Presentamos MedgicalVoice: Un Nuevo Modelo ASR para Terminología Médica en Portugués

blur

El Reconocimiento Automático de Voz (ASR) está en constante evolución, ampliando los límites de cómo las máquinas pueden comprender y transcribir el lenguaje humano de manera fluida. Es una pieza central en todos los asistentes médicos. Hoy, nos complace presentar un nuevo modelo revolucionario que redefine estos límites, específicamente para las complejidades del lenguaje médico en portugués: MedgicalVoice.

Durante años, los sistemas ASR han lidiado con las intrincadas particularidades del habla humana: acentos, ruido de fondo, velocidades variables de habla y el desafío constante de los homófonos. En el ámbito médico, estos retos se amplifican por el vocabulario altamente especializado, que a menudo incluye términos raros o complejos poco frecuentes en el lenguaje cotidiano. MedgicalVoice afronta estos desafíos con un enfoque arquitectónico novedoso que promete un avance significativo en el rendimiento ASR para contextos médicos en portugués. Presenta una mejora notable en el WER (Word Error Rate, tasa de error por palabra) y una precisión excepcional en la terminología médica.

Más allá de la Convolución y la Recurrencia: la Red de Fusión Atenta

En el núcleo de MedgicalVoice se encuentra su innovadora Red de Fusión Atenta (AFN). A diferencia de los modelos tradicionales que dependen en gran medida de las Redes Neuronales Convolucionales (CNN) para la extracción de características acústicas o de las Redes Neuronales Recurrentes (RNN), especialmente LSTM o GRU, para el modelado secuencial, AFN combina elegantemente las fortalezas de ambas e introduce un sofisticado mecanismo de atención en múltiples etapas.

¿Cómo funciona?


Codificación Acústica Multigranular: En lugar de un solo enfoque para analizar la entrada de audio, MedgicalVoice emplea ramas paralelas de CNN con diferentes tamaños de kernel. Esto permite al modelo captar tanto detalles fonéticos finos como patrones espectrales más amplios de manera simultánea. Es como tener varios "oídos", cada uno atento a diferentes aspectos del sonido.
Modelado Secuencial Contextualizado con Atención Jerárquica: Las salidas de las ramas CNN se envían a una serie de capas codificadoras similares a Transformers. Sin embargo, MedgicalVoice va más allá implementando un mecanismo de atención jerárquica. Esto significa que el modelo no solo aprende las relaciones entre diferentes partes de la secuencia de audio, sino que también pondera la importancia de estas relaciones en distintos niveles de abstracción. Por ejemplo, puede centrarse primero en fonemas individuales, luego en palabras y finalmente en la estructura general de la frase, dando más importancia a las señales contextuales más relevantes en cada etapa.
Fusión Adaptativa y Decodificación: La información procesada a través de las capas de atención jerárquica se fusiona de manera adaptativa. Este proceso de fusión no es estático; se ajusta dinámicamente según las características del audio de entrada. Para una grabación clara, el modelo puede dar más peso a las características acústicas detalladas, mientras que en un entorno ruidoso puede priorizar la comprensión contextual más amplia. Finalmente, un mecanismo de decodificación refinado, que incorpora un potente modelo de lenguaje entrenado específicamente en textos médicos en portugués, genera la transcripción más probable.

¿Qué hace único a MedgicalVoice?


Robustez ante Ruido y Acentos: La codificación acústica multigranular y la fusión adaptativa permiten que MedgicalVoice filtre eficazmente el ruido y generalice mejor entre diferentes acentos del portugués. Al captar información en varios niveles, el modelo depende menos de patrones acústicos específicos que pueden variar considerablemente.
Mejor Manejo de Homófonos y Ambigüedad Contextual: El mecanismo de atención jerárquica y el modelo de lenguaje integrado permiten que MedgicalVoice aproveche la información contextual de manera más efectiva. Esto conduce a transcripciones más precisas incluso cuando las palabras suenan igual pero tienen significados diferentes en un contexto médico.
Precisión Superior con Terminología Médica: MedgicalVoice ha sido entrenado con un enorme conjunto de textos médicos en portugués, abarcando una amplia gama de especialidades. Esta formación especializada le permite lograr una precisión inigualable al transcribir dictados médicos complejos, notas de pacientes e informes médicos.

Ganancias de Rendimiento Concretas: MedgicalVoice

Probamos el modelo en 180 muestras de audio con vocabulario médico rico bajo condiciones de captura de audio desafiantes (entorno ruidoso). La versión v2 del modelo demuestra claramente los avances significativos.

Métrica

Metric	Whisper v3 Large	MedgicalVoice	Mejora
WER Promedio	16,2%	5,45%	66%
Errores en Términos Médicos Complejos	38/71	47/71	23%

Estos resultados destacan una notable reducción del 66% en la tasa de error por palabra (WER) y un aumento sustancial del 23% en la precisión de la transcripción de terminología médica crítica entre las dos versiones de MedgicalVoice. Esto se traduce en muchos menos errores y una confianza mucho mayor en la información médica transcrita.

Ejemplos de MedgicalVoice en Acción:

Aquí tienes algunos ejemplos de cómo MedgicalVoice sobresale en la transcripción de terminología médica en portugués, superando potencialmente a modelos de propósito general:

Entrada	MedgicalVoice	Whisper
"O paciente apresenta um quadro de estenose aórtica severa."	"O paciente apresenta um quadro de estenose aórtica severa."	"O paciente apresenta um quadro de estenose ótica severa."

Estos ejemplos, junto con las métricas de rendimiento, subrayan el valor significativo de MedgicalVoice para aplicaciones que requieren transcripción precisa del lenguaje médico en portugués.

Producto

Medgical

Published 4/3/2025