文章核心观点 - 谷歌发布了新一代开源多模态医疗大模型MedGemma 1.5及配套语音识别模型MedASR，旨在解决AI在真实临床环境中理解多模态医学数据（如影像、文本、语音）的痛点，推动AI医疗进入多模态时代 [1][2][3] 谷歌最新AI医疗产品突破 - MedGemma 1.5模型定位：是首个公开发布的开源多模态大语言模型，能够解读高维医学数据、通用二维图像和文本 [1] - 模型特点：参数量仅为40亿，可在普通消费级显卡或高性能工作站上流畅运行，降低了使用门槛 [1] - 多模态能力融合：模型融合了高维医学影像（CT、MRI、病理切片）、纵向医学影像（胸部X光时间序列）、解剖定位（胸部X光片特征定位）以及医学文档理解（从实验室报告提取结构化数据） [1] - 配套语音模型：同时发布了专为医疗微调的语音识别模型MedASR，可将医患对话转为文本，并与MedGemma无缝集成，形成“看图”与“听音”的完整解决方案 [1] MedGemma 1.5性能提升详情 - 高维医学影像分类： - CT疾病分类准确率从58%提升至61% [7] - MRI疾病分类准确率从51%提升至65%，在脑部、关节等复杂结构识别上进步显著 [8] - 全切片病理描述质量ROUGE-L分数从0.02大幅提高至0.49，达到专用模型PolyPath的水平（0.498），可生成临床可用的描述 [9] - 纵向时序影像分析： - 在MS-CXR-T时序评估基准上，宏观准确率从61%提升至66% [11] - 能有效捕捉病灶动态变化，如判断肺炎浸润是否吸收，支持随访决策 [12] - 通用2D医学图像解读： - 在内部综合单图基准（涵盖X光、皮肤、眼底、病理切片）上，整体分类准确率从59%提升至62%，表明新增高维任务未牺牲基础性能 [12][13] - 结构化医学文档理解： - 从非结构化PDF或文本中提取检验项目、数值、单位的宏平均F1分数从60%提升至78%（提升18个百分点），可自动构建结构化数据库，实现多源信息融合 [14] MedASR语音识别性能 - 错误率大幅降低：与通用模型Whisper large-v3对比，MedASR在胸部X光口述错误率上降低58%，在不同专科口述中错误减少82% [16] 谷歌在AI医疗领域的战略布局 - 投资布局：通过旗下风险投资及私募股权部门投资众多生命科学公司，尤其偏爱AI制药领域；例如，Google Ventures在2021年医疗健康领域的51笔投资中，药物研发投资达28笔，超过半数 [17] - 合作拓展：凭借AI与云计算服务，与拜耳、辉瑞、施维雅、梅奥诊所等药企和医院合作，探索从药物研发到临床诊疗的智能解决方案 [17] - 内部业务矩阵：除Google Health外，还拥有Verily、Calico等专注于不同领域的业务单元 [17] - 前沿科学研究：旗下Google DeepMind推出了AlphaFold（蛋白质结构）、AlphaGenome（DNA调控）、C2S-Scale（单细胞）等重要科学模型，其CEO因AI蛋白质结构预测贡献获2024年诺贝尔化学奖 [17] - 医疗大模型演进：先后研发Flan-PaLM（在美国医学执照考试USMLE取得67.6%成绩，比此前最佳模型提高17%）、Med-PaLM（登载《Nature》，回答准确率与真人相近）、Med-PaLM M（全球首个全科医疗大模型，在14项测试任务中接近或超越现有SOTA） [19] - 近期进展：去年宣布了包括AI制药模型TxGemma、获FDA批准的手表脉搏停止检测功能、多智能体系统“AI联合科学家”、儿科个性化癌症治疗模型等六项进展 [19]