MedGemma 및 MedSigLIP 릴리스 노트

Google DeepMind는 MedGemma 및 MedSigLIP를 출시하며 Health AI Developer Foundations (HAI-DEF) 컬렉션을 확장했습니다. 이러한 오픈 모델은 개발자에게 의료 애플리케이션 구축을 위한 강력하고 효율적이며 프라이버시를 보호하는 시작점을 제공하여, 인프라 및 모델 수정에 대한 완전한 제어권을 허용합니다.

MedGemma: 의료용 멀티모달 생성 모델

MedGemma는 Gemma 3를 기반으로 한 생성 모델 컬렉션으로, 시각적 질의응답(VQA) 및 의료 보고서 생성과 같이 자유 텍스트 생성이 필요한 작업에 맞게 설계되었습니다. 이 컬렉션에는 4B 및 27B 파라미터 변체가 포함되어 있으며, 두 버전 모두 이미지와 텍스트 입력을 지원합니다.

MedGemma 4B 멀티모달

MedGemma 4B는 효율성에 최적화되어 모바일 하드웨어에서 실행되도록 조정될 수 있습니다. 주요 성능 지표는 다음과 같습니다:

  • MedQA 점수: 64.4%로, 8B 미만 파라미터의 오픈 모델 중 최상위권에 위치합니다.
  • 임상 정확도: 눈가림되지 않은(unblinded) 연구에서, 흉부 X-ray 보고서의 81%가 미국 전문의로부터 기존 보고서와 유사한 환자 관리를 이끌어낼 수 있는 충분한 정확도를 가졌다는 판정을 받았습니다.
  • 특화된 성능: 미세 조정(fine-tuning) 후, 흉부 X-ray 보고서 생성에서 30.3의 RadGraph F1 점수를 달성했습니다.

MedGemma 27B (텍스트 및 멀티모달)

MedGemma 27B 모델은 복잡한 멀티모달 및 종단적 전자 건강 기록(EHR) 해석을 위해 설계되었습니다.

  • MedQA 성능: 텍스트 변체는 87.7%의 점수를 기록하여, 약 1/10의 추론 비용으로 DeepSeek R1의 3점 이내 성능을 보여줍니다.
  • 역량: 이 모델들은 EHR 데이터의 검색 및 해석에 있어 대규모 모델들과 경쟁할 만한 성능을 갖추고 있습니다.

MedSigLIP: 특화된 의료 이미지 인코더

MedSigLIP은 Sigmoid loss for Language Image Pre-training (SigLIP) 아키텍처를 기반으로 하는 400M 파라미터 규모의 경량 이미지 인코더입니다. 이 모델은 의료 이미지와 의료 텍스트를 공통 임베딩 공간으로 인코딩하여 두 영역 사이의 간극을 메우도록 설계되었습니다.

기술적 적응 및 다재다능함

MedSigLIP은 안저 이미지, 피부과 이미지, 조직병리 패치 및 흉부 X-ray를 포함한 다양한 의료 영상 데이터를 통한 튜닝을 통해 SigLIP으로부터 적응되었습니다. 이러한 전문화에도 불구하고, 이 모델은 일반 이미지에 대해서도 강력한 성능을 유지합니다.

주요 사용 사례

MedSigLIP은 구조화된 출력이 필요한 다음과 같은 영상 작업에 권장됩니다:

  • 전통적인 이미지 분류: 고성능 의료 이미지 분류기 구축.
  • Zero-shot 이미지 분류: 특정 학습 예시 없이 이미지 임베딩을 텍스트 클래스 레이블 임베딩과 비교하여 이미지를 분류.
  • 의미론적 이미지 검색: 대규모 의료 데이터베이스 내에서 시각적 또는 의미론적으로 유사한 이미지 찾기.

의료 분야에서 오픈 모델의 장점

Google DeepMind는 MedGemma와 MedSigLIP의 오픈 특성이 의료 애플리케이션을 위한 API 기반 모델에 비해 세 가지 중요한 이점을 제공한다고 강조합니다:

  1. 유연성 및 프라이버시: 모델을 전용 하드웨어, 로컬 또는 Google Cloud Platform에 배포하여 기관의 프라이버시 정책을 충족할 수 있습니다.
  2. 커스터마이징: 개발자는 특정 대상 작업 및 데이터셋에 대해 성능을 최적화하도록 모델을 미세 조정할 수 있습니다.
  3. 재현성 및 안정성: 배포된 스냅샷으로서 모델 파라미터가 고정되어 있어, 시간이 지나도 출력이 일관되게 유지됩니다. 이는 의료 검증을 위한 필수 요구 사항입니다.

실제 구현 사례

초기 도입자들은 다양한 임상 및 연구 애플리케이션에 이 모델들을 활용하고 있습니다:

  • DeepHealth (미국): 결절 탐지 및 흉부 X-ray 트리아지(triaging)를 위해 MedSigLIP을 탐색 중.
  • Chang Gung Memorial Hospital (대만): 전통적인 중국어 의료 문헌 및 직원 질의에 대한 효과성 덕분에 MedGemma를 활용 중.
  • Tap Health (인도): 우수한 의료적 근거(medical grounding)를 바탕으로 경과 기록 요약 및 가이드라인에 부합하는 알림 제안에 MedGemma를 적용 중.

배포 및 통합

MedGemma 및 MedSigLIP은 Hugging Face safetensors 형식으로 제공됩니다. 개발자는 추론 및 미세 조정을 위해 제공된 GitHub notebook을 사용하거나 Vertex AI를 통해 전용 엔드포인트로 모델을 배포할 수 있습니다.

면책 조항: MedGemma 및 MedSigLIP은 개발을 위한 시작점이며 직접적인 임상 용도로 의도되지 않았습니다. 모든 출력물은 독립적인 검증과 임상적 상관관계가 필요하며, 임상 진단이나 환자 관리 결정에 직접적인 정보를 제공해서는 안 됩니다.

Sources