकल फोटो पर प्रशिक्षित किया गया है। इससे पहले कि MedGemma किसी तस्वीर को देख सके, वह ये चश्मा पहन लेता है। ये चश्मे AI को सूक्ष्म फ्रैक्चर, सूक्ष्म ट्यूमर या विशिष्ट त्वचा स्थितियों को पहचानने में सक्षम बनाते हैं जिन्हें एक सामान्य कंप्यूटर प्रोग्राम मिस कर सकता है। ये चश्मे इतने अच्छे हैं कि उन्हें बाकी लाइब्रेरियन के बिना भी, मेडिकल इमेजेस के ढेर को तुरंत छांटने के लिए स्वतंत्र रूप से उपयोग किया जा सकता है।

3. इसने कैसे सीखा (प्रशिक्षण शिविर)

आप केवल विकिपीडिया पेज पढ़कर किसी कंप्यूटर को चिकित्सा नहीं सिखा सकते। गूगल को MedGemma को एक विशेष "मेडिकल बूट कैंप" में प्रशिक्षित करना पड़ा।

  • पाठ्यक्रम (Curriculum): उन्होंने AI को लाखों वास्तविक उदाहरण दिए: एक्स-रे के साथ डॉक्टर के नोट्स, पैथोलॉजी स्लाइड्स (ऊतकों के सूक्ष्म स्लाइस), और हजारों मेडिकल परीक्षा प्रश्न।
  • "शिक्षक": उन्होंने एक बहुत ही स्मार्ट AI शिक्षक का उपयोग किया जो अभ्यास प्रश्न और उत्तर उत्पन्न करता था, जिससे MedGemma को तथ्यों को याद करने के बजाय एक डॉक्टर की तरह तर्क करना सीखने में मदद मिली।
  • परिणाम: MedGemma ने केवल यह कहना नहीं सीखा कि "हाँ, यहाँ एक टूटा हुआ हड्डी है।" इसने यह कहना सीखा कि, "यहाँ एक फ्रैक्चर है, और मरीज के इतिहास के आधार पर, इसका संभावित कारण और अगला सबसे अच्छा कदम क्या है।"

4. यह वास्तव में क्या कर सकता है?

रिपोर्ट दिखाती है कि MedGemma तीन मुख्य क्षेत्रों में एक पावरहाउस है:

  • जासूस (विजुअल क्वेश्चन अनswering): इसे फेफड़े की एक तस्वीर दिखाएं और पूछें, "क्या इसमें तरल पदार्थ है?" यह सही उत्तर देता है। त्वचा के चकत्ते की तस्वीर दिखाएं और पूछें, "क्या यह एक्जिमा है या कीट का डंक?" यह अंतर बता सकता है।
  • लेखक (रिपोर्ट जनरेशन): डॉक्टर एक्स-रे देखने के बाद रिपोर्ट टाइप करने में घंटों बिताते हैं। MedGema एक्स-रे देख सकता है और एक ऐसी रिपोर्ट का मसौदा तैयार कर सकता है जो एक मानव डॉक्टर की रिपोर्ट जितनी 81% सटीक होती है, जो समान विवरणों को पकड़ती है और समान नैदानिक निर्णय लेती है।
  • रणनीतिकार (एजेंटिक व्यवहार): यह सबसे दिलचस्प हिस्सा है। एक सिम्युलेटेड गेम में, MedGemma ने एक "डॉक्टर एजेंट" की भूमिका निभाई। उसे सही प्रश्न पूछने थे, सही टेस्ट ऑर्डर करने थे, और चरण-दर-चरण निदान का पता लगाना था, ठीक वैसे ही जैसे एक वास्तविक डॉक्टर क्लिनिक में करता है। इसने इन सिमुलेशन में मानव डॉक्टरों से बेहतर प्रदर्शन किया!

5. यह क्यों महत्वपूर्ण है (मुझे इसकी परवाह क्यों करनी चाहिए?)

  • यह ओपन सोर्स है: कुछ AI टूल्स के विपरीत जो महंगे पेवॉल के पीछे बंद होते हैं, गूगल MedGemma को मुफ्त में (ओपन वेट्स के रूप में) दे रहा है। इसका मतलब है कि शोधकर्ता, अस्पताल और स्टार्टअप इसे डाउनलोड कर सकते हैं, इसमें बदलाव कर सकते हैं और इसके ऊपर अपने स्वयं के उपकरण बना सकते हैं।
  • यह कुशल है: क्योंकि "पॉकेट गाइड" (4B) इतना स्मार्ट है, इसलिए आपको इसे उपयोग करने के लिए अरबों डॉलर के सुपरकंप्यूटर की आवश्यकता नहीं है। यह उन्नत मेडिकल AI को छोटे क्लीनिकों और विकासशील देशों के लिए सुलभ बनाता है।
  • यह एक आधार है, प्रतिस्थापन नहीं: लेखक बहुत स्पष्ट हैं: MedGemma डॉक्टरों की मदद करने के लिए एक उपकरण है, उन्हें बदलने के लिए नहीं। यह एक डॉक्टर को सुपर-पावर्ड कैलकुलेटर देने जैसा है। यह डेटा और पैटर्न पहचान के भारी काम को संभालता है, जिससे मानव डॉक्टर सहानुभूति, जटिल निर्णय लेने और रोगी की देखभाल पर ध्यान केंद्रित करने के लिए स्वतंत्र हो जाते हैं।

निष्कर्ष

MedGemma एक मेडिकल छात्र को एक सुपर-ब्रेन सौंपने जैसा है जिसने हर मेडिकल जर्नल पढ़ा है और हर एक्स-रे देखा है, और यह सब करते हुए भी यह इतना छोटा है कि एक लैपटॉप में समा सके। यह स्वास्थ्य सेवा में आर्टिफिशियल इंटेलिजेंस को एक सहायक, रोजमर्रा के साथी बनाने की दिशा में एक बड़ी छलांग है, जो डॉक्टरों को तेजी से निदान करने, रिपोर्ट लिखने में आसानी करने और अधिक जीवन बचाने में मदद करने के लिए तैयार है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 💬 cs.CL →