MedGemma : les modèles ouverts de Google veulent élargir l’IA médicale

À la mi-juillet 2025, l’intelligence artificielle médicale ne se limite plus aux démonstrations de laboratoire ou aux logiciels propriétaires très coûteux. Google propose avec MedGemma et MedSigLIP des modèles conçus pour traiter des informations de santé, des textes cliniques aux images médicales. L’enjeu est considérable : fournir aux professionnels un second regard capable de trier, rechercher et synthétiser, sans transformer l’algorithme en médecin.

Cette annonce intéresse particulièrement les hôpitaux, les chercheurs et les développeurs qui souhaitent adapter des outils à leurs propres données et procédures. En rendant les modèles téléchargeables et modifiables, Google ouvre la voie à des usages locaux, y compris dans des organisations qui ne disposent pas des moyens financiers ou informatiques des grands groupes hospitaliers. Mais leurs performances, aussi encourageantes soient-elles, ne suffisent pas à prouver une efficacité clinique dans toutes les situations.

Trois modèles, trois rôles complémentaires

Le nom MedGemma désigne une famille de modèles dérivés de Gemma et orientés vers la médecine. Elle comprend notamment MedGemma 27B, une version de 27 milliards de paramètres destinée au raisonnement à partir de contenus médicaux textuels, et MedGemma 4B, plus compacte. La famille vise à rapprocher l’analyse de documents médicaux et l’exploitation d’éléments visuels, tandis que MedSigLIP est plus spécifiquement conçu pour établir des correspondances entre une image et un texte.

Ces outils ne « comprennent » pas une maladie comme le ferait un praticien qui examine un patient. Ils repèrent plutôt des régularités statistiques apprises durant leur entraînement et produisent une réponse, une synthèse ou un rapprochement avec des cas documentés. Dans un dossier médical, cette capacité peut aider à organiser une information abondante : comptes rendus, antécédents, résultats d’examens ou questions posées par une équipe soignante.

La différence de taille compte en pratique. Un modèle de 27 milliards de paramètres peut offrir davantage de capacités, mais nécessite aussi davantage de ressources de calcul. Une version de 4 milliards de paramètres est, elle, plus facile à déployer. Google indique que ces modèles sont conçus pour fonctionner sur une seule carte graphique, et que le plus petit peut être adapté à des appareils mobiles. Cette contrainte technique est décisive pour envisager des usages hors des grands centres de calcul.

Que mesurent réellement les scores de MedGemma ?

Le chiffre le plus marquant est le score de 87,7 % obtenu par MedGemma 27B sur MedQA. Ce benchmark évalue la capacité d’un modèle à répondre à des questions médicales. Il permet de comparer des systèmes dans un cadre commun et place cette version de MedGemma à un niveau proche de modèles plus onéreux, selon les résultats mis en avant.

MedGemma 4B affiche pour sa part 64,4 % sur la même évaluation. Ce résultat inférieur doit être lu à l’aune de sa taille plus réduite : pour un établissement qui privilégie l’exécution locale ou qui dispose de matériel limité, le compromis entre puissance et accessibilité peut être pertinent.

Toutefois, un score de benchmark n’est pas un taux de diagnostic exact dans un service hospitalier. Une question standardisée ne reproduit pas la complexité d’une consultation, avec ses symptômes parfois atypiques, ses examens incomplets, les préférences d’un patient ou les contraintes d’urgence. Un bon résultat sur MedQA indique une capacité à traiter un type de connaissances médicales, pas une autorisation à prendre une décision de soin.

MedSigLIP, un moteur de recherche pour l’imagerie médicale

Avec 400 millions de paramètres, MedSigLIP est plus léger que les grands modèles de langage, mais sa tâche est très spécifique. Il est entraîné pour examiner des radiographies, des échantillons de tissus ou encore des photographies de pathologies cutanées, puis pour les relier à une description textuelle pertinente.

Son intérêt principal tient à la recherche de similarités. Confronté à une radiographie, le modèle peut retrouver dans une base de données des images comparables et les informations médicales qui leur sont associées. Pour un radiologue, un pathologiste ou un chercheur, cela peut accélérer l’accès à des cas de référence et réduire le temps passé à parcourir manuellement de grandes collections d’images.

La recherche de cas similaires n’équivaut toutefois pas à un diagnostic. Deux images visuellement proches peuvent correspondre à des situations cliniques différentes. L’âge, les antécédents, les résultats biologiques, l’évolution des symptômes et la qualité de l’image restent des éléments indispensables à l’interprétation. La valeur de MedSigLIP dépendra donc autant de la qualité de la base interrogée que de celle du modèle.

Des premiers essais dans des contextes hospitaliers variés

Les retours cités autour de ces modèles restent initiaux, mais ils donnent une idée des usages envisagés. Dans le Massachusetts, l’entreprise DeepHealth expérimente MedSigLIP pour analyser des radiographies thoraciques. Les premiers résultats évoqués soulignent sa capacité à signaler des anomalies, avec l’objectif de constituer un filet de sécurité pour des radiologues confrontés à une forte charge de travail.

Une telle fonction d’alerte peut être utile dans un flux d’imagerie très dense : l’outil aide à attirer l’attention sur un examen, sans se substituer à la lecture du spécialiste. Son efficacité doit néanmoins être mesurée sur le terrain, notamment pour éviter deux écueils opposés : laisser passer une anomalie importante ou multiplier les alertes inutiles.

Au Chang Gung Memorial Hospital, à Taïwan, des chercheurs ont constaté que MedGemma interagissait efficacement avec des textes médicaux en chinois traditionnel et fournissait des réponses précises aux questions du personnel médical. En Inde, Tap Health a également souligné la fiabilité de MedGemma dans des contextes cliniques. Ces expériences illustrent l’intérêt d’outils capables de s’adapter aux langues et aux besoins locaux, alors que la médecine numérique reste souvent dominée par l’anglais.

Pourquoi l’accès ouvert change la donne pour les hôpitaux

Google présente MedGemma et MedSigLIP comme des ressources accessibles aux développeurs, aux hôpitaux et aux chercheurs. Les modèles peuvent être téléchargés, modifiés et intégrés à un environnement spécifique. Dans le domaine de la santé, cette possibilité est importante, car un logiciel médical doit souvent tenir compte d’un vocabulaire local, de formats de dossiers propres à chaque établissement et de règles internes strictes.

Le déploiement sur les serveurs de l’hôpital peut aussi éviter que des données de patients soient envoyées à un service externe. Cette approche donne davantage de contrôle à l’établissement sur les données, les versions du modèle et les conditions d’usage. Elle ne constitue pas, à elle seule, une garantie absolue de confidentialité : la protection dépend aussi de la sécurité des serveurs, des accès autorisés, de la journalisation et de la manière dont les données sont préparées.

L’accès ouvert facilite également la reproductibilité en recherche. Une équipe peut conserver une version déterminée du modèle, documenter ses réglages et reproduire un protocole. Dans un secteur où la stabilité des résultats est essentielle, cette maîtrise représente un avantage par rapport à un service distant qui évoluerait sans que l’utilisateur puisse en contrôler chaque modification.

L’IA médicale peut-elle remplacer le jugement d’un médecin ?

Non. Les modèles MedGemma sont conçus comme des assistants, non comme des décideurs autonomes. Ils peuvent aider à rédiger un compte rendu, à retrouver une information dans un dossier long, à répondre à une question médicale structurée ou à mettre en évidence une image qui mérite une attention particulière. La responsabilité du diagnostic, de la prescription et de la décision thérapeutique reste celle des professionnels qualifiés.

Cette distinction est essentielle parce qu’un modèle génératif peut se tromper avec assurance. Il peut produire une réponse plausible mais inexacte, mal interpréter un élément ambigu ou être moins fiable dans des situations rares. Le risque augmente si l’outil est utilisé hors de son domaine d’évaluation ou si ses résultats sont repris sans contrôle humain.

Les 81 % de rapports de radiographies issus de MedGemma 4B jugés suffisamment précis pour orienter des décisions cliniques lors de revues par des radiologistes certifiés constituent un signal prometteur. Mais ce chiffre signifie aussi que tous les rapports ne répondaient pas à ce niveau d’exigence. Dans un domaine où une erreur peut avoir des conséquences directes sur une personne, la vérification médicale n’est donc pas une étape facultative.

Une promesse d’accessibilité, sous conditions

La possibilité de faire fonctionner ces modèles avec une seule carte graphique, voire sur des appareils mobiles pour les versions les plus petites, pourrait intéresser les régions où l’accès à des infrastructures informatiques avancées demeure limité. Dans des systèmes de santé confrontés aux pénuries de personnel et à l’augmentation du volume de patients, un outil d’assistance peut contribuer à prioriser les dossiers ou à préparer des informations utiles.

L’accessibilité financière et technique ne résout cependant pas tous les problèmes. Il faut disposer de données de qualité, d’un matériel adapté, d’équipes formées et de procédures pour identifier les erreurs. Un modèle médical n’est utile que s’il s’insère dans une organisation de soins capable d’en interpréter les résultats et d’en limiter les risques.

Ce qu’il faut surveiller avant un déploiement réel

La prochaine étape ne sera pas seulement d’améliorer les scores, mais de documenter l’usage concret de MedGemma et de MedSigLIP dans les hôpitaux. Les établissements devront évaluer leurs performances sur leurs propres populations, y compris pour les cas rares ou les données imparfaites. Ils devront aussi mesurer l’impact sur le temps des soignants, la qualité des comptes rendus et les éventuelles erreurs.

La question de la gouvernance sera tout aussi importante. Qui valide les réponses du modèle ? Quelles données sont utilisées pour l’adapter ? Comment les médecins sont-ils informés de ses limites ? À quelles tâches l’outil peut-il contribuer, et à quelles tâches ne doit-il pas être employé ?

MedGemma ne promet pas une médecine sans médecins. Son potentiel réside plutôt dans une IA plus accessible, que les équipes pourraient examiner, adapter et garder sous leur contrôle. C’est à cette condition que des performances techniques encourageantes pourront devenir une aide réellement utile au soin.