Die Gesundheitsversorgung setzt zunehmend KI ein, um die Workflow-Verwaltung, die Patientenkommunikation und die diagnostische und therapeutische Unterstützung zu verbessern. Es ist entscheidend, dass diese KI-basierten Systeme leistungsfähig, effizient und datenschutzkonform sind. Um diesem Anliegen gerecht zu werden, wurde Health AI Developer Foundations (HAI-DEF) entwickelt, eine Sammlung leichtgewichtiger offener Modelle, die Entwicklern robuste Ausgangspunkte für ihre eigene Gesundheitsforschung und Anwendungsentwicklung bieten. HAI-DEF-Modelle sind offen, was Entwicklern die volle Kontrolle über Datenschutz, Infrastruktur und Modelländerungen ermöglicht. Die MedGemma-Sammlung, Teil von HAI-DEF, umfasst Varianten in den Größen 4B und 27B, die Bild- und Texteingaben akzeptieren und Textausgaben produzieren. MedGemma-Modelle sind starke Ausgangspunkte für medizinische Forschung und Produktentwicklung, nützlich für medizinische Text- oder Bildaufgaben, die die Erzeugung von Freitext erfordern. MedSigLIP ist ein leichtgewichtiger Bild- und Text-Encoder für Klassifizierung, Suche und verwandte Aufgaben und wird für Bildaufgaben empfohlen, die strukturierte Ausgaben wie Klassifizierung oder Retrieval erfordern. Alle MedGemma- und MedSigLIP-Modelle können auf einer einzelnen GPU ausgeführt werden, und einige können sogar auf mobilen Hardware adaptiert werden. Die MedGemma-Sammlung ist offen, was Entwicklern ermöglicht, die Modelle herunterzuladen, zu erweitern und fein abzustimmen, um ihre spezifischen Anforderungen zu unterstützen. Forscher und Entwickler haben die MedGemma-Modelle für ihre Anwendungsfälle erkundet und gefunden, dass sie gut geeignet sind, kritische Probleme zu lösen. Um Entwicklern den Einstieg zu erleichtern, demonstrieren detaillierte Notebooks auf GitHub, wie Instanzen von MedSigLIP und MedGemma für Inferenz und Feinabstimmung auf Hugging Face erstellt werden können.