RADIA: Radiología + IA Un Visor DICOM con IA en el Edge

Las herramientas de imagen médica tradicionales son software de escritorio pesado, licencias caras y flujos de trabajo que no han cambiado en 20 años. Un radiólogo abre un visor PACS, revisa corte por corte manualmente, dicta su informe y lo envía al clínico. ¿Y si ese flujo pudiera vivir en un navegador, con IA analizando cada corte en paralelo, generando hallazgos con coordenadas y severidad, y permitiendo colaboración en tiempo real?

Eso es RADIA. No es un prototipo ni una demo. Es una plataforma en producción que procesa DICOM real — desde CBCT dentales de 300+ cortes hasta mamografías, TACs y fotografía clínica dermatológica — con tres modelos de IA trabajando en consenso.

El flujo de trabajo radiológico convencional tiene tres problemas fundamentales que llevan décadas sin resolver:

La decisión más importante fue no levantar servidores. RADIA corre 100% en el edge de Cloudflare: las páginas son estáticas (Astro SSG), la lógica de negocio son Workers, la base de datos es D1 (SQLite distribuido) y los archivos DICOM viven en R2 (S3-compatible). El resultado: despliegues en 3 segundos, latencia global < 50ms, y cero mantenimiento de infraestructura.

DICOM es el estándar universal de imagen médica, pero es un formato complejo: cabeceras binarias con tags anidados, codificaciones variadas (Little Endian, Big Endian, encapsulado) y compresión JPEG 2000 que los navegadores no entienden nativamente.

En lugar de parsear en el servidor (que consumiría recursos de Worker), RADIA hace todo el parsing en el cliente. La librería dicom-parser extrae los headers, y para los píxeles JPEG 2000 usamos el codec OpenJPEG compilado a WebAssembly. El resultado: el Worker nunca toca datos de píxeles, solo orquesta.

ZIP (drag & drop)
  → JSZip extrae archivos
  → dicom-parser lee headers (paciente, modalidad, geometría)
  → OpenJPEG WASM decodifica JPEG 2000 → PNG thumbnails
  → POST /api/studies/upload (metadata)
  → PUT /api/dicom/{key} × N (binarios en paralelo, 5 concurrentes)
  → POST /api/studies/{id} action=finalize
  → Redirect → visor con estudio listo

El truco está en la doble capa de almacenamiento: los DICOM originales se guardan en R2 para análisis IA, y en paralelo generamos thumbnails PNG que pesan 10-50× menos para la navegación rápida. El visor precarga ±5 cortes en cada dirección usando la Cache API del navegador, logrando una experiencia de scroll instantánea incluso con estudios de 400 cortes.

Para reconstrucción 3D en imágenes volumétricas (CBCT dental, TAC), escribimos un ray marcher desde cero en GLSL. Sin Three.js (400KB+), sin dependencias 3D. Solo dos shaders, una textura 3D y matemáticas de matrices 4×4 inline.

El volumen se cachea en IndexedDB con TTL de 7 días, así que al volver a abrir un estudio el 3D aparece instantáneamente sin reconstruir. En móvil, reducimos la resolución de la textura y los pasos de ray marching para mantener 30+ FPS con rotación táctil fluida.

RADIA no tiene un solo endpoint de "analizar". Tiene cinco modos de análisis distintos, cada uno diseñado para un momento diferente del flujo de trabajo del doctor. Antes de ejecutar cualquier análisis, un diálogo de pre-análisis permite al doctor elegir si complementar hallazgos existentes, revisar críticamente, o borrar y re-analizar desde cero — con toggle de Modo Asteroide y campo de razón para guiar el foco de la IA.

El diálogo de pre-análisis: el doctor elige el modo, activa Asteroide, y da contexto clínico antes de lanzar la IA.

Sugerencias de tratamiento generadas por IA: nivel de riesgo, hallazgos prioritarios y plan escalonado con urgencia y derivaciones.

Los cuatro modelos se encadenan en cascada de prioridad:

El Modo Asteroide es la artillería pesada. En lugar de usar un solo modelo que cae a fallback si falla, ejecuta Gemini y MedGemma en paralelo sobre cada corte, cruza los hallazgos y marca las coincidencias como consenso multi-modelo. Tras la detección visual, DeepSeek Reasoner actúa como "Consejo Clínico": recibe todos los hallazgos (solo texto, sin imágenes) y aplica razonamiento chain-of-thought para debatir consistencia clínica, detectar posibles falsos positivos y priorizar hallazgos.

☄️ Modo Asteroide en acción — CT dental de 425 slices, MPR multiplanar con 3D volumétrico, 113 hallazgos detectados con Gemini + MedGemma en paralelo. Barra de progreso con ETA en tiempo real.

☄️ Vista MPR completa — Cuatro paneles simultáneos: axial, 3D volumétrico, coronal y sagital. 17 hallazgos sospechosos y 24 indeterminados clasificados automáticamente. Panel de hallazgos con búsqueda integrada.

Corte N del estudio
  │
  ├─── Gemini 2.5 Flash ──────────┐
  │    "3 hallazgos encontrados"   │
  │                                ├── Promise.allSettled()
  ├─── MedGemma 4B-IT ───────────┘
  │    "2 hallazgos encontrados"
  │
  ▼
Cross-reference por (categoría + ubicación + corte)
  │
  ├── Coincidencia → ☄️ Consenso
  │   • confidence × 1.15
  │   • ai_model = "gemini-2.5-flash+medgemma-4b-it"
  │
  └── Solo un modelo → hallazgo normal
      • confidence sin boost
      • ai_model = modelo individual

  ▼
DeepSeek Reasoner — Consejo Clínico (solo texto)
  │
  Input: todos los findings JSON + datos clínicos
  │
  Output:
  ├── Diferencial clínico expandido con reasoning
  ├── Detección de falsos positivos probables
  ├── Correlaciones entre hallazgos
  └── Priorización y recomendaciones

Un detalle importante: el consenso IA nunca se marca como confirmación del doctor. El campo user_confirmed siempre empieza en 0 independientemente de cuántos modelos coincidan. La validación humana es un paso separado e intencional — la IA asiste, no reemplaza.

Cada hallazgo que la IA genera es una estructura rica con datos suficientes para localización precisa en la imagen, categorización clínica y seguimiento del flujo de validación. Los hallazgos en cortes adyacentes con misma categoría y ubicación se agrupan automáticamente (deduplicación), mostrando un rango de cortes en lugar de entradas repetidas. El doctor puede eliminar, ocultar del informe, o navegar directamente a cada hallazgo — tanto individual como en grupo.

La severidad se clasifica en 5 niveles con código de color consistente en todo el UI:

Los hallazgos con bounding box y número de corte se proyectan como marcadores 3D sobre el volumen renderizado. La posición (x, y) del bounding box se mapea al sistema de coordenadas del volumen, el slice_number determina la profundidad Z, y la proyección MVP (Model-View-Projection) los lleva a coordenadas de pantalla en cada frame.

Al pulsar un marcador, aparece un popup con la información del hallazgo — título, severidad, descripción, ubicación — y tres acciones: ir a la lista de hallazgos, saltar al corte 2D donde está el hallazgo, o abrir la vista MPR centrada en esa posición. El doctor navega de 3D a 2D con un solo toque. Además, el Modo Navegar permite hacer click en cualquier punto del visor 2D para saltar automáticamente al hallazgo más cercano por distancia euclídea — ideal para explorar zonas de interés sin buscar en la lista.

RADIA no es solo un visor dental. Soporta 16 tipos de estudio organizados en 6 sectores médicos, cada uno con prompts de IA especializados y categorías de hallazgos específicas:

La detección es automática: analizamos los headers DICOM (Modality, SeriesDescription, StudyDescription) con una cascada de reglas — primero keywords en la descripción, luego el código de modalidad DICOM, luego heurísticas por anatomía. El usuario siempre puede corregir manualmente, pero en la práctica la detección automática acierta en el 95%+ de los casos.

El módulo veterinario no es un "añadido" sobre el motor médico — es una rama propia con prompts específicos para anatomía animal, terminología clínica veterinaria y un flujo pensado para urgencias 24h. La IA distingue entre proyecciones laterolateral y ventrodorsal, reconoce el patrón patognomónico de la "doble burbuja" o "gorro de pitufo", y prioriza los hallazgos por riesgo vital. En este caso real, una radiografía abdominal de un Labrador Retriever desencadenó 19 hallazgos automáticos en menos de 30 segundos, con 6 catalogados como malignos.

El Modo Asteroide activa el ensemble completo de modelos en paralelo y aplica un segundo pase de revisión crítica — pensado para casos urgentes donde no se puede pasar por alto un hallazgo. En la imagen verás también las cajas semánticas: cada color codifica severidad (rojo=maligno, naranja=sospechoso, amarillo=indeterminado, verde=normal) y cada caja se vincula a un hallazgo navegable en el panel inferior.

En veterinaria el "paciente" no habla — y el propietario es quien firma la decisión clínica. Por eso RADIA genera, junto al informe técnico, una narrativa divulgativa escrita en castellano natural para el dueño del animal. Mismo contenido clínico, dos registros: el técnico para historial, y el del propietario explicando qué se ve, por qué importa y qué urgencia tiene. Todo trazable: cada explicación al propietario apunta al hallazgo técnico que la respalda.

El PDF que descarga el veterinario no es una captura de pantalla — es un informe estructurado generado en cliente con jsPDF, firmado con los datos del profesional (nº de colegiado multi-país: España, México, Colombia, Argentina, Chile, etc.), sello escaneado opcional y NIF/CIF de la clínica. La última hoja siempre es el anexo cartográfico: una vista panorámica con todos los hallazgos numerados sobre la radiografía original, replicando los colores de severidad y enlazando cada número con el hallazgo detallado de las páginas anteriores.

Esto cierra el ciclo: la IA detecta, el profesional valida y edita, el sistema genera la narrativa para el propietario, y el PDF firmado va al historial clínico. En el caso del DVG, RADIA convirtió una radiografía sospechosa en un informe accionable en menos de dos minutos — el tipo de tiempo que importa cuando hablas de una urgencia con ventana terapéutica de horas.

El chat no es un chatbot genérico al que le pasas una imagen. Es un asistente con contexto completo del estudio: metadata DICOM, todos los hallazgos previos, historial de la conversación, y la imagen actual del visor (incluida la vista 3D si está activa). Si el doctor pregunta "¿qué opinas de la zona periapical del 46?", la IA sabe en qué corte está, qué hallazgos ya se encontraron allí, y puede generar un análisis contextualizado.

Si el visor 3D está activo, el chat captura automáticamente la vista actual como PNG y la incluye en la petición. El doctor rota el volumen a la perspectiva que le interesa, escribe su pregunta, y la IA ve exactamente lo que el doctor ve. Sin capturas manuales.

El doctor genera un enlace seguro con expiración opcional. El enlace da acceso de solo lectura al estudio completo — visor DICOM, 3D, MPR, todos los hallazgos — sin que el receptor necesite cuenta ni login. Para colaboración entre doctores (donde se necesita autenticación), existe un modo "collab" que requiere login con Google pero no necesita ser propietario del estudio.

El proxy DICOM verifica el token de compartición contra la base de datos en cada petición. No hay URLs firmadas que puedan filtrarse — si revocas el enlace, el acceso se corta inmediatamente.

Los radiólogos trabajan con dos o más monitores: en uno revisan la imagen, en otro consultan el informe, los hallazgos y el historial. Los visores PACS de escritorio soportan esto de forma nativa, pero las aplicaciones web no — abrir dos pestañas del mismo estudio da dos instancias independientes sin conexión entre ellas.

RADIA resuelve esto con sincronización en tiempo real entre pestañas. Un click en "Multi-pantalla" abre una segunda ventana en modo visor — optimizada para la imagen, 3D y MPR — mientras la original se convierte en editor con la lista de hallazgos, chat IA y herramientas de análisis. Todo lo que el doctor hace en una ventana se refleja instantáneamente en la otra.

Multi-monitor real: análisis profundo con diferencial clínico en el editor (izquierda) y volumen 3D con marcadores sincronizados en el visor (derecha).

Visor 2D sincronizado: bounding boxes sobre el corte CBCT con hallazgos etiquetados.

Lista de hallazgos con filtros de severidad y 3D con marcadores de localización.

Editor (monitor 1)                    Viewer (monitor 2)
  │                                       │
  │── NAVIGATE_SLICE { slice: 147 } ─────→│ Salta al corte 147
  │                                       │
  │── SELECT_FINDING { id: "abc" } ──────→│ Muestra bounding box
  │                                       │
  │── VIEW_MODE { mode: "3d" } ──────────→│ Activa vista 3D
  │                                       │
  │── HIGHLIGHT_3D { id: "abc" } ────────→│ Marca en el volumen
  │                                       │
  │←── PING ──────────────────────────────│
  │── PONG ──────────────────────────────→│ Heartbeat cada 3s
  │                                       │
  │── FINDINGS_CHANGED ──────────────────→│ Recarga hallazgos

Un heartbeat PING/PONG cada 3 segundos detecta si la otra ventana sigue activa. Si no responde en 6 segundos, se muestra un indicador ámbar de desconexión. Al reconectarse, vuelve a verde. El doctor siempre sabe si sus ventanas están sincronizadas.

El informe PDF se genera íntegramente en el navegador con jsPDF — datos del paciente, hallazgos seleccionados con códigos de severidad, impresión global, recomendaciones y notas del doctor. El Worker nunca genera PDFs; el cliente tiene toda la información necesaria. Esto evita la complejidad de renderizar documentos en un entorno serverless con 128MB de memoria.

RADIA demuestra que herramientas médicas profesionales pueden vivir íntegramente en el edge, sin servidores dedicados, sin GPUs alquiladas, sin infraestructura que mantener. Un doctor abre un navegador, sube su estudio, y tiene a tres modelos de IA analizando cada corte mientras el visor 3D se reconstruye en WebGL2 a 30fps.

El stack completo — Astro, React, Cloudflare Workers, D1, R2, Gemini 2.5 Flash, MedGemma, WebGL2 — se despliega con npm run deploy en 15 segundos. Sin containers, sin pipelines de CI/CD, sin clusters. El futuro de las herramientas médicas es un build estático con funciones serverless en el edge, y ya está aquí.