CARE-X: Innovación en Radiología con Aprendizaje Reforzado y Medición Asistida

Introducing CARE-X: Towards Clinically Useful Radiology VLMs with Auxiliary Supervision, Reward-Aligned Learning, and Tool-Augmented Measurement

Microsoft Research ha introducido CARE-X, un modelo de lenguaje de visión radiológica (VLM) diseñado para mejorar la interpretación clínica de radiografías de tórax. Este modelo unificado aborda diversas tareas de interpretación clínica, combinando generación de informes y predicciones estructuradas para ofrecer tanto razonamientos en texto libre como resultados deterministas.

CARE-X emplea el aprendizaje por refuerzo, específicamente el método DAPO, para recompensar la corrección clínica en un entorno de múltiples tareas. En un experimento de investigación separado, se emparejó Qwen3-VL-4B-Instruct con herramientas de medición determinista para evaluar si el cálculo directo podría mejorar el rendimiento en condiciones dependientes de mediciones en comparación con la aproximación visual sola.

Validado con datos clínicos reales de la India, incluyendo patologías raras en UCI y condiciones de agrandamiento confirmadas por TC, CARE-X busca responder a las necesidades de los radiólogos: diversidad de tareas, flexibilidad y fidelidad clínica. Un sistema de IA radiológica clínicamente útil debe soportar una amplia gama de tareas, adaptarse a diferentes flujos de trabajo y producir resultados médicamente precisos.

A pesar del amplio alcance de tareas de los modelos recientes, persisten brechas críticas entre lo que los radiólogos necesitan y lo que los sistemas actuales ofrecen. Los modelos generativos predicen diagnósticos como texto libre, pero generalmente no proporcionan puntuaciones de confianza calibradas, un requisito importante para el despliegue en el mundo real. Los métodos de entrenamiento estándar no optimizan la fidelidad clínica, tratando todos los errores de nivel de token de manera similar, independientemente de sus consecuencias clínicas.

Fuente: https://www.microsoft.com/en-us/research/blog/introducing-care-x-towards-clinically-useful-radiology-vlms-with-auxiliary-supervision-reward-aligned-learning-and-tool-augmented-measurement/