Google veröffentlicht offene MedGemma-Modelle für die Offline-TB-Screening

Auf der IDWeek 2026 in Washington, D.C., erläuterte Google Research den Übergang von proprietären Algorithmen für medizinische Bildgebung zu offenen Basismodellen für das Screening auf Tuberkulose. Das Team hob den Einsatz dieser Tools in sechs Ländern hervor sowie deren Integration in die nationale Gesundheitsstrategie Indonesiens zur Bewältigung von Lücken bei Datensouveränität und Zugang.

Was passiert ist

Tuberkulose bleibt eine der weltweit häufigsten Todesursachen und fordert schätzungsweise 1,23 Millionen Menschenleben pro Jahr. Ein großes Hindernis für die Erkennung ist die Knappheit an Radiologen in Gebieten mit hoher Krankheitslast, wo bildgebende Infrastruktur möglicherweise Tage von ländlichen Kliniken oder abgelegenen Arbeitsstätten entfernt ist. In den letzten fünf Jahren hat Google Research zusammen mit Google for Health den Fokus von frühen Benchmarks auf den Einsatz offener Basismodelle verlagert, die am Point-of-Care angepasst und genutzt werden können.

Der Weg begann damit, nachzuweisen, dass KI mit erfahrenen Radiologen beim Lesen von Röntgenaufnahmen des Brustkorbs gleichziehen kann. Nach der Veröffentlichung von Benchmark-Ergebnissen im Jahr 2019 und der Empfehlung der Weltgesundheitsorganisation (WHO) für computergestützte Erkennung im Jahr 2021 ging das Team zur Validierung unter realen Bedingungen über. Im September 2024 bestätigte eine prospektive Multi-Site-Studie, veröffentlicht in NEJM AI, dass KI-gestütztes Screening eine hohe Sensitivität über diverse Populationen hinweg beibehält und dabei auch andere pulmonale Anomalien erkennt.

Um die Kluft zwischen Algorithmus und klinischem Tool zu überbrücken, kooperierte Google mit Nexus AI, einem Unternehmen mit Sitz in Pretoria. Nexus AI übersetzte die Algorithmen für die Thorax-Röntgenaufnahme in ein zertifiziertes Diagnosegerät und erreichte die CE MDR-Klasse IIb-Zertifizierung sowie die ISO 13485-Konformität. Dieses Tool ist nun in etwa 40 Gesundheitseinrichtungen in Südafrika, Sierra Leone, Côte d'Ivoire, der Demokratischen Republik Kongo, Sambia und Kamerun aktiv. Kliniker haben es bereits zur Auswertung von mehr als 25.000 Röntgenaufnahmen eingesetzt und dabei die Durchlaufzeiten von Wochen auf unter 45 Sekunden reduziert.

Wie es funktioniert

Die Kerntechnologie basiert auf Open-Weight-Multimodal-Modellen, die lokalen Gesundheitssystemen erlauben, souveräne Lösungen zu entwickeln. Google hat MedSigLIP veröffentlicht, ein leichtgewichtiges Vision-Language-Modell, das medizinische Bilder mit klinischem Text abgleicht und Entwicklern ermöglicht, Bilder anhand von Klartext-Labels zu durchsuchen oder zu klassifizieren. Aufbauend darauf lancierten sie MedGemma, eine Familie von Open-Weight-Modellen mit Konfigurationen von 4 Milliarden und 27 Milliarden Parametern.

MedGemma unterstützt multimodales klinisches Reasoning, indem es radiologische Befunde mit der Patientengeschichte synthetisiert, um Fragen von Klinikern in natürlicher Sprache zu beantworten. Entscheidend ist, dass diese Modelle lokal auf dem Gerät ohne Internetzugang laufen. Diese Fähigkeit ermöglicht es Gesundheitsministerien, die Modelle auf nationalen Datensätzen feinabzustimmen und Patientendaten innerhalb der Landesgrenzen zu halten. Beispielsweise nutzt Indonesien MedGemma, um bis zu 50 Millionen Bürger jährlich zu screenen, und vermeidet so die Risiken der Datenresidenz, die mit proprietärer Cloud-Software verbunden sind.

Ergänzend zu den visuellen Modellen entwickelte Google auch Health Acoustic Representations (HeAR). HeAR wurde auf über 300 Millionen Audiosegmenten trainiert und ermöglicht nicht-invasive Screenings über Hustengeräusche, die mit Standard-Smartphones aufgenommen wurden. Diese akustische Triage arbeitet neben dem mobilen Röntgen-Screening und schafft so eine integrierte diagnostische Kaskade für unterversorgte Bevölkerungsgruppen.

Wichtige Details

• Globale Wirkung: Das Tool von Nexus AI hat über 25.000 Thorax-Röntgenaufnahmen in sechs Ländern gescreent, wobei mehr als 90 Kliniker beteiligt waren.
• Geschwindigkeit: Die KI reduziert die diagnostische Durchlaufzeit von Wochen auf unter 45 Sekunden pro Scan.
• Offene Modelle: MedGemma (4B und 27B Parameter) und MedSigLIP sind Open-Weight, was lokale Feinabstimmung und Offline-Nutzung ermöglicht.
• Adoption: MedGemma wurde seit seiner Einführung mehr als 10 Millionen Mal heruntergeladen.
• Souveräner Einsatz: Indonesien stimmt diese Modelle auf lokaler Infrastruktur fein ab, um 50 Millionen Bürger jährlich zu screenen, während die Datenresidenz gewahrt bleibt.
• Extreme Umgebungen: Die Technologie wird vier Kilometer unter Tage in der Mponeng-Goldmine in Südafrika eingesetzt, um sofortige Triage für Bergarbeiter zu ermöglichen, die Silikastaub ausgesetzt sind.

Warum das wichtig ist

Für Ingenieure, die Health-Tech-Lösungen entwickeln, verändert dieser Wandel von geschlossenen APIs zu offenen Basismodellen die Architektur des Deployments. Er beseitigt die Abhängigkeit von konstanter Konnektivität und proprietären Cloud-Diensten, die im Kontext der globalen Gesundheit oft unzuverlässig oder rechtlich problematisch sind. Indem Google Modelle bereitstellt, die auf dem Gerät laufen, ermöglicht es lokalen Teams, spezialisierte Lösungen zu erstellen, die auf regionale Krankheitsmuster zugeschnitten sind, ohne enorme Rechenressourcen zu benötigen.

Der Schwerpunkt auf regulatorischer Compliance und klinischer Validierung bietet zudem einen Fahrplan für den Übergang von KI aus der Forschung in die Produktion. Die Erlangung der CE MDR-Klasse IIb-Zertifizierung erforderte strenge Audits und prospektive klinische Studien, was zeigt, dass Sicherheit und Wirksamkeit in den Entwicklungslebenszyklus integriert sein müssen. Dieser Ansatz stellt sicher, dass KI-Tools nicht nur in Benchmarks genau sind, sondern auch in der Patientenversorgung Vertrauen genießen.

Darüber hinaus ermöglicht die Integration von multimodalem Reasoning eine differenziertere klinische Unterstützung. Anstelle einer einfachen binären Klassifikation können Modelle wie MedGemma komplexe Fälle interpretieren, indem sie Bilddaten mit textueller klinischer Historie kombinieren. Diese Fähigkeit befähigt Gesundheitsfachkräfte, die möglicherweise keine Fachradiologen sind, informierte Entscheidungen zu treffen, und demokratisiert Expertise effektiv in ressourcenarmen Settings.

Was Sie tun können

• Erkunden Sie die Open-Weight-Modelle MedGemma und MedSigLIP über die Ressourcen der Health AI Developer Foundations (HAI-DEF).
• Evaluieren Sie die Fähigkeiten zur Offline-Inferenz für Ihre eigenen Projekte im Bereich medizinische Bildgebung, um die Funktionsfähigkeit in Gebieten mit geringer Konnektivität sicherzustellen.
• Untersuchen Sie den regulatorischen Pfad, den Nexus AI eingeschlagen hat, einschließlich ISO 13485-Konformität und CE MDR-Zertifizierung, für Ihre eigene Planung von Medizinprodukten.
• Erwägen Sie multimodale Eingaben, wie die Kombination visueller Daten mit akustischen Signalen wie Hustengeräuschen, um die diagnostische Abdeckung zu erweitern.
• Arbeiten Sie mit lokalen Gesundheitspartnern zusammen, um spezifische Workflow-Bedürfnisse zu verstehen, bevor Sie KI-Interventionen entwerfen.
• Prüfen Sie die prospektiven Validierungsstudien in NEJM AI und The Lancet Digital Health, um Leistungsmetriken in realen Kohorten zu verstehen.