La pregunta y respuesta visual médica (MedVQA) se encuentra en la intersección de la visión por computadora, el procesamiento del lenguaje natural y la toma de decisiones clínicas, con el objetivo de generar respuestas precisas a partir de imágenes médicas emparejadas con consultas complejas. A pesar de los avances recientes en modelos visión-lenguaje (VLMs), su uso en el ámbito de la salud sigue siendo limitado por la falta de interpretabilidad y una tendencia a producir salidas directas e inexplicables.