Google publie les modèles ouverts MedGemma pour le dépistage de la tuberculose hors ligne

Lors de l'événement IDWeek 2026 à Washington D.C., Google Research a détaillé sa transition d'algorithmes propriétaires d'imagerie médicale vers des modèles fondamentaux ouverts pour le dépistage de la tuberculose. L'équipe a souligné le déploiement de ces outils dans six pays et leur intégration dans la stratégie nationale de santé de l'Indonésie pour répondre aux enjeux de souveraineté des données et combler les lacunes en matière d'accès.

Ce qui s'est passé

La tuberculose reste une cause majeure de décès dans le monde, tuant environ 1,23 million de personnes chaque année. Un obstacle majeur au dépistage est la rareté des radiologues dans les zones à forte prévalence, où les infrastructures d'imagerie peuvent se trouver à plusieurs jours de route des cliniques rurales ou des sites de travail isolés. Au cours des cinq dernières années, Google Research et Google for Health ont déplacé leur attention des premiers benchmarks vers le déploiement de modèles fondamentaux ouverts pouvant être ajustés et utilisés directement sur le lieu de soins.

Le parcours a commencé par la preuve que l'IA pouvait égaler les radiologues experts dans la lecture des radiographies thoraciques. Après la publication des résultats de benchmark en 2019 et la recommandation de l'Organisation mondiale de la Santé (OMS) pour la détection assistée par ordinateur en 2021, l'équipe s'est tournée vers la validation en conditions réelles. En septembre 2024, une étude prospective multi-centres publiée dans NEJM AI a confirmé que le dépistage assisté par IA maintient une haute sensibilité à travers diverses populations tout en détectant d'autres anomalies pulmonaires.

Pour combler le fossé entre l'algorithme et l'outil clinique, Google s'est associé à Nexus AI, une entreprise basée à Pretoria. Nexus AI a traduit les algorithmes de radiographie thoracique en un dispositif diagnostique certifié, obtenant la certification CE MDR classe IIb et la conformité ISO 13485. Cet outil est désormais actif dans environ 40 établissements de santé en Afrique du Sud, en Sierra Leone, en Côte d'Ivoire, en République démocratique du Congo, en Zambie et au Cameroun. Les cliniciens l'ont utilisé pour évaluer plus de 25 000 radiographies, réduisant les délais de traitement de plusieurs semaines à moins de 45 secondes.

Comment cela fonctionne

La technologie centrale repose sur des modèles multimodaux à poids ouverts permettant aux systèmes de santé locaux de construire des solutions souveraines. Google a publié MedSigLIP, un modèle léger vision-langage qui aligne les images médicales avec le texte clinique, permettant aux développeurs de rechercher ou classer des images à l'aide d'étiquettes en langage naturel. Sur cette base, ils ont lancé MedGemma, une famille de modèles à poids ouverts avec des configurations de 4 milliards et 27 milliards de paramètres.

MedGemma prend en charge le raisonnement clinique multimodal, synthétisant les résultats radiographiques avec l'historique du patient pour répondre aux questions des cliniciens en langage naturel. Crucialement, ces modèles fonctionnent localement sur l'appareil sans accès Internet. Cette capacité permet aux ministères de la santé d'affiner les modèles sur des jeux de données nationaux, gardant les données des patients à l'intérieur des frontières nationales. Par exemple, l'Indonésie utilise MedGemma pour dépister jusqu'à 50 millions de citoyens annuellement, évitant les risques liés à la résidence des données associés aux logiciels cloud propriétaires.

En complément des modèles visuels, Google a également développé Health Acoustic Representations (HeAR). Entraîné sur plus de 300 millions de segments audio, HeAR permet un dépistage non invasif via les sons de toux enregistrés sur des smartphones standard. Ce triage acoustique fonctionne parallèlement au dépistage par radiographie mobile pour créer une cascade diagnostique intégrée pour les populations mal desservies.

Détails clés

• Impact mondial : L'outil de Nexus AI a dépisté plus de 25 000 radiographies thoraciques dans six pays, impliquant plus de 90 cliniciens.
• Vitesse : L'IA réduit le délai de diagnostic de plusieurs semaines à moins de 45 secondes par scan.
• Modèles ouverts : MedGemma (4B et 27B paramètres) et MedSigLIP sont à poids ouverts, permettant un affinage local et une utilisation hors ligne.
• Adoption : MedGemma a été téléchargé plus de 10 millions de fois depuis son lancement.
• Déploiement souverain : L'Indonésie affine ces modèles sur une infrastructure locale pour dépister 50 millions de citoyens annuellement tout en maintenant la résidence des données.
• Environnements extrêmes : La technologie fonctionne quatre kilomètres sous terre à la mine d'or de Mponeng en Afrique du Sud, permettant un triage immédiat pour les mineurs exposés à la poussière de silice.

Pourquoi c'est important

Pour les ingénieurs développant des technologies de santé, ce passage d'API fermées à des modèles fondamentaux ouverts change l'architecture du déploiement. Cela supprime la dépendance à une connectivité constante et aux services cloud propriétaires, souvent peu fiables ou juridiquement problématiques dans les contextes de santé mondiale. En fournissant des modèles fonctionnant sur l'appareil, Google permet aux équipes locales de créer des solutions spécialisées adaptées aux schémas de maladies régionaux sans avoir besoin d'importantes ressources de calcul.

L'accent mis sur la conformité réglementaire et la validation clinique offre également une feuille de route pour faire passer l'IA de la recherche à la production. Obtenir la certification CE MDR classe IIb a nécessité des audits rigoureux et des essais cliniques prospectifs, démontrant que la sécurité et l'efficacité doivent être intégrées dès le cycle de développement. Cette approche garantit que les outils d'IA ne sont pas seulement précis dans les benchmarks, mais dignes de confiance au chevet du patient.

De plus, l'intégration du raisonnement multimodal permet un soutien clinique plus nuancé. Au lieu d'une simple classification binaire, des modèles comme MedGemma peuvent interpréter des cas complexes en combinant les données d'image avec l'historique clinique textuel. Cette capacité permet aux professionnels de santé qui ne sont pas nécessairement des radiologues spécialistes de prendre des décisions éclairées, démocratisant ainsi l'expertise dans les environnements à ressources limitées.

Ce que vous pouvez faire

• Explorez les modèles à poids ouverts MedGemma et MedSigLIP via les ressources Health AI Developer Foundations (HAI-DEF).
• Évaluez les capacités d'inférence hors ligne pour vos propres projets d'imagerie médicale afin de garantir le fonctionnement dans les zones à faible connectivité.
• Étudiez la voie réglementaire suivie par Nexus AI, y compris la conformité ISO 13485 et la certification CE MDR, pour votre propre planification de dispositifs médicaux.
• Envisagez des entrées multimodales, telles que la combinaison de données visuelles avec des signaux acoustiques comme les sons de toux, pour élargir la couverture diagnostique.
• Engagez-vous avec les partenaires locaux de santé pour comprendre les besoins spécifiques des flux de travail avant de concevoir des interventions basées sur l'IA.
• Consultez les études de validation prospective dans NEJM AI et The Lancet Digital Health pour comprendre les métriques de performance dans des cohortes réelles.