Åben adgang til avanceret AI åbner nye muligheder i sundhedssektoren med Medgemma27b

Google DeepMind og Google Research har netop frigivet to banebrydende open source-modeller til sundhedssektoren: MedGemma 27B Multimodal og MedSigLIP. Begge modeller er nu offentligt tilgængelige med weights, scripts og dokumentation under Health AI Developer Foundations (HAI-DEF), og åbner for avanceret billed- og tekstanalyse for både klinikere, forskere og udviklere.

To modeller – tekst-only og multimodal – i MedGemma 27B-familien

MedGemma 27B findes både som en tekst-only variant og som den nye MedGemma 27B Multimodal. Tekst-only versionen er især optimeret til opgaver, hvor der kun indgår tekst, som medicinske eksamensspørgsmål eller journaler, mens Multimodal-udgaven kan kombinere tekst med billeder – f.eks. radiologiske skanninger, dermatologiske fotos eller patologibilleder.
Den multimodale variant bygger oven på tekst-only-modellen med forbedret billedforståelse og integration af SigLIP-400M vision-backbone.

Teknisk overblik: Hvad kan modellerne – og hvordan?

• MedGemma 27B Multimodal: 27 milliarder parametre, transformer-arkitektur baseret på Gemma 3. Understøtter integration af både tekst og billeder i ét workflow. Vision-delen kører i høj opløsning (896×896 pixels) og genbruger SigLIP-400M, som er trænet på over 33 millioner medicinske billed-tekst-par fra radiologi, patologi, øjensygdomme og dermatologi.
• MedGemma 27B tekst-only: Identisk kerne, men kun tekstinput. Sætter nye rekorder på tekstbaserede benchmarks som MedQA (87,7% nøjagtighed), hvor den overgår alle åbne modeller under 50B parametre.
• MedSigLIP: En letvægts vision-language model med 400 millioner parametre og inputbilleder på 448×448 pixels. Optimeret til hurtig og billig inference – kan køre på mobile enheder eller edge-hardware.

Forklaring af centrale begreber:
Backbone betyder den grundlæggende arkitektur, som resten af modellen bygger oven på (her SigLIP-400M for billeddelen).
Zero-shot refererer til modellens evne til at løse en opgave, den ikke er trænet direkte på, uden ekstra finjustering.
Linear probe betyder, at man kobler et simpelt klassifikationslag (f.eks. logistisk regression) oven på modeloutputtet, hvilket muliggør hurtig tilpasning til nye opgaver med få eksempler.
Distillation handler om at træne en mindre model til at efterligne en større, hvilket gør modellerne hurtigere og mere ressourceeffektive.

Benchmarkresultater: Hvilken model klarer hvad bedst?

• MedGemma 27B tekst-only: 87,7% nøjagtighed på MedQA (multiple choice medicinske eksamensspørgsmål). Dette dækker tekst-only modellen og placerer den klart foran andre åbne modeller under 50B parametre.
• MedGemma 27B Multimodal: Imponerende resultater på tværs af opgaver som multimodal question answering (VQA-RAD, SLAKE), radiologi rapportgenerering (MIMIC-CXR) og simulering af kliniske beslutningsforløb (AgentClinic-MIMIC-IV). Modellen matcher eller nærmer sig lukkede giganter som GPT-4o og Gemini 2.5 Pro på flere domænespecifikke benchmarks.
• MedSigLIP: Overgår tidligere åbne billedmodeller på centrale datasæt: CXR14 og CheXpert (røntgen, +2% AUC ift. ELIXR-baserede modeller), US-Derm MCQA (hudsygdomme, 0,881 AUC med linear probe), EyePACS (diabetisk øjensygdom, 0,857 AUC), og stærke resultater på histopatologi.

Det er værd at bemærke, at MedGemma 27B (både tekst-only og multimodal) kan deployeres på én GPU – men det kræver en kraftig GPU (f.eks. A100 eller H100). For mindre klinikker kan inference stadig være ressourcekrævende, især for større batch jobs eller realtidsscenarier. Til gengæld er MedSigLIP oplagt til edge og mobil – her er hardwarekravene markant lavere.

Praktisk integration og open source-adgang

• Alle weights, scripts og tutorials er frit tilgængelige via MedGemmas GitHub. Integration i eksisterende AI-pipelines kræver få linjers Python-kode, og modellerne understøtter kvantisering og distillation for effektiv drift på begrænsede ressourcer.
• Snillds kunder kan afprøve, tilpasse og udrulle modellerne uden at være afhængig af amerikanske cloud-tjenester eller dyre licenser. Vi har allerede set stor interesse for at koble modellerne til patientjournaler, dataplatforme og automatiseret billeddiagnostik.
• Det er muligt at prøve modellerne af med egne danske data og evaluere performance lokalt, hvilket gør det lettere at vurdere, om de lever op til nationale krav og arbejdsgange.

Snillds rolle: Fra idé til konkret brugsværdi

• Vi hjælper med opsætning af pipelines til automatisk analyse af både billeder og tekst – f.eks. triage eller prioritering af patientjournaler.
• Vi rådgiver om integration i eksisterende platforme og systemer, samt hvordan man bedst udnytter modellerne på både hospitaler og mindre klinikker.
• Vi tilbyder sparring om edge- og mobil-udrulning, så modellerne kan tilpasses lokale behov og hardware.
• Vi kan bistå med tilpasning og træning af modellerne på lokale datasæt for at optimere ydelsen til danske forhold – alt sammen i tæt samarbejde med sundhedsfagligt personale.

Det betyder, at danske sundhedsaktører nu kan tage direkte ejerskab over avanceret AI, tilpasse løsninger til egne arbejdsgange og datasæt, og undgå at blive låst til kommercielle standarder.

Kritiske perspektiver: Hvad siger eksperterne om åben klinisk AI?

Selvom åben adgang til avanceret AI er en milepæl, påpeger eksperter flere væsentlige risici:

• Datasikkerhed: Når modellerne tilpasses lokale patientdata, stilles der høje krav til sikker opbevaring, anonymisering og compliance med GDPR.
• Bias og validering: Modellerne er trænet på store, internationale datasæt, som ikke altid dækker nordiske forhold eller sjældne diagnoser – hvilket kan give skæve resultater. Klinisk validering på lokale data er afgørende.
• Ressourcekrav: MedGemma 27B kræver fortsat kraftig hardware – ikke alle klinikker kan trække modellen i realtid eller større skala uden ekstra investeringer.
• Kombination med ekspertise: AI-resultater skal altid fortolkes i samspil med klinisk viden. Modellerne må ikke stå alene, men bruges som beslutningsstøtte, ikke som autonomt diagnoseredskab.

Eksempelvis kan en fejlklassificering i billeddiagnostik føre til forkert prioritering af patienter, hvis ikke den fanges af en erfaren fagperson. Derfor bør implementering altid følges af løbende monitorering og revision.

Sådan kan modellerne testes og evalueres i dansk kontekst

En konkret vej til lokal validering er at afprøve modellerne på egne datasæt (f.eks. anonymiserede røntgenbilleder eller journalnotater) og sammenligne resultaterne med eksisterende kliniske processer. Det anbefales at starte med pilotprojekter under supervision, hvor både præcision, fejltyper og brugervenlighed evalueres i praksis – gerne med feedback fra både klinikere og teknologer.

Konkurrence og marked: Google sætter sundhed i centrum

Samme dag som Google åbner MedGemma 27B og MedSigLIP, har både Microsoft og Meta åbnet store AI-modeller, men få har et så direkte fokus på klinisk anvendelse og domænetilpasning. Åbenhed, domæneoptimering og lave hardwarekrav gør MedGemma-familien unik for sundhedsaktører, der ønsker transparens og fleksibilitet. Open source-fællesskabet følger udviklingen tæt for at sikre kvalitet og reproducérbarhed, og det forventes, at flere aktører vil bygge videre på fundamentet.

Hvad kan Snillds målgruppe konkret tage med sig?

• Avanceret AI til klinisk brug er nu økonomisk overkommelig og tilgængelig for alle med teknisk interesse.
• Modellerne kan integreres i eksisterende arbejdsgange med moderate ressourcer – og Snilld kan hjælpe med både rådgivning og hands-on implementering.
• Det er muligt at kombinere MedGemma og MedSigLIP med egne data og processer, hvilket styrker innovationen i dansk sundhed.
• Test og validering på lokale data er afgørende – vi opfordrer til pilotprojekter, der kan dokumentere både styrker og begrænsninger.

Vi ser et stort potentiale for både offentlige og private sundhedsaktører, der nu får muligheden for at accelerere innovation og forbedre patientbehandlingen med åben, domænetilpasset AI – på egne præmisser.

Kilder:

• https://www.marktechpost.com/2025/07/10/google-ai-open-sourced-medgemma-27b-and-medsiglip-for-scalable-multimodal-medical-reasoning/
• https://research.google/blog/medgemma-our-most-capable-open-models-for-health-ai-development/
• https://medgemma.org/
• https://github.com/google-health/medsiglip
• https://research.google/blog/medgemma-our-most-capable-open-models-for-health-ai-development/

Målgruppens mening om artiklen

Kenneth Jørgensen, IT-chef:

Jeg vurderer artiklen til en 80. Den åbne adgang til avanceret AI i sundhedssektoren er tiltalende, da det giver mulighed for egentlige fremskridt ved integration i vores systemer. Dog kræver det også, at vi løbende evaluerer modellerne på vores egne datasæt, hvilket kan være en udfordring.

Laura Thomsen, Head of Operations:

Jeg giver artiklen en 85. Potentialet for AI til at optimere hospitalers arbejdsgange er betydeligt. Jeg er begejstret for MedGemma-modellernes åbenhed og mulighederne for lokal tilpasning og validering. Det vil dog kræve investeringer i hardware, som ikke alle kan være parate til.

Martin Holm, Senior Software Engineer:

Artiklen får en 75 fra mig. Jeg er fascineret af de tekniske aspekter ved modellerne, især den multimodale variant. Det er spændende at se, hvordan disse teknologier potentielt kan forbedre kliniske resultater. Men jeg er også opmærksom på de kritiske perspektiver omkring datasikkerhed og potentialet for bias.

Sofie Nielsen, Marketing Manager:

Jeg vil give artiklen en 70. Mulighederne inden for sundhedsfeltet er imponerende, men det kræver, at vi kan navigere de juridiske aspekter og databeskyttelse korrekt. Det vil være nødvendigt med god kommunikation og valid databeskyttelse for at sikre accept fra det bredere samfund.

Lars Jensen, Produktionschef:

Jeg vurderer den til en 78. Jeg ser det som en betydelig fordel, at avanceret AI gør det økonomisk muligt for mindre enheder at deltage i innovation. Men der er behov for opmærksomhed på infrastruktur og kompetencer, som kan være begrænsende faktorer i udrulningen

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Fluxx Schnell fra Black Forest Labs.