Whisper para dictado radiológico: transcripción con contexto médico

Por qué Whisper base no basta

OpenAI Whisper es un excelente modelo de transcripción de voz a texto, pero el dictado radiológico tiene tres desafíos que Whisper naive no resuelve solo:

1. Vocabulario clínico: nombres de hallazgos, procedimientos, fármacos y siglas (POC, neumotórax, Hounsfield, etc.) que Whisper genérico deja mal.
2. Entorno ruidoso: la sala de lectura no es un estudio de grabación. Hay teclados, conversaciones cruzadas, ventiladores.
3. Coherencia con el estudio: la transcripción debe estar alineada con el tipo de estudio, la región anatómica y el protocolo, no “adivinada” por el modelo de lenguaje.

Adaptaciones para contexto médico

Lo que hacemos en Soft[in]Health para llevar Whisper a clínica:

Fine-tuning ligero con corpus radiológico

No entrenamos Whisper desde cero (sería irracional). Lo que sí hacemos es un fine-tuning ligero sobre un corpus interno de dictados radiológicos anonimizados, reforzando el léxico clínico.

Glosarios y prompts condicionados

Pasamos al modelo el contexto del estudio (modalidad, región, protocolo) como prompt condicionado. Así “cabeza” se interpreta como región anatómica, no como jerga coloquial.

Post-corrección con NLP médico

Tras la transcripción, un segundo modelo NLP (especializado en terminología clínica) corrige nombres de hallazgos y los normaliza a SNOMED CT y RadLex.

Modo silencioso con VAD

Detección de actividad de voz (VAD) previa a Whisper: solo mandamos a transcribir los segmentos donde hay voz, reduciendo drásticamente el coste y el error de ruido.

Del texto al borrador estructurado

El texto transcrito no es el informe. El informe tiene secciones: técnica, hallazgos, impresión, recomendación. Un segundo modelo NLP analiza el texto transcrito y lo mapea al template del tipo de estudio:

 transcripción Whisper
 → segmentación por secciones (técnica/hallazgos/impresión)
 → extracción de hallazgos con su localización y caracterización
 → mapeo SNOMED CT + RadLex
 → DICOM SR con measurements
 → preview editable

El radiólogo revisa y aprueba. No escribe desde cero; corrige. El informe final cumple DICOM SR, auditabilidad y marca la diferencia entre “Whisper + editar a mano” e “IA-native dictado → informe estructurado”.

Whisper es el 30% del trabajo. El 70% es lo que pasa después: contexto médico, existencia del estudio y mapeo a estructura DICOM SR. ::