Resumo Técnico: DobicVLM

Declaração do Problema

A Geração Automática de Relatórios Radiológicos (ARRG) para Radiografias de Tórax (CXRs) enfrenta uma lacuna crítica entre modelos experimentais e utilidade clínica. Embora os Modelos de Visão-Linguagem (VLMs) gerais possam gerar texto, eles frequentemente falham em atender aos requisitos de alto risco da radiologia, especificamente:

• Aderência Estrutural: Falha em seguir protocolos rígidos (ex.: seções distintas de "Achados" e "Impressão").
• Completude Anatômica: Omissão de estruturas anatômicas críticas.
• Fidelidade Semântica: Geração de "alucinações" (achados fabricados) ou desvios das convenções de relatório padrão.
• Limitações de Treinamento: O Ajuste Fino Supervisionado (SFT) padrão muitas vezes aprende padrões estatísticos, mas tem dificuldade em impor restrições estritas, levando a falhas de formatação e erros fatuais.
• Opacidade do Modelo de Recompensa: O Aprendizado por Reforço com Feedback Humano (RLHF) tradicional depende de modelos de recompensa neurais que são frequentemente opacos, instáveis e difíceis de auditar para segurança clínica.

Metodologia

Os autores propõem o DobicVLM, um framework especializado que alinha o relatório de radiografia de tórax com os padrões clínicos através de um pipeline de treinamento de dois estágios usando a arquitetidade MedGemma-4B.

1. Arquitetura do Modelo

• Modelo Base: MedGemma-4B, estendendo o Gemma 3 com um codificador de visão SigLIP 400M para processamento de raio-X.
• Eficiência: Utiliza Adaptação de Baixo Posto (LoRA) aplicada às projeções de consulta (query) e valor (value) nas camadas de atenção, permitindo um ajuste fino eficiente em hardware limitado (GPUs Nvidia A100).

2. Pipeline de Treinamento

O processo de treinamento consiste em dois estágios distintos:

• Estágio 1: Ajuste Fino Supervisionado (SFT): O modelo é treinado em 1.000 pares imagem-relatório desidentificados para estabelecer competência de base. A aumentação de dados inclui rotação, inversão (flipping) e ajustes de contraste.
• Estágio 2: Otimização de Política Relativa de Grupo (GRPO): A política é refinada usando GRPO, um algoritmo de aprendizado por reforço livre de crítico. Ao contrário do RLHF, o GRPO não requer um modelo de recompensa neural separado. Em vez disso, ele gera um grupo de $G$ saídas candidatas, atribui recompensas baseadas em uma função programática e otimiza a política contrastando essas saídas contra a média e o desvio padrão do grupo.

3. Recompensas Programáticas Fundamentadas na Clínica

Uma inovação central é a substituição de modelos de recompensa aprendidos por funções de recompensa interpretáveis e baseadas em regras. A recompensa total $R_{total}$ é uma soma ponderada de quatro componentes:

1. Aderência Estrutural ($R_{struct}$): Verificação por Regex garantindo a presença dos cabeçalhos obrigatórios (Indicação, Comparação, Achados, Impressão).
2. Checklist Anatômico ($R_{check}$): Calcula a fração de termos anatômicos obrigatórios (ex.: silhueta cardíaca, ângulos costofrênicos) presentes no texto gerado.
3. Fidelidade Semântica ($R_{overlap}$): Utiliza pontuações ROUGE-L F1 na seção "Impressão" para garantir o alinhamento com o ground truth.
4. Restrição de Comprimento ($R_{len}$): Uma penalidade suave para relatórios que caem fora da faixa de [80, 450] tokens.

Principais Contribuições

1. Framework DobicVLM: Um pipeline robusto para ajustar o MedGemma-4B em relatórios clínicos reais usando LoRA e GRPO.
2. GRPO para Alinhamento Clínico: Uma das primeiras aplicações de GRPO à radiologia, demonstrando que a otimização livre de crítico pode efetivamente impor restrições estruturais e anatômicas sem um modelo crítico separado.
3. Recompensas Programáticas Verificáveis: Uma função de recompensa inovadora que prioriza a verificação transparente e baseada em regras sobre aproximações aprendidas, garantindo que o sistema seja auditável e alinhado com os padrões de formatação de Prontuários Eletrônicos (EHR).

Resultados Experimentais

O modelo foi avaliado em 69 casos reais de radiografia de tórax retidos de um conjunto de dados clínico privado. A avaliação foi conduzida via revisão cega por especialistas por quatro médicos certificados (dois radiologistas, dois médicos clínicos) usando uma escala Likert de 5 pontos em cinco critérios.

Desempenho Comparativo:
O DobicVLM foi comparado ao Gemini 2.5 Flash e ao MedGemma-4B (Base).

Critério	Gemini 2.5 Flash	MedGemma-4B (Base)	DobicVLM (Nosso)
Precisão da Impressão	10,7%	26,3%	27,2%
Terminologia Médica	82,3%	83,2%	86,5%
Baixa Taxa de Alucinação	41,0%	68,8%	65,1%
Completude do Relatório	70,0%	62,7%	60,2%
Encaminhamento Adequado	36,1%	48,3%	30,9%

Principais Descobertas:

• Precisão Superior: O DobicVLM alcançou as pontuações mais altas em Precisão da Impressão (27,2%) e Terminologia Médica (86,5%), superando ambos os baselines.
• Troca de Alucinação (Trade-off): Embora o DobicVLM tenha reduzido significativamente as alucinações em comparação com o Gemini 2.5 Flash (65,1% vs 41,0% de aceitação), ele mostrou uma leve regressão em relação ao modelo base conservador MedGemma (68,8%). Os autores atribuem isso à exploração inerente ao GRPO, que pode ocasionalmente introduzir elaborações não fatuais para satisfazer as recompensas semânticas.
• Completude e Encaminhamentos: O modelo apresentou pontuações mais baixas em completude e encaminhamentos. Os autores observam que esta é uma troca deliberada; a ponderação de recompensa prioriza relatórios precisos e concisos sobre descrições anatômicas exaustivas, o que ajuda a reduzir o comportamento de "alucinação por completude" visto em outros modelos.

Significância e Alegações

O artigo posiciona o DobicVLM como um passo em direção ao alinhamento transparente em ambientes de recursos limitados.

• Utilidade Clínica: A melhoria de 2,5× na precisão da impressão sobre o Gemini 2.5 Flash sugere que o modelo é mais adequado para implantação clínica, especificamente como uma ferramenta de geração de rascunho que exige revisão humana obrigatória ou como uma ferramenta de ensino para residentes.
• Transparência: Ao usar recompensas programáticas em vez de modelos de recompensa neurais, o sistema oferece auditabilidade, um requisito crítico para a IA médica.
• Modéstia: Os autores reconhecem explicitamente que a taxa de aceitação de 27,2% para impressões destaca uma lacuna significativa restante para os padrões radiológicos totais. Eles enfatizam que o sistema não é um substituto para radiologistas, mas sim uma ferramenta de suporte.
• Limitações: O estudo é limitado por um tamanho de conjunto de dados modesto (~1.000 treinamento, 69 casos de avaliação) de uma única instituição. Os autores observam que o ROUGE-L é um proxy imperfeito para a factualidade diagnóstica e pedem trabalhos futuros envolvendo extração de entidades (ex.: RadGraph) e escalonamento multi-institucional.