RadAgents: Multimodal Agentic Reasoning for Chest X-ray Interpretation with Radiologist-like Workflows

Resumo Técnico: RadAgents

1. Problema e Motivação

A interpretação de Radiografias de Tórax (CXR) é fundamental para o diagnóstico pulmonar, mas os sistemas de IA atuais enfrentam limitações críticas:

• Falta de Interpretabilidade Clínica: O raciocínio muitas vezes não segue diretrizes médicas ou é apenas uma agregação de saídas de ferramentas, sem justificativa clínica clara.
• Fusão Multimodal Insuficiente: As evidências visuais e textuais são frequentemente desconectadas, resultando em justificativas puramente textuais sem fundamentação visual ("grounding").
• Inconsistências e Falta de Verificação: Sistemas existentes raramente detectam ou resolvem contradições entre diferentes ferramentas e não possuem mecanismos principiais de verificação.
• Paradigma "Codificar uma Vez, Texto Apenas": A maioria dos modelos codifica a imagem uma única vez e realiza o raciocínio apenas em texto, falhando em tarefas que exigem re-inspeção iterativa, medições precisas e comparações temporais (essenciais para radiologistas).

2. Metodologia: A Arquitetura RadAgents

O RadAgents é um sistema multiagente que codifica fluxos de trabalho de radiologistas em um pipeline modular e auditável. A arquitetura é composta por sete agentes especializados:

• Agentes Subespecialistas (ABCDE): Cinco agentes implementam o esquema de revisão clínica padrão (ABCDE):

  • Airway (Via Aérea): Avalia patência e alinhamento da traqueia.
  • Breathing (Respiração): Analisa parênquima pulmonar e pleura.
  • Circulation (Circulação): Avalia silhueta cardíaca e mediastino.
  • Diaphragm (Diafragma): Verifica integridade e ar subdiafragmático.
  • Everything-else (Outros): Identifica paredes torácicas, fraturas e dispositivos médicos.
  • Funcionamento: Cada agente possui seu próprio contexto e um conjunto de habilidades (skills) codificadas em prompts de sistema, seguindo fluxos de trabalho pré-definidos (ex: calcular o índice cardiotorácico) ou raciocínio ReAct para consultas fora do modelo.

• Orquestrador (Orchestrator): Analisa a consulta do usuário, extrai entidades clínicas, ativa apenas os subagentes relevantes (reduzindo custo computacional) e distribui tarefas com contexto do paciente. Ele não prescreve ferramentas específicas, permitindo que os agentes compõem dinamicamente as ferramentas necessárias.

• Sintetizador (Synthesizer): Agrega as saídas dos subagentes, verifica a consistência e resolve conflitos.

  • Resolução de Conflitos via V-RAG: Quando há discrepâncias entre ferramentas (ex: uma ferramenta diz "edema", outra "cardiomegalia"), o Sintetizador utiliza Visual Retrieval-Augmented Generation (V-RAG). Ele busca estudos de CXR clinicamente similares em um banco de dados (usando embeddings de imagem) e usa esses exemplos como referência para adjudicar a resposta correta, imitando a prática de radiologistas consultarem casos anteriores.

• Memória de Curto Prazo: Mantém um cache compartilhado de contextos do paciente e saídas de ferramentas para evitar chamadas redundantes e garantir consistência em análises multi-etapa.

• Conjunto de Ferramentas (Tool Set): Integra modelos de ponta para segmentação (CXAS, BiomedParser), phrase grounding (MAIRA-2), medições geométricas (scripts Python), VQA (MedGemma, CheXagent) e geração de laudos.

3. Contribuições Principais

1. Formalização de Fluxos de Trabalho Multimodais: O primeiro sistema a codificar explicitamente fluxos de trabalho de radiologistas (ABCDE) em um sistema multiagente, intercalando evidência visual, medições e raciocínio textual.
2. Arquitetura Auditável e com Resolução de Conflitos: Introduz um design traçável onde cada passo é registrado, combinando um Sintetizador com V-RAG para resolver inconsistências entre ferramentas, melhorando a confiabilidade e a segurança.
3. Desempenho com Modelos Leves: Demonstra que modelos de linguagem visuais (VLMs) de código aberto e leves (Qwen3-VL-8B), quando combinados com fluxos de trabalho estruturados e ferramentas, podem superar modelos proprietários massivos (como GPT-4o) e modelos especializados em CXR.

4. Resultados Experimentais

O RadAgents foi avaliado em três conjuntos de dados desafiadores: ChestAgentBench, CheXbench e MIMIC-CXR (geração de laudos).

• ChestAgentBench: O RadAgents alcançou a melhor precisão em todas as 7 categorias de competências (ex: detecção, caracterização, diagnóstico), atingindo 73,6% de precisão global. Isso supera significativamente o CheXagent (39,5%), o GPT-4o (56,4%) e variantes de base sem o fluxo de trabalho completo. A ablação mostrou que o V-RAG contribuiu com cerca de 6-7 pontos de ganho absoluto.
• CheXbench: Alcançou 74,6% de precisão global, superando tanto modelos especializados quanto o GPT-4o em tarefas de VQA e raciocínio imagem-texto.
• Geração de Laudos (MIMIC-CXR): No cenário de múltiplas visualizações e longitudinal, o RadAgents obteve a maior pontuação GREEN (51,4), superando o GPT-4o (34,2) e o CheXagent (23,6). Isso indica superioridade na geração de laudos clinicamente consistentes ao longo do tempo.
• Eficiência de Modelos: Um modelo de 8B (Qwen3-VL) com a arquitetura RadAgents superou o GPT-4o, sugerindo que a estrutura do fluxo de trabalho é mais crítica do que apenas o tamanho do modelo.
• Análise de Escala: Aumentar o tamanho do modelo do Sintetizador (de 4B para 30B) melhorou drasticamente a taxa de resolução de conflitos (de 26,3% para 60,5%), enquanto o aumento no Orquestrador teve ganhos marginais na distribuição de tarefas.

5. Significado e Impacto

O RadAgents representa um avanço significativo na aplicação de IA para radiologia ao:

• Alinhar IA com a Prática Clínica: Ao imitar o processo cognitivo estruturado e iterativo dos radiologistas, o sistema gera saídas mais confiáveis e auditáveis.
• Resolver o Problema de "Alucinação" e Inconsistência: O mecanismo V-RAG fornece uma camada de verificação baseada em evidências visuais externas, reduzindo erros de ferramentas individuais.
• Democratização de Soluções de Alta Qualidade: Demonstra que é possível construir sistemas de diagnóstico robustos e seguros utilizando modelos de código aberto e acessíveis, sem depender exclusivamente de modelos proprietários massivos e caros.
• Rastreabilidade: Oferece logs detalhados de cada etapa (segmentação, medição, verificação), permitindo auditoria e análise de erros, algo crucial para a adoção clínica.

Em resumo, o RadAgents propõe uma mudança de paradigma de "modelos de caixa preta" para sistemas agênticos colaborativos e baseados em fluxo de trabalho, oferecendo uma via promissora para a implementação segura e eficaz de IA em ambientes clínicos reais.