La propuesta del marco ITLTA para Med-VQA, diseñado en base a los requisitos del campo, combina el aprendizaje multi-etiqueta de imágenes médicas con las capacidades de comprensión del lenguaje y razonamiento de grandes modelos de lenguaje (LLMs) para lograr el aprendizaje de cero disparos, satisfaciendo las necesidades del módulo de lenguaje natural sin entrenamiento de extremo a extremo.