Transition-Aware best-of-N sampling for Longitudinal Chest X-ray Reports

Resumen Técnico: Muestreo Best-of-N con Conciencia de Transición para Informes de Radiografías de Tórax Longitudinales

Planteamiento del Problema
En la práctica clínica longitudinal, las radiografías de tórax rara vez se interpretan de forma aislada; se leen en el contexto de los exámenes previos del paciente. Los radiólogos se centran intensamente en el cambio entre visitas (por ejemplo, "estabilidad en el intervalo", "nueva opacidad", "mejora de la aireación"). Si bien los modelos de lenguaje y visión (VLM) modernos pueden generar informes creíbles de radiografías de tórax, los procesos estándar de muestreo Best-of-N tratan cada imagen de prueba de forma independiente. Estos procesos suelen calificar los informes candidatos frente a una distribución de informes de referencia de una sola imagen, ignorando la transición temporal de la visita previa. En consecuencia, un informe candidato puede parecer plausible de forma aislada, pero describir una transición clínicamente inválida (por ejemplo, alucinar un empeoramiento agudo o omitir silenciosamente hallazgos crónicos) en relación con la historia del paciente.

Metodología
Los autores proponen un marco de Muestreo Best-of-N con Conciencia de Transición que no requiere entrenamiento. Este método opera después del generador, sin necesidad de realizar modificaciones en los VLM preentrenados. El proceso consta de tres etapas principales:

1. Representación de Informe mediante Conjunto de Oraciones:
   Cada informe (dividido en las secciones de Hallazgos e Impresión) se divide en oraciones individuales. Un transformador de oraciones congelado (específicamente all-mpnet-base-v2) incrusta cada oración en un vector de dimensión fija ($d=768$). El informe se representa como un conjunto desordenado de estas incrustaciones, lo que garantiza la invarianza de permutación, lo cual se alinea con la realidad clínica de que el orden de los hallazgos no tiene significado diagnóstico.

2. Representación de Transición Direccional:
   Para un paciente con una visita previa $r^{(k-1)}$ y una visita actual $r^{(k)}$, el método calcula una distancia direccional de conjunto a conjunto entre los conjuntos de incrustaciones de oraciones de las dos visitas. Esto reduce el par a un único vector de dimensión fija ($g \in \mathbb{R}^{d'}$) que representa el "cambio". Los autores implementan cuatro diseños específicos de distancia direccional:

   • Desplazamiento de la Media (Mean-Shift): El desplazamiento del centroide del conjunto actual relativo al conjunto previo.
   • Residual de Novedad (Novelty Residual): El residual medio de cada oración actual relativo a su vecino más cercano en el conjunto previo (capturando qué es lo nuevo).
   • Ancla de Hausdorff Dirigida (Directed-Hausdorff Anchor): El desplazamiento en el punto peor cubierto del conjunto actual relativo al conjunto previo.
   • Transporte Óptimo con Costo Ponderado (Cost-Weighted Optimal Transport, Cost-OT): Un vector de desplazamiento ponderado tanto por la masa de transporte como por el costo de coseno, evitando el colapso trivial.

3. Selección con Conciencia de Transición:
   Se precalcula un banco de vectores de transición de la verdad de terreno (ground-truth) a partir del corpus de entrenamiento. En el momento de la prueba, para un paciente dado y $K$ informes candidatos generados por un VLM, cada candidato se convierte en un vector de transición (comparando el informe previo real del paciente con el informe actual generado).

   • Los candidatos se califican basándose en la distancia de coseno entre su vector de transición y el banco de vectores de transición de entrenamiento almacenados en caché.
   • Las estrategias de agregación incluyen Mínimo (el más cercano a cualquier transición de entrenamiento individual) y k-Vecinos más Cercanos (kNN) (el promedio de la distancia a los $k$ más cercanos).
   • Se selecciona el candidato con la mínima distancia total (suma de las secciones de Hallazgos e Impresión).

Contribuciones Clave

• Primer Selector Longitudinal Libre de Entrenamiento: Según los autores, este es el primer esquema de muestreo Best-of-N para generadores de radiografía de tórax preentrenados que es explícitamente consciente de la transición longitudinal de la visita previa a la actual.
• Calificación en el Espacio de Transición: A diferencia de otros métodos que califican los candidatos en el "espacio del informe" (similitud con una referencia estática), este método califica en el "espacio de transición". Esto penaliza a los candidatos que describen cambios clínicamente implausibles, incluso si el texto en sí parece un informe válido.
• Marco Modular: El enfoque es agnóstico al generador y al prompt, demostrado a través de tres VLM (Gemini-2.5-Flash-Lite, Gemini-3.1-Flash-Lite-preview, Mistral-Small-2603) y tres regímenes de prompting (zero-shot, few-shot y zero-shot condicionado en informes previos).

Resultados Experimentales
El marco fue evaluado en una cohorte AP/PA de múltiples visitas derivada del conjunto de datos ReXGradient-160K (22,745 transiciones de entrenamiento, 1,727 transiciones de prueba). El rendimiento se midió frente a un baseline de selección aleatoria utilizando métricas de solapamiento de NLP (BLEU, ROUGE, METEOR, BERTScore) y métricas de contenido clínico (RadGraph, CheX-14).

• Impresiones: El método produjo ganancias relativas sustanciales. Las configuraciones más fuertes lograron hasta un +8.5% de mejora relativa en ROUGE-L, un +13.6% en RadGraph averaged-F1 y un +4.4% en METEOR. Los autores señalan que la sección de Impresión, al ser un resumen corto orientado al cambio, es el régimen donde la señal de transición proporciona la mayor información de clasificación.
• Hallazgos: Cada método de transición (en todos los tipos de distancia y estrategias de agregación) superó al baseline aleatorio en todas las métricas principales. La configuración Cost-OT/min mostró los resultados más fuertes para BERTScore-F1 (+3.1%) y RadGraph (+5.1%).
• Consistencia: El enfoque superó consistentemente a la selección aleatoria en los tres VLM y en las tres estrategias de prompting.

Significancia y Reivindicaciones
El artículo sostiene que modelar el contexto longitudinal en la etapa de selección es una vía crítica y previamente no explotada para mejorar la generación de informes. Al aprovechar un banco de transiciones de la verdad de terreno, el sistema proporciona un a priori sobre cómo cambian los informes entre visitas, en lugar de solo sobre qué aspectos de los informes individuales son válidos. Esto filtra eficazmente a los candidatos que, aunque son lingüísticamente fluidos, describen progresiones clínicamente imposibles (por ejemplo, la desaparición repentina de condiciones crónicas sin explicación). Los autores posicionan esto como una herramienta de escalado práctica y libre de entrenamiento que mejora la fiabilidad de la generación de informes radiológicos automatizados en entornos longitudinales.