Neuro-VL: un modelo de visión y lenguaje entrenado con casi un millón de resonancias y tomografías cerebrales de Michigan supera a GPT-5.4 en un banco de pruebas construido por sus autores, sin comparación con radiólogos

Un equipo de la Universidad de Míchigan presenta Neuro-VL, un modelo de visión y lenguaje que lee estudios completos de resonancia magnética (RM) y tomografía computarizada (TC) cerebral, responde preguntas, compara un estudio con el anterior y redacta un informe, tras entrenarse con 961 683 estudios procedentes de la atención habitual de un único sistema hospitalario. En un banco de pruebas de casi 32 000 preguntas que abarca una cohorte interna y 24 conjuntos de datos públicos de 21 países, obtiene de media 15,9 puntos más que GPT-5.4 y resiste mucho mejor las preguntas que sugieren una anomalía inexistente. El trabajo es de gran envergadura y sus pesos están publicados, pero la mayor parte de la evaluación se apoya en preguntas y en un juez generados por otros LLM, sin ninguna comparación con neurorradiólogos: es un resultado de laboratorio sólido, todavía no una prueba de utilidad clínica.

El contexto

La neurorradiología es uno de los campos más estudiados de la IA médica, pero la mayoría de las herramientas desplegadas siguen siendo de tarea única: un algoritmo detecta una hemorragia en una TC, otro segmenta un tumor en una RM. Los modelos de visión y lenguaje (VLM, vision-language models, que combinan un codificador de imágenes con un gran modelo de lenguaje capaz de producir texto) prometen otra cosa: un sistema único que mira el estudio entero y habla de él, como un radiólogo que dicta su informe.

Dos obstáculos frenan esa promesa. Los modelos generalistas como GPT-5.4 o Gemma 4 se diseñaron para imágenes 2D y ven un estudio corte a corte, sin representación nativa del volumen. Y los modelos especializados suelen entrenarse con corpus públicos de unos pocos miles de estudios. El mismo laboratorio, el Machine Learning in Neurosurgery Lab dirigido por Todd Hollon, ya había publicado NeuroVFM, un modelo fundacional (foundation model, preentrenado con un volumen muy grande de datos y reutilizable para muchas tareas) aprendido con datos del sistema de salud Michigan Medicine. Neuro-VL es su prolongación conversacional. El preprint, depositado en arXiv el 11 de noviembre de 2026 (41 páginas), aún no ha sido revisado por pares.

El método

Los datos de entrenamiento proceden de la atención habitual de Michigan Medicine: 961 683 estudios (421 457 RM y 540 226 TC) de 440 236 pacientes, adquiridos entre 1995 y 2025 con equipos de varios fabricantes. La separación entre entrenamiento y prueba es temporal (corte en julio de 2025) y se hace a nivel de paciente, de modo que ningún paciente aparece en ambos lados, lo que evita una forma clásica de fuga de datos (data leakage). En total: 911 506 estudios de entrenamiento, 1 552 de validación y 48 625 de prueba interna.

La arquitectura combina un codificador visual ViT-Large (un vision transformer de 24 capas, que divide la imagen en pequeños bloques y aprende las relaciones entre ellos) con el modelo de lenguaje Qwen3-8B (8 000 millones de parámetros). Cada volumen se divide en cubos de 6 × 16 × 16 vóxeles, cada uno convertido en un vector numérico, un «token» visual; una pequeña red intermedia agrupa estos tokens de cuatro en cuatro antes de pasarlos al modelo de lenguaje. El codificador se preentrena primero con informes radiológicos resumidos y después el conjunto se ajusta (fine-tuning) con unos 740 000 ejemplos de preguntas y respuestas generados automáticamente por modelos de la familia GPT-5 a partir de los informes de los radiólogos. Una variante longitudinal, Neuro-VL-Longitudinal, aprende además a comparar un estudio con el anterior a partir de unos 155 000 pares de estudios (230 000 ejemplos, también generados por GPT-5).

La evaluación se basa en NeuroBench, un banco de pruebas (benchmark) construido por los autores: la cohorte de prueba interna más 24 conjuntos públicos de 21 países (entre ellos MR-RATE, CTRG, CQ500, RSNA y una agrupación de 20 conjuntos de RM cerebral), con un total de 31 975 preguntas cerradas y 3 933 tareas de redacción de informes sobre 10 481 estudios. Para los conjuntos que tienen informes, las preguntas de seis opciones fueron generadas por modelos GPT-5; para los demás, derivan de las etiquetas diagnósticas y segmentaciones disponibles. Los comparadores son GPT-5.4 (mediante la API de OpenAI, razonamiento «medio»), Gemma 4 (ejecutado localmente) y NeuroVFM; los modelos 2D reciben la secuencia de todos los cortes de cada serie. Los informes se comparan por pares mediante NeuroJudge, un juez automático basado en el modelo gpt-oss-20B, cuyo acuerdo con tres expertos clínicos se midió en 200 estudios internos. Por último, un bloque de red-teaming (pruebas adversariales) plantea preguntas trampa: describir un absceso en un estudio normal, o las características de un «glioma» en un paciente que sufrió un infarto cerebral.

Los resultados

En las preguntas cerradas, en promedio sobre 17 combinaciones de tareas y conjuntos de datos, Neuro-VL supera a GPT-5.4 en 15,9 puntos porcentuales, a Gemma 4 en 16,9 y a NeuroVFM en 23,0 (p < 0,001 en cada comparación). Vence a GPT-5.4 y a Gemma 4 en 16 de los 17 grupos y a NeuroVFM en los 17. En estudios pediátricos alcanza un 89,2 % de aciertos, frente al 61,8 % de GPT-5.4 y el 65,1 % de Gemma 4. En la redacción de informes, NeuroJudge prefiere Neuro-VL 2,4 veces más a menudo que GPT-5.4, y 5,0 veces más frente a Gemma 4.

En el seguimiento longitudinal, la variante dedicada caracteriza correctamente la evolución entre dos estudios en el 87,5 % de los casos (81,6 % para GPT-5.4) y la trayectoria de la enfermedad en el 96,9 % (86,5 %). En el conjunto público BraTS de gliomas, el error absoluto medio en el tamaño de las lesiones es de 7 a 9 mm según el eje, todavía demasiado amplio para sustituir una medición manual cuando unos pocos milímetros cambian la conducta clínica.

El resultado más elocuente es el de las preguntas trampa. En 320 estudios normales, cuando la pregunta afirma una anomalía y su localización («describa el absceso en el lado izquierdo»), Neuro-VL se niega a inventar en el 97,3 % de los casos y GPT-5.4 en el 51,4 %. En 246 RM de glioma o de infarto, cuando la pregunta sugiere un diagnóstico erróneo, Neuro-VL sigue acertando en el 90,2 % de los casos frente al 44,5 % de GPT-5.4, que estaba en el 99,6 % con una pregunta neutra.

En términos concretos: de 100 estudios normales presentados con una pregunta sesgada, GPT-5.4 describiría una lesión inexistente unas 49 veces y Neuro-VL unas 3. De 1 000 preguntas cerradas, la diferencia media de 15,9 puntos supone unas 160 respuestas correctas más. Pero estas cifras miden la exactitud en preguntas de opción múltiple, no la sensibilidad ni la especificidad para un diagnóstico concreto, y no dicen nada de cómo cambiaría la lectura de un radiólogo asistido por la herramienta.

Lo que está bien

Primero, la escala y el rigor de la partición. Casi un millón de estudios de la práctica real, RM y TC, a lo largo de treinta años y de varios fabricantes, con separación temporal y por paciente: está muy por encima de la mayoría de los modelos de neuroimagen publicados, y la partición limita el riesgo de fuga de datos entre entrenamiento y prueba interna.

Segundo, una evaluación amplia y una verdadera prueba de robustez. Veinticuatro conjuntos públicos de 21 países, estudios pediátricos, seguimiento longitudinal y, sobre todo, un bloque adversarial que mide la tendencia de un modelo a seguir una premisa falsa, uno de los modos de fallo más peligrosos de los LLM en la clínica. Mostrar que un modelo generalista muy utilizado inventa una lesión aproximadamente la mitad de las veces cuando se le sugiere es un resultado útil en sí mismo.

Tercero, la apertura. El código (GitHub), los pesos del modelo de 8 000 millones de parámetros (Hugging Face) y el conjunto NeuroBench están publicados con licencia CC BY-NC-SA 4.0; el código del benchmark, con licencia MIT. La financiación es principalmente pública y filantrópica (NIH, Chan Zuckerberg Initiative, fundaciones), y el protocolo fue aprobado por el comité de ética de la universidad.

Lo que está menos bien

Primero, una cadena de evaluación circular, una forma de métrica engañosa. Los ejemplos de entrenamiento y parte de las preguntas de prueba los generan modelos GPT-5 a partir de informes; los informes producidos los juzga otro LLM, gpt-oss-20B; las pruebas adversariales las puntúa el mismo tipo de juez. Parte de la ventaja puede deberse, por tanto, a la familiaridad de Neuro-VL con el formato y el estilo de preguntas generadas de la misma manera. El acuerdo del juez con los expertos solo figura en una figura suplementaria, y el preprint no informa de tasas de errores factuales en los informes, solo de cocientes de preferencia. El texto tampoco precisa si alguno de los conjuntos públicos de NeuroBench se excluyó del entrenamiento.

Segundo, un comparador sesgado. Ningún radiólogo pasó el banco de pruebas y no se presenta ningún estudio de lectores: se anuncia que un estudio de interacción con clínicos está en curso. Frente a GPT-5.4 y Gemma 4, la comparación enfrenta a un modelo volumétrico especializado con modelos 2D alimentados con largas secuencias de cortes y con sus ajustes por defecto, una situación que los perjudica estructuralmente. NeuroVFM, el otro comparador especializado, procede del mismo laboratorio. El preprint afirma superar a modelos punteros; no dice nada del rendimiento frente a un neurorradiólogo ni frente a una herramienta certificada de detección de hemorragias.

Tercero, un posible sesgo de población y una transparencia incompleta. Todo el entrenamiento procede de un único sistema de salud del Medio Oeste estadounidense; la demografía (edad, sexo, origen) no se describe en el texto principal, los análisis por subgrupos quedan en material suplementario y no se presenta ningún análisis por fabricante o protocolo. La evaluación es enteramente retrospectiva, como reconocen los autores. No hemos encontrado una declaración de conflictos de intereses en la versión consultada. Por último, la licencia no comercial excluye un despliegue tal cual, y no se reivindica ningún estatus regulatorio.

Lo que cambia

Para la comunidad investigadora, Neuro-VL ofrece un punto de referencia abierto y volumétrico para la neuroimagen conversacional, con un banco de pruebas público reutilizable. Sobre todo, muestra que un modelo de 8 000 millones de parámetros entrenado con los datos de un hospital puede superar a modelos generalistas punteros en su propio dominio. El siguiente paso esperado está claro: un estudio de lectores, tasas de errores clínicamente significativos en los informes y una validación con datos no públicos de otros sistemas de salud.

Para los clínicos, nada cambia hoy en la práctica: el modelo no está certificado ni evaluado en condiciones reales, y su rendimiento se expresa como exactitud media en preguntas generadas. El bloque adversarial, en cambio, deja un mensaje inmediato: preguntar a un asistente generalista incluyendo la hipótesis en la pregunta («describa la hemorragia») puede bastar para que vea lo que no existe.

Para los pacientes y el público, este trabajo ilustra una tendencia de fondo: modelos especializados, entrenados con los archivos de los hospitales, que algún día podrían ofrecer una primera lectura de un estudio cerebral o seguir la evolución de un tumor. Pero entre un banco de pruebas y un informe fiable entregado a un paciente falta todavía el paso decisivo: la prueba, frente a médicos y en condiciones reales, de que la herramienta mejora la lectura sin añadir errores.

Para saber más

El preprint: A frontier machine intelligence for human neuroimaging, Zhao, Rao, Kondepudi et al., Universidad de Míchigan y University of Tennessee Health Science Center, arXiv (cs.AI), depositado el 11 de noviembre de 2026, DOI 10.48550/arXiv.2611.15094. No revisado por pares.

Código y pesos: github.com/MLNeurosurg/neuro-vl y huggingface.co/mlinslab/neuro-vl-8b-thinking (CC BY-NC-SA 4.0). Banco de pruebas: NeuroBench en Hugging Face. Trabajo anterior del laboratorio: Health system learning achieves generalist neuroimaging models (NeuroVFM).

Nota de transparencia editorial: este artículo fue producido por la cadena editorial automatizada de Tatakoto a partir de la versión 1 del preprint (versión HTML de arXiv); no se pudieron consultar las figuras suplementarias. Las conversiones «de 100 estudios» y «de 1 000 preguntas» son cálculos nuestros a partir de los porcentajes publicados. Las versiones en inglés, español y chino han sido generadas por IA. ¿Un error? Contáctenos.