¿Son intercambiables los foundation models de imagen médica? Lo que revela una disección controlada de 25 codificadores sobre la «convergencia» de las representaciones

Un equipo académico alemán puso a prueba una idea convertida en lugar común: al crecer, los codificadores de imágenes médicas convergerían hacia una representación compartida, lo que los haría intercambiables. Al diseccionar 25 codificadores open-weight (18 de imagen, 7 de texto), de 7 millones a 27 mil millones de parámetros, en cinco modalidades y 650 982 radiografías de tórax, los autores muestran que la convergencia es real pero modesta, que la impulsa el objetivo de aprendizaje autosupervisado y no la escala ni la supervisión clínica, y que no reproduce cómo un radiólogo juzga la similitud entre dos casos.

El contexto

Un foundation model de imagen médica no es un diagnosticador: es ante todo un codificador, una red neuronal preentrenada que convierte una imagen — una radiografía, un corte de TC, una lámina — en un vector de números, una «huella» compacta que resume su contenido. Después se le acopla un pequeño clasificador para una tarea concreta (detectar una neumonía, un nódulo, una fractura). La ventaja: un único codificador bien entrenado sirve para decenas de tareas con pocos datos anotados.

Desde hace dos años, hospitales y proveedores intercambian estos codificadores como piezas equivalentes — sustituyen uno por otro suponiendo que «ven» lo mismo. Esa intuición se apoya en una hipótesis de moda en aprendizaje automático, a veces llamada Platonic Representation Hypothesis: a medida que los modelos crecen y se entrenan con más datos, sus representaciones internas convergerían hacia una misma estructura geométrica compartida. Si fuera cierto en medicina, justificaría tratar dos codificadores distintos como equivalentes. El problema, subrayan los autores, es doble: nadie ha comprobado bien que esa convergencia sea real en imagen médica, y las herramientas que la miden — las medidas de similitud entre representaciones — son notoriamente frágiles, es decir, un mismo par de modelos puede parecer muy próximo o muy lejano según la métrica elegida.

El método

El trabajo es una disección controlada, no un benchmark de rendimiento. Los autores reúnen 25 codificadores open-weight (pesos públicos, ejecutados localmente y por tanto reproducibles): 18 codificadores de imagen y 7 de texto, de 7 millones a 27 mil millones de parámetros, en cinco modalidades de imagen. La base empírica es masiva en radiografía de tórax: 650 982 imágenes de seis conjuntos de datos distintos.

Se comparan tres familias de objetivos de entrenamiento. La autosupervisión (self-supervised learning): el modelo aprende solo a partir de las imágenes, sin etiquetas, resolviendo tareas internas (reconstruir una porción oculta, acercar dos vistas de una misma imagen). La supervisión por etiquetas: el modelo se entrena para predecir diagnósticos anotados. Y el aprendizaje imagen-texto: el modelo alinea imágenes e informes, al estilo de CLIP. Para no confundir correlación con causa, los autores van más allá de comparar modelos existentes: entrenan sus propios codificadores que difieren solo en el objetivo, con datos, arquitectura y tamaño idénticos, y luego reproducen el efecto en un modelo sintético de juguete. Esta es la parte decisiva del protocolo: aísla lo que causa la convergencia.

La convergencia se cuantifica mediante una medida de alineamiento entre representaciones (hasta qué punto dos codificadores organizan las mismas imágenes en vecindarios similares), comparada con un «suelo aleatorio» — el nivel de alineamiento que se obtendría por puro azar. Por último, una prueba de utilidad clínica: entrenar un clasificador lineal (lo más simple posible: una combinación ponderada de las dimensiones de la huella) sobre las representaciones de un codificador, y medir cuánto rendimiento conserva al transferirlo a otro codificador y a cinco hospitales nunca vistos en el entrenamiento.

Los resultados

La convergencia existe, pero es modesta: por encima del suelo aleatorio, nada más. Sobre todo, no la produce lo que se creía. Son los codificadores autosupervisados emparejados los que más se alinean — 40,4 % en radiografía de tórax — muy por delante de los modelos supervisados por etiquetas (21,1 %) y de los modelos imagen-texto (3,3 %). Dicho de otro modo, el objetivo de entrenamiento lo decide casi todo, y la supervisión clínica (las etiquetas de diagnóstico) alinea menos, no más.

Segunda sorpresa: la convergencia no aumenta con el tamaño. La correlación entre número de parámetros y alineamiento no es significativa (Spearman 0,302, p = 0,223). Un modelo más grande no es, pues, mecánicamente más «convergente» que uno pequeño — el argumento «la escala acaba unificándolo todo» no se sostiene aquí. La convergencia también es intramodalidad: no conecta las imágenes con el lenguaje clínico y — punto clave — no reproduce cómo los radiólogos juzgan que dos casos se parecen. La geometría compartida de los modelos y el juicio de similitud de los expertos no coinciden.

Sin embargo, un resultado apunta en sentido contrario y matiza el cuadro: un clasificador lineal entrenado sobre un codificador se transfiere a otros codificadores y a cinco hospitales no vistos conservando alrededor del 85 % del rendimiento «en casa». En términos operativos: llevar una cabeza de decisión de un codificador o un centro a otro cuesta del orden de un 15 % de rendimiento relativo. Para una herramienta de cribado esto no es trivial — si la sensibilidad «en casa» fuera del 90 %, una caída relativa del 15 % la dejaría en torno al 76 %, es decir, uno de cada siete positivos detectados pasa a los falsos negativos. La portabilidad existe, pero no es gratuita ni está garantizada, y exige una revalidación local.

Lo que está bien

Un protocolo causal, no solo descriptivo. La mayoría de los trabajos sobre la «convergencia» se limitan a medir el parecido de modelos existentes — lo que mezcla el efecto del objetivo, los datos, la arquitectura y el tamaño. Aquí los autores entrenan codificadores que varían solo en el objetivo, con todo lo demás constante, y reproducen el efecto en un modelo sintético controlado. Esta disciplina experimental permite una afirmación causal — «es el objetivo el que produce el alineamiento» — que los estudios correlacionales no pueden sostener.

Escala y transparencia. Veinticinco codificadores open-weight ejecutados localmente, de 7 M a 27 mil M de parámetros, cinco modalidades, 650 982 radiografías de tórax de seis fuentes: la base es amplia y reproducible, y la elección de pesos públicos evita la caja negra de las API propietarias. El preprint está bajo la licencia abierta CC BY 4.0.

Honestidad sobre la fragilidad de la medida. El punto de partida de los autores es que las medidas de similitud entre representaciones son frágiles — y, en vez de esquivar el problema, lo convierten en el núcleo del trabajo: prueban la utilidad clínica de la convergencia (transferencia de un clasificador, comparación con el juicio de los radiólogos) en lugar de detenerse en una cifra de alineamiento abstracta. Confrontar la propia métrica con la realidad en vez de presentarla como verdad es exactamente la postura que se espera.

Lo que está menos bien

Una métrica cuyo sentido absoluto sigue siendo engañoso. «40,4 % de alineamiento» no tiene interpretación clínica directa: es una posición en una escala de similitud que depende del estimador elegido, y no sabemos qué umbral haría a dos codificadores «clínicamente equivalentes». Aun controlada, esta métrica engañosa no dice si un paciente quedaría mejor o peor clasificado — solo dice que las geometrías se parecen en parte. El riesgo, simétrico al que denuncia, es que un lector apresurado lea «convergencia» como «intercambiabilidad probada», cuando el artículo dice lo contrario.

El punto más importante para la clínica se afirma pero se instrumenta poco. Los autores concluyen que hay que validar «allí donde la geometría compartida es más débil, entre los subgrupos de pacientes». Es la recomendación correcta, pero el sesgo de población — rendimiento que se desploma en subpoblaciones (edad, sexo, origen, aparato, hospital) — no se cartografía en detalle en el cuerpo del trabajo, muy concentrado en la radiografía de tórax y en conjuntos de datos públicos de predominio occidental. Se mide una geometría y una transferencia media, nunca un desenlace clínico por subgrupo, y sin validación prospectiva.

De la representación al paciente, el camino sigue siendo largo. La transferencia «85 % conservado» es relativa al rendimiento intracodificador, no una sensibilidad o especificidad absoluta en una tarea desplegada. El estudio evalúa una propiedad de las huellas y un probe lineal, no un dispositivo en condiciones reales; la promesa de interoperabilidad («funciona con cualquier codificador») no se demuestra ni clínica ni prospectivamente. Por último, es un preprint aún no revisado por pares.

Lo que cambia

Para la comunidad de investigación, el estudio entierra un atajo cómodo: no, la escala y la supervisión clínica no hacen converger automáticamente a los codificadores médicos hacia una representación común. Lo que gobierna el alineamiento es el objetivo de preentrenamiento, y la autosupervisión contribuye más que las etiquetas. Consecuencia práctica: la interoperabilidad entre modelos no es un regalo del tamaño, es una propiedad que hay que diseñar — vía el objetivo de entrenamiento — y luego validar precisamente donde la geometría compartida es más débil. De paso, el trabajo recuerda la higiene necesaria en torno a las medidas de similitud, demasiadas veces citadas como verdades.

Para los clínicos, nada que desplegar, pero una advertencia útil: sustituir «bajo el capó» un foundation model por otro no es neutro. Un proveedor que afirme que su herramienta «funciona con cualquier codificador» o «se transpone a cualquier hospital» hace una promesa que este trabajo invita a comprobar centro por centro y subgrupo por subgrupo, no a creer sin más. La pregunta correcta no es «¿convergen estos modelos?» sino «¿conservan mi sensibilidad en mi población?».

Para los pacientes y el público, el estudio matiza la imagen de un único gran «cerebro médico» hacia el que convergerían todas las IA. Los modelos de laboratorios distintos no son secretamente los mismos, y su parecido interno no reproduce el juicio de un radiólogo. En concreto, la seguridad de una herramienta de imagen no se deduce de su parentesco con otra: se demuestra sobre el terreno, en las poblaciones realmente concernidas.

Para saber más

El preprint está disponible en arXiv (2607.20274), depositado el 22 de julio de 2026 por Soroosh Tayebi Arasteh, Sebastian Ziegelmayer, Mahshad Lotfinia, Lisa Adams, Sven Nebelung, Jakob Nikolas Kather y Daniel Truhn (equipos universitarios alemanes de radiología e informática médica); está bajo licencia CC BY 4.0 y aún no ha sido revisado por pares. Sobre los foundation models de imagen y sus puntos ciegos, véanse nuestros descifrados sobre la robustez y la generalización de los foundation models de histopatología, sobre el probing multimodal y la confianza de los foundation models en oncología, y sobre los sesgos ocultos por subgrupos en la imagen médica.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. Traducciones inglesa, española y china producidas con asistencia de IA y revisadas.