Avanzar en el conocimiento y en la implementación de modelos fundacionales en imagen médica a partir de bases de datos de la comunidad científica y propias del proyecto para estudios de imagen de radiología 2D y 3D e imágenes médicas no radiológicas. Existen múltiples modalidades distintas de imagen médica y no es evidente como procesar la información, si de manera conjunta o separada por modalidad, por órgano etc.

Investigar acerca de los distintos métodos de aprendizaje auto-supervisado que permitan optimizar el rendimiento de los modelos fundacionales. Aunque se ha empleado esta tecnología frecuentemente en visión por computador, su uso en imagen médica no está tan trabajado y los límites de la tecnología en este entorno no son muy conocidos, considerando las particularidades de la imagen médica.

Investigar distintos métodos para realizar de manera adecuada el fine-tuning de modelos fundacionales de imagen a tareas específicas (prediagnóstico de cáncer de próstata, diagnóstico de patologías respiratorias y enfermedades oftalmológicas) y en su explicabilidad para ofrecer una mayor confianza al clínico.

Investigar distintos métodos de generación sintética de imágenes médicas, incluyendo los más novedosos modelos de difusión y la inclusión de condicionamiento (por ejemplo, por texto) durante la generación. Avanzar en la definición y establecimiento de métricas apropiadas y específicas para evaluar la validez de las imágenes médicas sintéticas.

Ampliar el conocimiento en los modelos visión-lenguaje, capaces de procesar información médica multimodal (imagen+texto) para resolver gran variedad de tareas como la generación automática de reportes a partir de imagen