Les soins de santé utilisent de plus en plus l'intelligence artificielle pour améliorer la gestion du flux de travail, la communication avec les patients, et le soutien diagnostique et thérapeutique, et il est essentiel que ces systèmes basés sur l'IA soient performants, efficaces et respectueux de la vie privée. Pour répondre à ce besoin, les Fondations de développement d'IA pour la santé (HAI-DEF) ont été créées, une collection de modèles légers ouverts qui offrent aux développeurs des points de départ solides pour leurs propres recherches et développements d'applications de santé. Les modèles HAI-DEF sont ouverts, permettant aux développeurs de conserver le contrôle total sur la vie privée, l'infrastructure et les modifications apportées aux modèles. La collection MedGemma, partie intégrante de HAI-DEF, comprend des variantes de 4B et 27B qui acceptent des entrées d'images et de texte et produisent des sorties de texte. Les modèles MedGemma sont des points de départ solides pour la recherche médicale et le développement de produits, utiles pour les tâches médicales de texte ou d'imagerie qui nécessitent la génération de texte libre. MedSigLIP est un encodeur d'images et de texte léger pour la classification, la recherche et les tâches connexes, et est recommandé pour les tâches d'imagerie qui impliquent des sorties structurées comme la classification ou la récupération. Tous les modèles MedGemma et MedSigLIP peuvent être exécutés sur une seule carte graphique, et certains peuvent même être adaptés pour fonctionner sur du matériel mobile. La collection MedGemma est ouverte, permettant aux développeurs de télécharger, de construire et d'affiner les modèles pour répondre à leurs besoins spécifiques. Les chercheurs et les développeurs explorent les modèles MedGemma pour leurs cas d'utilisation, les trouvant aptes à résoudre des problèmes cruciaux. Pour aider les développeurs à démarrer, des carnets de notes détaillés sur GitHub montrent comment créer des instances de MedSigLIP et de MedGemma pour l'inférence et l'affinage sur Hugging Face.