La IA transformará la labor de los radiólogos: ¿una amenaza o una oportunidad?

En 2016, Geoffrey Hinton, conocido como el «padrino de la inteligencia artificial» y laureado con el Premio Nobel, anticipó que los radiólogos, especializados en la interpretación de radiografías, ecografías y otras imágenes médicas, serían reemplazados por tecnologías computacionales en un plazo de cinco años. Sin embargo, la realidad del sector ha demostrado que tales predicciones eran prematuras, evocando la célebre frase de Mark Twain: «Las noticias sobre mi muerte han sido exageradas».

Contrario a las expectativas de Hinton, la demanda de radiólogos ha crecido de manera constante, y se estima que la cantidad de profesionales en este campo aumentará en un 26% o más en las próximas tres décadas. No obstante, su observación sobre la evolución del mercado laboral es válida: los médicos ahora cuentan con la asistencia de herramientas basadas en inteligencia artificial (IA) que igualan o superan su rendimiento en ciertos aspectos. La radiología, en particular, se ha posicionado como el sector médico que más ha integrado la IA, sirviendo como modelo para la adopción de sistemas de toma de decisiones en el ámbito sanitario y más allá.

Innovaciones en Radiología

Para principios de 2026, se prevé que aproximadamente tres cuartas partes de los 1400 dispositivos médicos con IA aprobados por la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) estén destinados a la radiología. Algunas de estas tecnologías mejoran la eficiencia de los radiólogos al facilitar la redacción de informes o al alertarlos sobre imágenes que requieren atención inmediata. Sin embargo, existen herramientas de IA que pueden identificar anomalías que podrían pasar desapercibidas para la vista humana, e incluso interpretar imágenes con una precisión comparable o superior a la de radiólogos acreditados. Un estudio que analizó 43 ensayos clínicos reveló que las colonoscopias asistidas por IA detectan una mayor cantidad de pólipos en comparación con las técnicas convencionales.

La mejora en la precisión diagnóstica es fundamental, dado que se estima que los errores humanos en el diagnóstico por imagen oscilan entre el 3% y el 5%, lo que se traduce en aproximadamente 40 millones de errores anuales a nivel mundial. Sin embargo, la solución no radica simplemente en reemplazar a los radiólogos por máquinas. Una década después de la predicción de Hinton, la cuestión crucial no es si los humanos o la IA son más precisos, sino cómo combinar la agudeza técnica de la IA con la experiencia y adaptabilidad humana para optimizar la atención al paciente.

Colaboración Humano-Máquina

Diseñar un sistema efectivo de colaboración entre humanos y máquinas no es tarea sencilla. A pesar de que en promedio la IA demuestra ser más confiable que un radiólogo experimentado para interpretar ciertas imágenes, continúa cometiendo errores que un ser humano podría evitar. Curtis Langlotz, director del Centro de Inteligencia Artificial en Medicina e Imagen de la Universidad de Stanford, comenta que esto obliga a los radiólogos a revisar cada decisión de la IA, siendo la mayoría correctas, para identificar esos raros errores que pueden surgir.

“Esto implica un cambio drástico en la mentalidad”, señala Paul Yi, jefe de la sección de informática de imágenes inteligentes en el St. Jude Children’s Research Hospital. Históricamente, los médicos han aprendido a desestimar las recomendaciones de las computadoras, pero la dinámica es distinta en este contexto. Las alertas generadas por sistemas de salud digitales han advertido sobre interacciones medicamentosas peligrosas durante décadas, y los médicos suelen ignorar tales alertas alrededor del 50% de las veces, según Langlotz. “Ahora, debo evaluar el consejo que me brinda la computadora dentro del contexto de toda la información que poseo sobre el paciente y tomar la mejor decisión posible”, añade.

Retos de Interpretación

Los sistemas de IA utilizados en radiología, a menudo fundamentados en redes neuronales, son capaces de identificar subtipos de tumores y delinear lesiones con alto grado de precisión. Sin embargo, a diferencia de los algoritmos basados en reglas que proporcionan respuestas fácilmente interpretables, estos modelos operan como «cajas negras», lo que complica la tarea del radiólogo al momento de evaluar si rechazar o aceptar una recomendación. Charles Kahn, editor de Radiology: Artificial Intelligence, expresa su inquietud: “¿Es realmente una anomalía, o hay algo que la IA está identificando que se me está escapando?”. Este dilema plantea un verdadero desafío para los profesionales de la salud.

Equilibrio entre IA y Juicio Humano

Langlotz utiliza el ejemplo de una herramienta de IA teórica que puede detectar el 95% de los nódulos pulmonares en una tomografía computarizada, en comparación con el 90% de los radiólogos. “Algunos podrían argumentar que la IA es superior y que debería sustituir a los radiólogos”, afirma. “Sin embargo, el radiólogo será capaz de identificar ese 5% que la máquina no ha logrado detectar, porque la inteligencia artificial y la inteligencia humana operan de manera diferente”.

La IA tiene la capacidad de examinar cada píxel de una imagen sin experimentar fatiga o distracciones, contrastándola con un vasto archivo de imágenes previas. Sin embargo, el conocimiento clínico que poseen los radiólogos les permite interpretar las imágenes de maneras que la IA no puede. “¿Cómo se asegura que, cuando la IA y los radiólogos tienen discrepancias, el radiólogo acepte la decisión de la IA y desestime la suya cuando esta sea incorrecta?”, cuestiona Nina Kottler, directora médica de IA en Mosaic Clinical Technologies. Aunque no es una tarea sencilla, existen métodos para lograrlo.

Formación y Conciencia

Con el objetivo de establecer un equipo ideal que combine la inteligencia humana y la IA, los radiólogos de todo el mundo están esforzándose por aprender a colaborar eficazmente con estas tecnologías, buscando maximizar los beneficios tanto para ellos como para sus pacientes. Esta colaboración implica enfrentar los sesgos inconscientes que pueden llevar a un médico a confiar en exceso en la IA o a desestimar erróneamente sus recomendaciones. Para trabajar de manera óptima con estos sistemas, los radiólogos deben evaluar la fiabilidad general de la IA, al tiempo que son capaces de identificar sus errores.

“Es útil comprender cómo funcionan estos sistemas para discernir cuándo un algoritmo podría estar desviándote”, señala Langlotz. Cuando un humano o una máquina comete un error en la interpretación de una imagen médica, existen dos formas de equivocarse: un falso negativo, que implica no detectar una enfermedad, y un falso positivo, que señala una enfermedad que en realidad no está presente. En el contexto de enfermedades poco frecuentes, cualquier diagnóstico tiende a generar numerosos falsos positivos, simplemente debido a la cantidad de personas sanas que se presentan, lo que proporciona más oportunidades para generar alarmas erróneas. Es crucial que un médico reconozca y descarte estos falsos positivos, mientras identifica correctamente los diagnósticos acertados que la IA proporciona, que son relativamente poco frecuentes.

Desafíos de la Confianza en IA

La confianza excesiva en los resultados de la máquina, ya sean positivos o negativos, se conoce como sesgo de automatización. Sin embargo, también es esencial evitar aceptar falsos negativos. Por ejemplo, una IA podría pasar por alto sangre en el cerebro en una tomografía computarizada, lo que se denomina complacencia de la automatización. “Ambos son problemas derivados de permitir que la IA modifique el nivel de sospecha del radiólogo sin que este se dé cuenta”, advierte Kottler. Con el tiempo, los profesionales pueden comenzar a confiar demasiado en las recomendaciones de la IA; un estudio demostró que incluso los radiólogos experimentados mostraron una disminución significativa en la precisión de sus interpretaciones de mamografías cuando se influenciaron por predicciones incorrectas de la IA.

La colaboración con herramientas de IA presenta a los radiólogos el riesgo de caer en patrones de pensamiento que pueden llevar a errores diagnósticos. En el sesgo de automatización, los médicos aceptan la autoridad de los sistemas inteligentes y subestiman su propio criterio. En la complacencia de automatización, la exposición prolongada a sistemas de IA altamente confiables puede disminuir la vigilancia de los médicos ante posibles errores poco comunes que sí pueden ocurrir.

Por otro lado, la desconfianza hacia la IA suele ser más intuitiva. Muchas personas son naturalmente escépticas de las nuevas tecnologías, especialmente de aquellas que podrían amenazar su empleo, hasta que estas demuestran su utilidad. Los errores obvios, que a menudo son diferentes de los errores humanos, también alimentan esta desconfianza. “Cuando se presenta un error evidente, un falso positivo absurdo, uno podría pensar: ‘Claramente, la IA no es inteligente’, y eso puede llevar a descartarla”, explica Kottler.

La Importancia de la Capacitación

Kottler propone que se supervise a lo largo del tiempo el