PathoSage: razonamiento patológico sin contaminar el contexto

Los modelos multimodales aplicados a patología computacional tienen un problema concreto y bien documentado: cuando se les pide razonar sobre imágenes de tejido a nivel de parche (patch-level), tienden a alucinar características morfológicas que no están en la imagen. A esto se suma otro problema menos visible pero igual de peligroso: cuando un sistema agéntico combina en un mismo contexto la salida de varias herramientas y el conocimiento recuperado, una evidencia errónea puede contaminar todo el razonamiento posterior.

Eso es exactamente lo que PathoSage intenta resolver. El paper, publicado el 9 de junio de 2026 en arXiv (2606.07549), propone un framework de tres etapas que mantiene separados los pasos de recuperación de conocimiento, recopilación de evidencias y adjudicación final. La clave no está solo en la separación, sino en que la decisión final se toma en un contexto limpio, sin que las salidas anteriores puedan sesgar el juicio.

Tres etapas, un contexto limpio para decidir

La arquitectura de PathoSage se articula en torno a lo que sus autores llaman Structured Evidence Deliberation (SED). A diferencia de los sistemas agénticos habituales —donde herramientas, recuperaciones y contexto previo se acumulan en un único hilo de razonamiento—, SED evalúa de forma independiente cada fuente de evidencia heterogénea, realiza un análisis de conflictos entre ellas y solo entonces genera el juicio final en un contexto fresco.

Esta decisión de diseño ataca un problema clásico del razonamiento encadenado: el anchoring bias, la tendencia de un modelo a quedar anclado a la primera información recibida aunque sea incorrecta. Al aislar la fase de adjudicación, PathoSage reduce la probabilidad de que un clasificador equivocado o una recuperación ruidosa arrastre toda la conclusión.

Un sistema de experiencia sin entrenamiento adicional

El segundo componente destacable es el sistema de experiencia Beta-Bernoulli con asignación continua de crédito (continuous credit assignment). Su función es modelar la fiabilidad a largo plazo de cada herramienta del agente: si una herramienta ha fallado de forma recurrente en casos similares, el sistema ajusta su peso en futuros razonamientos construyendo priors ponderados por similitud.

Lo relevante aquí es que esto se hace sin reentrenamiento. No hay un ciclo de fine-tuning para actualizar los pesos del modelo base; la experiencia se acumula de forma paramétrica en las distribuciones Beta asignadas a cada herramienta. Es un mecanismo que recuerda a los sistemas de bandit bayesianos, trasladado al contexto de selección y ponderación de herramientas en un workflow clínico.

Por qué importa en patología y más allá

La patología computacional es un dominio donde las consecuencias de una alucinación no son abstractas: una clasificación errónea de tejido tumoral puede influir en decisiones diagnósticas. Los sistemas actuales de MLLMs de extremo a extremo han mejorado mucho en benchmarks generales, pero el razonamiento a nivel de parche sigue siendo un punto frágil, en parte porque las imágenes histológicas contienen patrones muy locales y a veces ambiguos incluso para patólogos humanos.

PathoSage se diferencia de propuestas anteriores en que no intenta resolver el problema aumentando la capacidad del modelo base, sino rediseñando el flujo de información entre herramientas y decisión. Es un enfoque arquitectónico, no paramétrico, lo que en principio lo hace más transferible a otros dominios médicos donde la evidencia multiherramienta es heterogénea y potencialmente contradictoria: radiología, dermatología, análisis de biomarcadores.

Los experimentos reportados muestran que el framework mitiga eficazmente las alucinaciones en tareas de Visual Question Answering (VQA) y reduce el desacuerdo entre clasificadores, aunque el paper no ha pasado aún por revisión por pares, lo que conviene tener en cuenta antes de extrapolar los resultados.

Para quién es relevante esto ahora

A corto plazo, el trabajo interesa principalmente a equipos de investigación aplicada en IA médica y a grupos de ingeniería que estén construyendo pipelines de diagnóstico asistido. La idea del contexto de adjudicación aislado y el sistema de crédito por herramienta son principios que, con las adaptaciones necesarias, pueden aplicarse en cualquier arquitectura agéntica donde múltiples herramientas especializadas deban combinarse de forma fiable.

Para quienes trabajamos con frameworks de agentes en entornos de alto riesgo, PathoSage ofrece un patrón de diseño concreto: no mezcles la recopilación con la decisión. Es un recordatorio útil de que la contaminación de contexto no es solo un problema de tamaño de ventana, sino de arquitectura de flujo.

---

Desde EP, nos parece un trabajo sólido en su planteamiento arquitectónico, especialmente el mecanismo de crédito sin reentrenamiento. Habrá que esperar a la revisión por pares y a pruebas en entornos clínicos reales para calibrar hasta dónde llega la ventaja práctica sobre sistemas agénticos más simples.