RVLM: Recursive Vision-Language Models with Adaptive Depth

Resumo Técnico: RVLM – Modelos Visão-Linguagem Recursivos com Profundidade Adaptativa

1. O Problema

O artigo identifica duas limitações fundamentais nos atuais sistemas de IA médica baseados em Modelos Visão-Linguagem (VLMs):

1. Opacidade e Falta de Auditabilidade: Os VLMs convencionais operam em uma única passagem de inferência (single-pass), gerando previsões de "caixa preta" sem revelar o raciocínio intermediário. Isso viola os padrões de evidência clínica e os requisitos de regulamentação (como o Ato de IA da UE e ISO/IEC 42001), que exigem transparência e capacidade de auditoria.
2. Orçamento de Iteração Fixo: Sistemas de raciocínio iterativo existentes dependem de um limite fixo de iterações (fixed budget). Essa abordagem é ineficiente: desperdiça recursos computacionais em casos simples (que exigiriam poucos passos) e é insuficiente para casos complexos (que necessitam de maior profundidade de análise).

2. Metodologia

Os autores propõem um quadro unificado composto por dois componentes principais: o RVLM (para interpretabilidade) e o RECURSIONROUTER (para eficiência adaptativa).

A. RVLM (Modelo Visão-Linguagem Recursivo)
O RVLM substitui a inferência de única passagem por um loop iterativo de gerar-executar baseado em um ambiente REPL (Read-Eval-Print Loop) persistente:

• Código como Raciocínio: Em cada iteração, o modelo escreve e executa código Python para manipular imagens, invocar sub-agentes de visão e acumular evidências.
• Primitivas Visuais: O ambiente inclui funções nativas para:
  • describe_image: Gera descrições textuais de regiões de interesse.
  • llm_query_with_images: Realiza perguntas visuais e comparações cruzadas entre modalidades.
  • Manipulação programática de imagens (recorte, realce de contraste, mapas de diferença).
• Rastreamento Verificável: Cada afirmação diagnóstica é fundamentada em código executável, criando um rastro de auditoria completo onde cada passo pode ser reproduzido e inspecionado.
• Decomposição Consciente de Modalidade: O sistema instrui o modelo a analisar cada modalidade de imagem (ex: T1, T2, FLAIR em MRI) separadamente antes de sintetizar os achados, evitando a diluição da atenção.

B. RECURSIONROUTER (Profundidade Adaptativa)
Este componente trata a profundidade de recursão como uma variável latente inferida a partir da complexidade da tarefa, eliminando a necessidade de hiperparâmetros fixos:

• Estimador de Complexidade: Antes da execução, calcula um escore de complexidade ($s$) baseado em quatro características da tarefa (ex: entropia de rótulos, volume do tumor, contagem de sub-regiões, presença de regiões minúsculas).
• Orçamento Dinâmico: Mapeia o escore de complexidade para um orçamento de iterações ideal (ex: 3 iterações para casos simples, até 6 para casos complexos).
• Detecção de Estagnação (Stall Detection): Monitora a produtividade a cada iteração. Se duas iterações consecutivas não produzirem progresso significativo e o orçamento recomendado for atingido, o sistema encerra o processo antecipadamente.

C. Geração de Relatórios Clínicos
Um sub-agente secundário converte o rastro de raciocínio do código (REPL) em um relatório estruturado em PDF, formatado para clínicos, mantendo a verificação do código subjacente e incluindo avisos de IA.

3. Principais Contribuições

1. Framework Unificado: Integra raciocínio recursivo com suporte de primeira classe para imagens, permitindo que o modelo inspecione, manipule e consulte imagens iterativamente.
2. Orçamento Adaptativo: Introduz o RECURSIONROUTER, que ajusta dinamicamente o custo computacional à dificuldade do caso, otimizando custos e latência.
3. Conformidade Regulatória: Mapeia explicitamente os mecanismos técnicos para requisitos de governança de IA (transparência, rastreabilidade, supervisão humana), demonstrando como a interpretabilidade deve ser arquitetada, não adicionada posteriormente.
4. Generalização sem Ajuste Fino (Fine-tuning): O sistema foi aplicado em duas modalidades distintas (MRI cerebral e Radiografia de tórax) usando o mesmo backend e infraestrutura, alterando apenas os prompts de nível de usuário.

4. Resultados Experimentais

O sistema foi avaliado no Gemini 2.5 Flash sem ajuste fino, em dois benchmarks:

• BraTS 2023 Meningioma (MRI Cerebral):

  • Consistência: Alcançou 90% de consistência em achados de alta saliência (presença de massa, realce) em 16 execuções independentes.
  • Detecção de Discrepâncias: Capaz de identificar autonomamente discrepâncias entre modalidades (ex: sinal hiperintenso no FLAIR sugerindo edema, mas ausência de região de edema na máscara de segmentação), algo impossível para VLMs de única passagem.
  • Eficiência: O router reduziu o orçamento de iterações de 12 (fixo) para 3 em casos simples, economizando recursos.

• MIMIC-CXR (Radiografia de Tórax):

  • Relatórios Estruturados: Gerou relatórios de "Achados" e "Impressão" clinicamente coerentes.
  • Reconhecimento de Artefatos: Identificou corretamente artefatos específicos da vista (ex: magnificação cardíaca em vistas AP portáteis).
  • Desempenho: O orçamento recomendado pelo router coincidiu com o número de iterações empiricamente necessárias.

5. Significado e Impacto

• Segurança Clínica e Auditoria: O RVLM transforma a IA médica de uma ferramenta de "caixa preta" em um sistema auditável. Cada diagnóstico é suportado por um rastro de código executável, permitindo que radiologistas verifiquem, repliquem e contestem o raciocínio da IA.
• Eficiência Operacional: A abordagem adaptativa resolve o dilema custo-desempenho, permitindo a implantação em larga escala sem sacrificar a profundidade de análise em casos complexos.
• Futuro da IA Regulada: O trabalho oferece um caminho prático para atender a regulamentações rigorosas (como o Ato de IA da UE) ao projetar a transparência e a supervisão humana diretamente na arquitetura do modelo, em vez de tratá-las como pós-processamento.

Em suma, o RVLM demonstra que o raciocínio visual iterativo, fundamentado em código e adaptado à complexidade da tarefa, supera as abordagens de única passagem em termos de precisão, auditabilidade e eficiência para aplicações médicas de alto risco.