PathoJev-27B supera a SlideChat en 6,3 pp. de precisión media en tres pruebas WSI

Investigadores de la Universidad de Sichuan, el Hospital de China Occidental, la Universidad Nacional de Singapur y la Universidad Sun Yat-sen han presentado PathoJev, un modelo de patología digital que responde a las preguntas sobre un slide histológico no con texto, sino con una distribución de probabilidades ya calculada sobre las opciones de respuesta. El slide completo (WSI, whole-slide image) se lee una sola vez, y cualquier número de preguntas sobre él se procesa sobre ese mismo contexto visual compartido. En tres benchmarks de slides completos, las versiones de 9B y 27B parámetros superan en precisión media a SlideChat, el modelo anterior para preguntas sobre slides: por 5,4 y 6,3 puntos porcentuales, respectivamente.

Frente a WSI-LLaVA, otro modelo de la misma clase, la ventaja es de 7,0 y 7,9 puntos.

Por qué la patología necesita una salida directa de probabilidades

A partir de un solo slide, el patólogo emite varios juicios a la vez: tipo de tumor, grado de malignidad, presencia de invasión. Los modelos de visión y lenguaje actuales para patología, como Quilt-LLaVA, PathChat, SlideChat y Patho-R1, responden mediante generación autorregresiva de texto. Para una pregunta con opciones predefinidas, esto implica decodificar de forma secuencial y después extraer la respuesta de la cadena generada. Esa generación no ofrece directamente una distribución normalizada sobre las opciones. Si hay varias preguntas sobre el slide, todo el ciclo se repite para cada una, aunque los datos del tejido sean los mismos.

PathoJev se basa en el paradigma System One: la entrada se traduce directamente en un juicio probabilístico tipado. Cada pregunta tiene un tipo de salida y un conjunto ordenado de respuestas, y el modelo elige la opción con mayor probabilidad. Las preguntas binarias usan un conjunto de dos respuestas; las de opción múltiple, alternativas en texto.

Un slide, muchas preguntas

Las características de los fragmentos de tejido del slide las extrae un codificador congelado, CONCH v1.5. Se promedian sobre una cuadrícula espacial, y un perceptrón multicapa entrenable proyecta el resultado al espacio de embeddings del backbone de lenguaje. Así, la secuencia visual se acorta, pero conserva la organización espacial. Para las ROI, es decir, las regiones locales de tejido, se mantiene la vía visual nativa del modelo base. El entrenamiento usa preguntas tanto sobre slides completos como sobre ROI, de modo que la interfaz de decisión compartida cubre ambos niveles.

El cómputo se divide en un prefijo común con el slide y sufijos para cada pregunta. Las preguntas se ramifican del prefijo de forma independiente y se procesan en lote. El backbone híbrido usa estados recurrentes, de modo que la parte del cómputo que crece con la longitud del contexto del slide disminuye con cada pregunta adicional. La caché del prefijo evita releer el slide, pero la atención softmax convencional sigue accediendo a claves y valores en cada nueva pregunta. Para comparar el coste de una pregunta adicional, los autores tomaron Qwen3-8B, que usa únicamente atención softmax.

Qué muestran las mediciones

Además de la ventaja sobre SlideChat y WSI-LLaVA, ambas versiones mantienen una precisión competitiva en cinco benchmarks de ROI. En WSI-Bench, PathoJev-9B funciona más rápido que SlideChat. Aquí, la latencia es el tiempo de un pase hacia adelante en GPU por pregunta; la comparación se hace en WSI-Bench y PathMMU-tiny. Los modelos base WSI zero-shot de la comparación trabajaron con miniaturas de los slides.

Un control aparte pone a prueba la propia interfaz. Los autores entrenaron una variante autorregresiva con los mismos datos, y PathoJev-9B resultó más preciso que ella en seis de ocho benchmarks, con menor latencia tanto en WSI como en ROI. Con una carga de ocho preguntas, el contexto compartido reduce el tiempo total frente a codificar el prefijo por separado en los modelos de 9B y 27B, y con 64 preguntas la ganancia aumenta. Los porcentajes concretos de aceleración conviene consultarlos en el propio artículo.

Qué significa en la práctica

Para quienes desarrollan sistemas médicos de IA, lo principal es el patrón arquitectónico. Si una misma entrada admite muchas preguntas estructuradas, resulta más rentable codificar el contexto una vez y leer directamente las probabilidades de las respuestas. La confianza del modelo en cada opción se obtiene de inmediato y puede usarse para fijar umbrales y para derivar el caso al médico.

Las limitaciones también son evidentes. La salida directa de probabilidades sirve para preguntas con un conjunto de respuestas predefinido y no sustituye las descripciones libres ni el razonamiento diagnóstico extenso, como el de Patho-R1. Los resultados se han obtenido en benchmarks académicos, no en flujos reales de informes clínicos. El código del proyecto está publicado en GitHub, en el repositorio ChyaZhang/PathoJev.