Resumen Técnico: Harrison.Rad 1.5 (HR1.5)

Declaración del Problema

La fuerza laboral de radiología no logra seguir el ritmo del crecimiento exponencial en la demanda de imágenes, lo que genera retrasos en los informes y fatiga del lector que degradan la precisión diagnóstica. Si bien las soluciones de IA existentes sobresalen en tareas específicas como la detección o el triaje, no abordan el cuello de botella central: el tiempo y el esfuerzo cognitivo requeridos para que los radiólogos sinteticen la historia clínica, los estudios previos y los hallazgos de la imagen en un informe estructurado. Los modelos multimodales de propósito general actuales y la IA de radiología especializada carecen a menudo del conocimiento profundo del dominio necesario para el razonamiento complejo, tienen dificultades con la radiología de placa simple multimodal más allá de las radiografías de tórax y no logran cumplir con los estándares de certificación estandarizados utilizados por los radiólogos humanos.

Metodología

Harrison.Rad 1.5 (HR1.5) es un modelo de lenguaje de gran tamaño (MLLM) multimodal específico para radiología, diseñado para aceptar entradas de texto e imagen entrelazadas (incluyendo el contexto clínico y estudios previos) para generar informes estructurados y no estructurados. El modelo sigue un proceso de entrenamiento de tres etapas:

1. Adaptación de Dominio: Un modelo de lenguaje base se adapta específicamente a informes radiológicos para establecer la competencia en el dominio.
2. Entrenamiento del Codificador Visual Contrastivo: El codificador visual se alinea con el texto mediante un enfoque basado en un currículo sobre aproximadamente 6 millones de instancias de imagen-informe. Esta etapa emplea "negativos duros" construidos a lo largo de ejes clínicamente significativos (amplitud) con dificultad graduada (profundidad) para obligar al modelo a distinguir entre descripciones que son léxicamente similares pero clínicamente distintas.
3. Ajuste Fino de Preguntas y Respuestas Visuales (VQA): El modelo se ajusta mediante conversaciones clínicas de múltiples turnos elaboradas a partir de casos reales. Este conjunto de datos está diseñado para sobremuestrear patologías subrepresentadas y controlar la dificultad, asegurando que el modelo aprenda a razonar a través de la historia clínica, la localización anatómica y la comparación longitudinal, en lugar de depender de estadísticas superficiales.

Infraestructura y Servicio:
HR1.5 fue entrenado en hardware de clase NVIDIA B200, lo que requirió un pipeline de carga de datos reestructurado para eliminar los cuellos de botella de E/S. Para la inferencia, un stack de servicio a medida construido sobre vLLM incorpora técnicas de decodificación contrastiva para reducir las alucinaciones. El sistema se despliega mediante un marco "agéntico" (HR1.5+) donde HR1.5 actúa como el consultor central, coordinándose potencialmente con otros modelos especializados para tareas complejas.

Marco de Evaluación:
El artículo critica las métricas convencionales (BLEU, ROUGE, RadGraph-F1) por recompensar el solapamiento léxico sobre la corrección clínica. En su lugar, HR1.5 se evalúa utilizando un marco de puntuación de Hallazgos-Diagnóstico que extiende RadGraph-XL con coincidencia de sinónimos basada en ontologías y detección de contradicción de polaridad. Para tareas de formato abierto donde la coincidencia automatizada es insuficiente, se utiliza un LLM-como-juez (Judge Findings-Diagnosis) para adjudicar la aceptabilidad clínica.

Contribuciones Clave

• Modelo Fundacional de Radiología Generalista: HR1.za se presenta como un sistema capaz de manejar toda la amplitud de la radiología de placa simple, incluyendo tórax, musculoesquelético, abdomen, columna, pelvis y mamografía, yendo más allá del enfoque exclusivo en tórax de sus predecesores.
• Rendimiento de Referencia (Benchmark): El modelo es evaluado contra el examen simulado de Casos Cortos 2B del Fellowship of the Royal College of Radiologists (FRCR), un estándar utilizado para certificar a radiólogos humanos.
• Explicabilidad y Confianza: El artículo introduce un motor de explicabilidad post-hoc que proporciona:
  • Rastreo de Conceptos: Verificación de que hallazgos clínicos específicos se codifican como direcciones lineales en las activaciones del modelo.
  • Localización de Conceptos: Generación de mapas de calor Grad-CAM sensibles a las preguntas y mapas de atención para mostrar qué regiones de la imagen impulsaron respuestas específicas.
  • Estimación de Confianza: Una puntuación de confianza derivada de la entropía de atención, el desacuerdo entre cabezales y la trayectoria de representación, corregida por "sumideros de atención" para proporcionar una señal de confianza más fiable.
• Metodología de Evaluación: Los autores proponen el Marco C6 (Cobertura, Corrección, Exhaustividad, Cuidado, Coherencia, Conformidad) como un estándar futuro para la evaluación de informes clínicos multidimensionales, abordando las limitaciones de las puntuaciones escalares.

Resultados

• Simulación FRCR: En un examen simulado de Casos Cortos FRCR 2B (el nuevo estándar de la RCR), HR1.5 y su variante agéntica HR1.5+ fueron los únicos sistemas evaluados en alcanzar el estándar de aprobación (umbrales del método Angoff). HR1.5+ logró una tasa de aprobación del 62.5% en las hojas de examen, mientras que todos los demás modelos (incluyendo GPT-5.4, Gemini-3, Claude Opus 4.7 y MedGemma) puntuaron por debajo del 50%, fallando la mayoría en aprobar una sola hoja.
• Preguntas de Formato Cerrado: En preguntas clínicas de formato cerrado sobre diagnóstico, presencia de hallazgos y clasificación de normal/anormal, HR1.5 alcanzó la mayor precisión (por ejemplo, 82.0% en Diagnóstico, 82.8% en Normal/Anormal) a través de tórax, musculoesquelético y otras partes del cuerpo.
• Generación de Formato Abierto: En el benchmark de radiografía de tórax RexGradient, HR1.5+ alcanzó la puntuación más alta de Judge Findings-Diagnosis (73.0%), indicando una superioridad en la corrección clínica frente a modelos que puntuaron más alto en métricas de solapamiento de texto superficial.
• Análisis Cualitativo: La revisión de radiólogos confirmó la capacidad de HR1.5 para detectar hallazgos sutiles (ej. fracturas de escafoides), realizar razonamiento longitudinal con estudios previos, localizar la anatomía con precisión y adaptarse a plantillas de informes específicas sin incluir texto redundante innecesario.
• Explicabilidad: El rastreo de conceptos mostró una alta separabilidad para los hallazgos clínicos (ROC-AUC > 0.85 para muchos conceptos). La tasa de acierto en localización fue alta (90.2% para CXR, 78.7% para MSK), indicando que el modelo presta atención a las regiones clínicamente relevantes incluso cuando la respuesta final es incorrecta (lo que sugiere errores de cognición en lugar de errores de búsqueda).

Significancia y Reivindicaciones

El artículo afirma que HR1.5 representa un paso significativo hacia la resolución de la crisis de capacidad en radiología al reducir el esfuerzo requerido para producir informes. Su principal significancia radica en ser el primer sistema evaluado que aprueba un examen FRCR simulado, demostrando que un modelo fundacional puede alcanzar un rendimiento de nivel experto en criterios diagnósticos estandarizados.

Los autores enfatizan que HR1.5 no cuenta con autorización para uso clínico y se libera únicamente para investigación y evaluación de capacidades. Argumentan que el panorama competitivo debe permanecer abierto para la evolución colectiva, pero que los modelos de propósito general actuales carecen del conocimiento específico del dominio requerido para el razonamiento radiológico complejo. El artículo concluye que, si bien HR1.5 se aproxima a la calidad de un informe experto, aún no lo iguala plenamente, y el trabajo futuro se centrará en el soporte de imágenes 3D/volumétricas y en el refinamiento del marco de evaluación C6 para capturar mejor la seguridad y el matiz clínico.