RADIA — Modalidades y Tipos de Imagen

Última actualización: 2026-05-19

RADIA soporta 30+ tipos de estudio organizados en 8 sectores, con detección automática por tags DICOM y keywords en la descripción, además de selección manual desde el uploader. La fuente única de verdad es src/lib/studyTypes.ts (frontend) y functions/lib/prompts.js (backend) — ambos mantienen los mismos study_type keys.

Dental (3)

Categorías de hallazgos: supernumerario, periapical, pérdida ósea, quiste, impactación, seno, reabsorción, fractura, cuerpo extraño, canal, implante, otro.

Radiología General (4)

Categorías de hallazgos: masa, nódulo, fractura, derrame, consolidación, neumotórax, calcificación, degenerativo, cuerpo extraño, vascular, infección, otro.

Resonancia Magnética (4)

Categorías de hallazgos: masa, lesión, herniación, edema, hemorragia, isquemia, degenerativo, inflamación, rotura, derrame, otro.

Ecografía (7)

Fotografía Clínica (5)

Categorías de hallazgos: lesión, infección, úlcera, neoplasia, inflamación, deformidad, distrofia, vascular, pigmentación, cuerpo extraño, cicatriz, otro.

Veterinaria (8)

Categorías de hallazgos: fractura, masa, cuerpo extraño, dental, cardíaco, pulmonar, abdominal, ortopédico, tejido blando, infección, otro.

RadiaVet reutiliza el mismo backend con un storefront blanco (radiavet.cadences.app) — el sector se detecta por detectSector(study.study_type) y ajusta prompts, labels paciente, layout del PDF y vocabulario clínico (propietario en vez de paciente, especie en lugar de DOB, etc.).

Botánica (1)

Sector experimental para nurseries, agroindustria y aficionados — comparte la pipeline de fotos clínicas + IA multimodal pero con prompts agronómicos.

Superficie 3D / LiDAR (2)

Pipeline:

1. La app móvil (Cadences Capture o Safari/PWA) sube el mesh (.usdz, .glb, .obj+.mtl+textura) a POST /api/lidar/upload.
2. Opcionalmente se adjuntan fotos clínicas (color y textura reales) y renders 3D del mesh.
3. POST /api/analysis/surface3d envía al modelo (Gemini 2.5 Flash) la batería de imágenes (renders primero, fotos después) + prompt sectorial. Genera un único hallazgo con viewport_image_key = foto clínica preferida → render del mesh como fallback, y un location en texto humano (p.ej. "Superficie 3D · 8 renders del mesh + 2 fotos clínicas").
4. Para longitudinal (surface3d_diff): se calcula el mesh de diferencia, se guardan renders coloreados y métricas (Δ%, vol mm³). POST /api/analysis/surface3d-diff genera el hallazgo con location = "Diferencia LiDAR · 6 renders · Δ 3.2% · vol 412 mm³".

Captura asistida desde el visor: MeshAROverlay.tsx superpone la cámara real bajo el render del mesh (composite cámara + mesh con alfa, no usa WebXR — se mantiene en DOM para poder capturar el passthrough). En estudios con body_part ∈ { WOUND, VET, BOTANY } opera en modo guiado según src/lib/shotProtocol.ts:

• Shot-list multi-toma (cenital, lateral, macro, contexto, lado sano, envés…) con preset de cameraOrbit por toma para mostrar la silueta del mesh en ese ángulo; el clínico alinea visualmente. Strip de chips arriba con progreso (pendiente / activa / capturada).
• Inclinómetro (DeviceOrientationEvent.beta, con requestPermission() en iOS 13+) con objetivo y tolerancia por rol. Indicador verde/ámbar.
• Auto-shutter: cuando el móvil queda alineado ≥1.2 s, cuenta atrás 3‑2‑1 y dispara solo. Cualquier desalineación cancela.
• Quality gate: estimación de desenfoque por varianza laplaciana sobre un patch central de 256² del composite; umbral empírico σ²≈50. No bloquea — avisa al clínico.
• Auto-tag: la foto se persiste con role (cenital/lateral/…) y hasScale ya etiquetados, evitando dropdown manual.
• Rejilla de alineación legacy (off / thirds / fine) sigue disponible para modo libre (GENERIC).

Cada captura POSTea a /api/studies/:id/ar-photo (PNG + sidecar JSON con cameraOrbit/cameraTarget/fieldOfView/role/hasScale/capturedAt) bajo {r2_prefix}ar/. Tras completar el protocolo, el overlay se cierra y abre el modal de análisis con todas las tomas pre-etiquetadas listas para Gemini.

Detección Automática

La función detectStudyType(metadata) clasifica el estudio por prioridad:

1. Keywords en descripción → dental (cbct, cone beam, panoram, periapical, intraoral, bitewing).
2. Código de modalidad DICOM → PX/OPG → pano, IO → periapical, MG → mamografía, US → ecografía (+ subtipo si se detecta abdomen/obstétrica/tiroides…), MR → cerebral / MSK / spine / abdomen, CT → dental o general.
3. Rx genéricas (CR/DX/XR) → chest vs bone por keywords (chest, tórax, pulmón).
4. Veterinaria → se aplica si el sujeto asociado (tabla radia_subjects) es de tipo animal, refinando al subtipo correspondiente.
5. Fallback → clinical_photo si tiene modalidad, dental_cbct si no hay metadata (legacy).

El usuario también puede seleccionar el tipo manualmente en el uploader.

IA por Modalidad

Cada tipo de estudio tiene prompts especializados para:

• Scan 360° — Análisis completo automatizado (Gemini 2.5 Flash; opcionalmente Groq Specialist en Modo Asteroide).
• Deep Analysis — Drill-down por hallazgo individual con ±10 cortes de contexto.
• Viewport 3D — Análisis volumétrico desde captura 3D/MPR.
• Surface3D / LiDAR — Análisis multimodal de renders + fotos clínicas (/analysis/surface3d, /analysis/surface3d-diff).
• Chat — Análisis interactivo en tiempo real por corte.
• Point-Ask — Click en coordenada → análisis localizado.
• Explain-to-patient — Reescritura del informe en lenguaje no técnico (con tono ajustable por radia_patient_preferences).
• Sugerencias de tratamiento — Recomendaciones clínicas integradas.
• RADS — Clasificación automática Lung-RADS / BI-RADS / Bone-RADS / etc. (ver RadsModule.tsx + tablas radia_finding_rads y radia_study_rads).

Modelos de IA