Google多模態模型MedGemma升級醫療影像解讀，並發布醫用聽寫模型MedASR

Google更新開放權重醫療生成式AI模型MedGemma至1.5版，強化醫療影像解讀與醫療文字任務的基準能力，並同步釋出醫療語音轉文字模型MedASR，滿足醫療聽寫與臨床口述的轉錄需求，讓開發者能把語音內容轉成文字後，銜接資訊整理或推理。

MedGemma為開發起點而非可直接上線的成品系統，Google提醒，模型輸出不應直接用於臨床診斷或治療決策，落地前仍需依各自場域完成驗證與調校。

Google此次先釋出MedGemma 1.5的4B多模態版本，主打較省算力，作為評估與微調的起點，要是需要更複雜的文字型任務或更大模型容量，開發者仍可沿用MedGemma 1的27B版本，包含純文字與多模態兩種變體。相較前一代以2D影像為主，1.5版把支援範圍擴展到高維度影像，包含電腦斷層掃描CT、核磁共振MRI，以及更大尺度的病理影像，並可用多張切片或多個影像區塊搭配提示詞完成任務。

Google揭露部分內部基準結果。以疾病相關3D影像所見的分類任務為例，MedGemma 1.5 4B在CT的宏平均準確率由58.2%提升到61.1%，在MRI則由51.3%提升到64.7%。Google也指出，這些能力仍處早期，實務上通常需要以自家資料微調，才能在特定流程中取得更穩定的表現。

除高維度影像外，MedGemma 1.5也加強胸部X光的應用情境，例如在不同時間點影像之間進行前後比較，或對影像中的解剖位置做定位。另一個面向是醫療文件理解，例如從檢驗報告抽取結構化資料，方便後續統計分析或系統串接。Google雲端也針對MedGemma提供DICOMweb整合，釋出可接受DICOMweb連結的新容器與部署流程，讓應用能以連結方式在伺服器端讀取與前處理CT、MRI等影像，再交由模型推理，以降低傳輸負擔並貼近臨床系統整合需求。

一起釋出的還有MedASR模型，針對醫療詞彙與口述習慣微調的自動語音辨識模型。Google以通用語音辨識模型Whisper v3 Large作為對照，在一組胸部X光相關語音資料集中，Whisper v3 Large的詞錯率為12.5%，MedASR在搭配6-gram語言模型解碼時可降至5.2%。另在多個內部醫療聽寫資料集上，MedASR搭配6-gram語言模型的詞錯率約落在4.6%至6.9%，Whisper v3 Large則約25.3%至33.1%。