RADIA — Modo Asteroide ☄️

Última actualización: 2026-04-14

Qué es

El Modo Asteroide es un análisis intensivo multi-modelo que ejecuta Gemini 2.5 Flash y Groq Llama 4 Scout (con rol de especialista en segunda opinión) en paralelo sobre cada corte, cruza los resultados para encontrar consenso, y ejecuta deep analysis automático en los hallazgos más relevantes.

Diferencias con Scan Normal

Aspecto	Scan Normal	Modo Asteroide
Sample rate	Cada 8 cortes	Cada 2 cortes
Modelos	1 (Gemini, con fallbacks)	2 en paralelo (Gemini + Groq Specialist)
Consenso	—	Cross-reference por categoría+ubicación+corte
Confianza	Valor directo del modelo	×1.15 boost si hay consenso multi-modelo
Deep analysis	Manual (usuario elige)	Automático en top 5 hallazgos
Duración	~30s para 280 cortes	~2-3 min (más cortes + doble modelo)
Coste API	1×	~4× (más cortes + dual model)

Arquitectura técnica

1. Inicialización

POST /api/analysis/scan360
{
  "action": "init",
  "studyId": "...",
  "asteroidMode": true
}

El backend calcula los índices de corte con sampleRate: 2 en lugar de 8:

// Normal: [0, 8, 16, 24, ...] → ~35 cortes de 280
// Asteroide: [0, 2, 4, 6, ...] → ~140 cortes de 280

2. Procesamiento por lote (multi-modelo)

Para cada corte en el batch:

                    ┌──────────────────┐
     PNG slice ────►│  callMultiModel  │
                    └────────┬─────────┘
                             │
               ┌─────────────┼─────────────┐
               ▼                           ▼
      ┌──────────────┐           ┌──────────────┐
      │   Gemini      │           │  Groq        │
      │  2.5 Flash    │           │  Specialist  │
      │  2.5 Flash    │           │  4B-IT       │
      └──────┬───────┘           └──────┬───────┘
             │                          │
             └──────────┬───────────────┘
                        ▼
              Promise.allSettled()
                        │
                        ▼
              ┌──────────────────┐
              │  Cross-reference │
              │  by category +   │
              │  location + slice│
              └────────┬─────────┘
                       │
          ┌────────────┼────────────┐
          ▼                         ▼
    ┌───────────┐            ┌───────────┐
    │ Consenso  │            │ Solo 1    │
    │ (ambos    │            │ modelo    │
    │ modelos)  │            └───────────┘
    └─────┬─────┘
          │
          ▼
    confidence × 1.15
    ai_model = "model1+model2"

3. Deduplicación

Los hallazgos de ambos modelos se agrupan por clave compuesta:

const key = `${finding.category}_${finding.location}_${sliceIndex}`;

Si ambos modelos producen un hallazgo con la misma clave:

Se usa la mejor descripción (más largo)
Se usa la mayor confianza, con boost ×1.15
ai_model se registra como "gemini-2.5-flash+llama-4-scout-specialist"

4. Finalización con auto deep-analysis

Tras procesar todos los lotes, la finalización:

Genera la impresión global (igual que scan normal)

Consulta los 5 hallazgos de mayor severidad:

SELECT * FROM radia_findings
WHERE study_id = ? AND severity IN ('suspicious', 'malignant', 'indeterminate')
ORDER BY CASE severity
  WHEN 'malignant' THEN 1
  WHEN 'suspicious' THEN 2
  WHEN 'indeterminate' THEN 3
END, confidence DESC
LIMIT 5

Para cada uno, ejecuta deep analysis (±10 cortes de contexto)
Guarda el resultado en finding.deep_analysis (JSON)

Frontend

Activación

Botón "Asteroide" en la toolbar del StudyExplorer:

Icono: Zap (lucide-react)
Estilo: gradiente naranja→rojo→rosa con animate-pulse cuando activo
Estado: asteroidMode (boolean toggle)
También disponible como toggle dentro del Diálogo de Pre-análisis

Diálogo de Pre-análisis

Al pulsar el botón de scan (o al abrir un estudio no analizado), se presenta un diálogo modal con:

Modo de análisis (para estudios ya analizados):
- complement — Añadir hallazgos nuevos preservando los existentes
- review — Revisión crítica que preserva hallazgos
- delete — Borrar todos los hallazgos y re-analizar desde cero
Modo para estudios sin analizar: fresh (análisis nuevo, única opción)
Toggle Asteroide: Activa/desactiva multi-modelo paralelo
Razón: Campo de texto libre para indicar al modelo el foco del análisis

El diálogo envía la razón con prefijo [COMPLEMENT] o [REVIEW] según el modo.

Durante el scan

El botón de scan muestra "☄️ Scan Asteroide" con gradiente
Mensajes de progreso con emoji ☄️
Mismo flujo de batches pero más lotes (4× más cortes)

Badge Asteroide

Los estudios analizados con Modo Asteroide muestran un badge ☄️ en el header del estudio, para identificar rápidamente el tipo de análisis aplicado.

Resultados

Hallazgos con consenso muestran badge: ☄️ consenso
- Estilo: gradiente naranja→rosa, borde naranja
- Tooltip: muestra los modelos que coincidieron
Deep analysis pre-calculado: disponible inmediatamente sin click adicional

Requisitos

Para que el modo Asteroide funcione con consenso cruzado:

Configurar GEMINI_API_KEY (Google AI Studio)
Configurar GROQ_API_KEY (Groq Cloud)

Groq actúa como especialista en segunda opinión con un system prompt que enfatiza: variantes anatómicas sutiles, lesiones incipientes, artefactos que enmascaran patología, y hallazgos en zonas periféricas.

Si GROQ_API_KEY no está disponible, el modo Asteroide sigue funcionando con un solo modelo (Gemini) pero sin consenso cruzado.

Consideraciones

Coste: ~4× más llamadas API que un scan normal
Tiempo: ~2-3 minutos vs ~30 segundos
Precisión: Mayor recall y precision gracias al consenso multi-modelo
Falsos positivos: El boost de confianza solo se aplica a hallazgos donde ambos modelos coinciden, reduciendo el ruido
user_confirmed: Siempre 0 — el consenso IA no equivale a validación médica
Complementar: En modo complement, los hallazgos previos se preservan y los nuevos se añaden sin duplicar

Roadmap — MedGemma

MedGemma 4B-IT es un modelo open-weight de Google especializado en imagen médica. Actualmente no está integrado porque requiere infraestructura GPU dedicada (no existe como API serverless). Dos vías de integración futuras:

Vía 1: Vertex AI (cloud)

Desplegar MedGemma en Vertex AI Model Garden sobre GPU L4/A100
Coste: ~$500–$3,000/mes (GPU encendida 24/7, se use o no)
La autenticación JWT con service account ya fue implementada y testeada (vertex-auth.js)
Se archivó el código — reactivar cuando sea viable económicamente
Endpoint: us-central1-aiplatform.googleapis.com, modelo: google/medgemma-4b-it

Vía 2: ML Trainer local (app Electron de Cadences)

Ejecutar MedGemma en hardware local del usuario (GPU con ≥8GB VRAM)
La app Electron de Cadences (ML Trainer) levantaría un servidor local de inferencia
RADIA se conectaría a localhost:PORT como proveedor adicional en callMultiModel()
Sin coste recurrente de cloud — el usuario pone el hardware
Ideal para clínicas con volumen alto de estudios

Integración prevista

Cuando cualquiera de las dos vías esté disponible, MedGemma se añadiría como tercer modelo en Asteroid Mode:

Asteroid Mode (futuro):
  Gemini (generalista) + Groq Specialist (segunda opinión) + MedGemma (especialista médico)
  → Triple consenso = máxima precisión

RADIA — Modo Asteroide