Microsoft Research je predstavio CARE-X, istraživački model za radiologiju koji je namenjen radu na snimcima grudnog koša. Kompanija navodi da model kombinuje generisanje teksta, strukturisane predikcije i alatke za merenje kako bi bio korisniji u kliničkim tokovima rada. Microsoft ističe i važnu ogradu: CARE-X nije proizvod, nije medicinsko sredstvo i nije odobren za kliničku dijagnostiku ili lečenje pacijenata.
U praksi, problem koji istraživači pokušavaju da reše nije samo da model napiše uverljiv izveštaj, već da bude medicinski tačan. Radiolozima su potrebni različiti izlazi: opis nalaza, kratak zaključak, odgovor na pitanje da li je nalaz prisutan, kao i lokalizacija abnormalnosti na snimku. Kod postojećih modela, prema Microsoftu, nedostaju kalibrisane procene pouzdanosti za dijagnostičke odluke, a standardni načini treniranja ne nagrađuju dovoljno klinički bitne razlike, poput toga da li je odgovor „da” ili „ne”.
Šta CARE-X radi drugačije
CARE-X je zamišljen kao jedan model za više zadataka. Microsoft navodi da može da generiše delove radiološkog izveštaja, da procenjuje prisustvo ili odsustvo patologije, da locira abnormalnosti i da prepoznaje medicinske uređaje i njihovo pogrešno postavljanje. Za neke zadatke koristi i takozvani dual inference, odnosno istovremeno generisani tekst i strukturisanu predikciju sa ocenjenom sigurnošću.
Model se oslanja na SigLIP2-so400M vizuelni enkoder i Phi-4-mini-instruct jezički model od 3,8 milijardi parametara, povezane kroz adapter. Na toj osnovi rade dodatne pomoćne glave za klasifikaciju i vizuelno usmeravanje. Microsoft tvrdi da takvo zajedničko treniranje poboljšava i strukturisane izlaze i generisanje teksta.
Treniranje je sprovedeno u tri faze nadziranog fino podešavanja, a zatim i dodatnim reinforcement learning pristupom nazvanim DAPO, koji je prilagođen klinčkim nagradama za izveštavanje, tačnost i prostornu preciznost. Reinforcement learning, odnosno učenje potkrepljivanjem, u ovom kontekstu znači da model dobija povratnu informaciju kroz nagrade za bolje odgovore, umesto da samo uči iz parova ulaz-izlaz.
Rezultati na javnim testovima
Microsoft navodi da pomoćne glave za lokalizaciju poboljšavaju rezultate na zadacima grounding-a, odnosno vezivanja opisa za deo slike. Na Chest ImaGenome skupu, prema kompaniji, mAP je porastao za 28,2 procentna poena, a mIoU za 6,2 poena. Na PadChest skupu, gde su testirani opisni izrazi za lokalizaciju, rast je bio još veći: +24,6 poena mAP i +14,1 poen mIoU. mAP je prosečna preciznost, a mIoU meri preklapanje predviđene i stvarne oblasti na slici.
Za klasifikaciju abnormalnosti na Chest ImaGenome, Microsoft navodi da CARE-X sa različitim pragovima daje fleksibilan odnos između osetljivosti i pozitivne prediktivne vrednosti. U tabeli iz objave, generativni izlaz modela imao je osetljivost 0,932, dok je pri pragu 0,5 osetljivost porasla na 0,943. Uporedni modeli CheXOne i MedGemma bili su slabiji na tom skupu prema prikazanim brojevima.
Na zadacima generisanja radioloških izveštaja, Microsoft tvrdi da CARE-X ostvaruje najbolje rezultate na većini prikazanih metrika na skupovima MIMIC-CXR, IU-Xray, CheXpert-Plus i ReXGradient. Kao dodatni, strožiji pokazatelj koristi se CRIMSON, metrika koja kažnjava greške u skladu sa kliničkom težinom nalaza. Prema objavi, CARE-X je i tu bio najbolji na sva četiri skupa.
Na ReXVQA benchmarku, koji obuhvata 41.007 pitanja i odgovora iz pet kliničkih kategorija, Microsoft navodi ukupnu tačnost od 94 odsto. Kompanija dodaje da je to šest procentnih poena više od sledećeg najbolje javno prijavljenog modela i da CARE-X u trenutku objave vodi na ReXrank lestvici za ReXVQA.
Merenja kao poseban slučaj
Poseban deo rada bavi se slučajevima u kojima vizuelna procena nije dovoljna i gde je potrebno tačno merenje. Microsoft je u odvojenom istraživačkom eksperimentu povezao Qwen3-VL-4B-Instruct sa determinističkim alatima za merenje, kako bi model mogao da računa kardio-torakalni odnos i druge kvantitativne pokazatelje umesto da ih samo procenjuje pogledom.
Prema prikazanim rezultatima, ovaj pristup je znatno popravio F1 skor na merenjima koja zavise od praga. Na primer, za kardiomegaliju F1 je porastao sa 74,56 na 96,00, za proširenje medijastinuma sa 72,63 na 97,47, a za proširenje uzlazne aorte sa 39,33 na 100,00. Microsoft kaže da prosečno poboljšanje iznosi 43,6 procentnih poena.
U drugoj retrospektivnoj studiji na 122 pozitivna slučaja potvrđena CT snimcima, alatima potpomognut model je ostvario 94,26 odsto recall-a, odnosno odziva. To je 10,65 procentnih poena više od najboljeg modela koji se oslanjao samo na percepciju slike. Recall pokazuje koliko stvarno pozitivnih slučajeva model uspe da uhvati, ali ne govori ništa o broju lažno pozitivnih slučajeva, pa Microsoft i sam naglašava da su potrebna dalja ispitivanja.
Testiranje na podacima iz Indije
Microsoft i partneri su model proveravali i na retrospektivnim, deidentifikovanim podacima iz Narayana Health u Indiji. U prvom testu korišćeno je 1.047 snimaka grudnog koša za pet retkih i ozbiljnih stanja, sa prevalencijom između 2,6 i 5,2 odsto. CARE-X je, prema tabeli iz objave, imao najvišu osetljivost u tri od pet kategorija, uz razumnu specifičnost.
Drugi test je obuhvatio 122 pozitivna slučaja sa CT potvrđenim proširenjima, uključujući aortnu dilataciju i druga srodna stanja. U toj studiji, Microsoft navodi da je alatima potpomognuta varijanta bila bolja od pristupa bez alata. Posebno se izdvaja tvrdnja da je za blagu aortnu dilataciju metoda zasnovana na merenju prepoznala 40 od 43 CT potvrđena slučaja, dok su početna radiološka očitavanja zabeležila 5 od 43.
Šta ovo znači u širem smislu
Suština Microsoftove poruke je da radiološki AI neće biti koristan samo ako ume da piše tečan tekst. Potrebni su mu kalibrisani odgovori, mogućnost podešavanja praga za osetljivost ili specifičnost i alatke za slučajeve gde je direktno merenje pouzdanije od vizuelne procene. To je posebno važno za okruženja u kojima su CT, ehokardiografija ili druga detaljnija dijagnostika sporije dostupni.
Ipak, Microsoft u objavi ne tvrdi da je CARE-X spreman za upotrebu u bolnicama. Reč je o istraživačkom modelu, a prikazani rezultati su retrospektivni i ne dokazuju bezbednost, efikasnost ili kliničku podobnost za stvarnu primenu. Za sada je to pre svega pokazatelj u kom pravcu se razvija medicinski AI: ka modelima koji ne samo da opisuju slike, već i preciznije računaju, razlikuju i objašnjavaju svoje odluke.
