Pensar con la mirada: el seguimiento ocular secuencial como supervisión del razonamiento visual para VLMs médicos

arXiv:2603. 06697v2 Tipo de anuncio: replace-cross Resumen: Los modelos de visión-lenguaje (VLMs) procesan imágenes como tokens visuales, pero su razonamiento intermedio suele realizarse en texto, lo que puede ser subóptimo para tareas de radiología basadas en evidencia visual. En cambio, los radiólogos diagnostican mediante una búsqueda visual secuencial; el seguimiento ocular capta este proceso como trayectorias de mirada ordenadas en el tiempo, que revelan cómo se adquiere la evidencia a lo largo del tiempo.