Schnelle Fortschritte in der medizinischen Bildgebung unterstreichen die entscheidende Notwendigkeit präziser und automatisierter Bildqualitätsbewertung (IQA), um die diagnostische Genauigkeit sicherzustellen. Bestehende Methoden zur medizinischen IQA haben jedoch Schwierigkeiten, sich über verschiedene Bildmodi und klinische Szenarien hinweg zu generalisieren. Um diesem Problem entgegenzukommen, führen wir MedIQA ein, das erste umfassende Grundmodell für die medizinische IQA. Es ist darauf ausgelegt, die Variabilität in Bildgrößen, Modi, anatomischen Regionen und Bildtypen zu bewältigen. Wir haben ein großes, multimodales Datensatz mit zahlreichen manuell annotierten Qualitätsbewertungen erstellt, um diese Arbeit zu unterstützen. Unser Modell integriert ein Modul zur Bewertung von markanten Bildschnitten, das sich auf diagnostisch relevante Regionen konzentriert und die Merkmalsextraktion unterstützt. Zudem wird eine automatische Prompt-Strategie eingesetzt, die die Vortrainierung mit physischen Parametern in der oberen Ebene mit der Feinabstimmung durch Expertenannotationen in der unteren Ebene abstimmt. Umfassende Experimente zeigen, dass MedIQA in mehreren nachgelagerten Aufgaben deutlich besser abschneidet als Baseline-Modelle. Dadurch wird ein skalierbares Framework für die medizinische IQA etabliert und die diagnostischen Prozesse sowie die klinische Entscheidungsfindung weiterentwickelt.