La IA no podrá sustituir a los radiólogos, pero sí cambiará drásticamente su trabajo

En 2016, Geoffrey Hinton, el “padrino de la IA” y ganador del Premio Nobel, predijo que los radiólogos —los médicos que interpretan radiografías, ecografías y otras imágenes para ayudar a realizar diagnósticos médicos— se verían sustituidos por computadoras en un plazo de cinco años. Hoy en día, el sector puede replicar citando la famosa frase de Mark Twain: “Las noticias sobre mi muerte fueron una exageración”.

De hecho, las filas de la radiología están creciendo de forma constante, y se espera que el número de profesionales aumente en un 26% o más durante las próximas tres décadas. Pero lo que Hinton pudo haber pasado por alto sobre la dinámica del mercado laboral no debe eclipsar su clarividencia: tenía razón al afirmar que los médicos humanos cuentan ahora con un colega basado en silicio que iguala o supera su rendimiento. De hecho, la radiología es, por mucho, el ámbito médico más destacado en lo que respecta a la IA, lo que la convierte en un referente para la adopción de sistemas de toma de decisiones expertos en todo el sector sanitario y, quizás, en otros campos.

A principios de 2026, alrededor de tres cuartas partes de los 1400 dispositivos médicos con IA autorizados por la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) estaban destinados a la radiología. Algunos aumentan la eficiencia de los médicos al redactar informes o alertarles sobre las imágenes que requieren atención urgente. Sin embargo, otras herramientas de IA tienen el potencial de superar el rendimiento humano al identificar anomalías que pueden pasar desapercibidas para el ojo humano, o al interpretar imágenes tan bien como —y, en ocasiones, mejor que— los radiólogos cualificados. Por ejemplo, un análisis de 43 ensayos clínicos concluyó que las colonoscopias asistidas por IA detectan más pólipos que las convencionales.

Un equipo de investigación estadounidense ha logrado por primera vez realizar con éxito una cirugía laparoscópica en un cerdo utilizando un robot humanoide. Aunque en algunos aspectos ha demostrado un rendimiento comparable al de los robots de asistencia quirúrgica especializados, también han quedado de manifiesto diversos retos.

Mejorar la precisión es importante porque se estima que las tasas medias de error humano en el diagnóstico por imagen oscilan entre el 3% y el 5%, lo que se traduce en unos 40 millones de errores al año en todo el mundo. Sin embargo, la solución no es tan sencilla como sustituir a los humanos por máquinas. Diez años después de la sensacional predicción de Hinton, la gran pregunta no es si los humanos o la IA obtienen mejores resultados estadísticos en una tarea determinada, sino cómo se puede combinar la precisión técnica de la IA con la experiencia y la flexibilidad de los humanos para mejorar la precisión en beneficio de los pacientes.

Trabajando juntos

Encontrar la mejor manera de diseñar un sistema colaborativo de este tipo no es sencillo. Aunque la IA sea, en promedio, más fiable que un radiólogo experto a la hora de interpretar determinadas imágenes, seguirá cometiendo algunos errores que los humanos no cometerían, afirma el radiólogo Curtis Langlotz, director del Centro de Inteligencia Artificial en Medicina e Imagen de la Universidad de Stanford. Esto sitúa a los radiólogos en la posición de evaluar cada decisión de la IA —la gran mayoría de las cuales serán correctas— e identificar los raros casos en los que el algoritmo se haya equivocado.

“Esto requiere un cambio radical de mentalidad”, afirma el radiólogo Paul Yi, jefe de la sección de informática de imágenes inteligentes del St. Jude Children’s Research Hospital de Memphis, Tennessee.

Los médicos se han acostumbrado a ignorar las recomendaciones de las computadoras, pero esta situación es diferente. Las alertas de los historiales médicos electrónicos, activadas por algoritmos basados en reglas, llevan décadas advirtiendo a los médicos sobre cuestiones como interacciones farmacológicas potencialmente peligrosas. Por lo general, los médicos ignoran esas advertencias aproximadamente la mitad de las veces, explica Langlotz. “Voy a recibir un consejo de la computadora y tendré que evaluarlo en el contexto de toda la demás información que tengo sobre ese paciente y simplemente tomar la mejor decisión”, afirma.

Por el contrario, los sistemas de análisis de imágenes basados en IA en radiología suelen basarse en redes neuronales capaces de identificar subtipos de tumores, delinear los contornos de las lesiones y realizar otras tareas diagnósticas con gran precisión. A diferencia de los algoritmos basados en reglas, que ofrecen respuestas o indicaciones que los médicos pueden interpretar rápidamente basándose en sus propios conocimientos médicos, las redes neuronales se denominan sistemas de “caja negra”. Estos modelos de IA no suelen revelar cómo han llegado a una decisión, lo que hace que la tarea del radiólogo a la hora de decidir si debe rechazarla resulte mucho más opaca.

“¿Es eso realmente una anomalía, o se me está escapando algo que la IA, con su mente sutil o lo que sea, está identificando?”, se pregunta Charles Kahn, editor de Radiology: Artificial Intelligence, una publicación de la Sociedad Radiológica de Norteamérica. “Y eso supone un verdadero reto para nosotros”.

Poder de veto

Langlotz pone como ejemplo una herramienta teórica de IA capaz de detectar el 95% de los nódulos pulmonares en una TC torácica, mientras que se sabe que los radiólogos detectan el 90%. “Algunos dirían: ‘Vaya, la IA es mejor que los radiólogos, por lo tanto deberíamos sustituir a todos los radiólogos por la IA’”, afirma. “Pero yo te diré que el radiólogo va a detectar parte de ese 5% que la máquina no ha detectado. Y eso se debe a que la inteligencia artificial y la inteligencia humana son tipos diferentes de inteligencia”.

La IA puede examinar cada píxel de una imagen sin cansarse ni distraerse y compararlo con todas las demás imágenes con las que se ha encontrado. Por el contrario, el conocimiento que tienen los radiólogos sobre las enfermedades les permite interpretar las imágenes de formas que la IA no puede.

“¿Cómo se garantiza que, cuando la IA y los radiólogos piensan de forma diferente, el radiólogo acepte siempre que la IA tenga razón y la desestime siempre que se equivoque?”, pregunta Nina Kottler, directora médica de IA de Mosaic Clinical Technologies. “No es necesariamente fácil, pero hay formas de hacerlo”.

Con el objetivo de crear un equipo ideal formado por la IA y el ser humano, los radiólogos de todo el mundo están trabajando para aprender a colaborar con la IA, de modo que tanto ellos como sus pacientes puedan aprovechar sus ventajas. Esa colaboración requiere hacer frente a los sesgos inconscientes que llevan a un médico a confiar demasiado en la IA o a descartar sus respuestas de forma inadecuada. Por lo tanto, para trabajar con estos sistemas de forma óptima, los radiólogos deben valorar la fiabilidad general de la IA sin dejar de ser capaces de detectar sus errores.

“Ayuda saber un poco cómo funcionan estos sistemas para poder entender mejor cuándo un algoritmo puede estar llevándote por mal camino”, afirma Langlotz.

Siempre que un ser humano o una máquina comete un error de tipo “sí/no” en la interpretación de una imagen médica, hay dos formas posibles de equivocarse: un falso negativo pasa por alto la presencia de una enfermedad, mientras que un falso positivo detecta una cuando en realidad no existe.

En el caso de las enfermedades poco frecuentes —y la mayoría de las enfermedades son relativamente poco frecuentes—, cualquier diagnóstico tenderá a generar muchos falsos positivos, simplemente porque se encuentra con un gran número de personas que no padecen la enfermedad, lo que le da más oportunidades de emitir falsas alarmas. Un médico debe ser capaz de reconocer y descartar estos falsos positivos, sin dejar de identificar correctamente los diagnósticos acertados de la máquina, que son relativamente poco frecuentes. Confiar demasiado en los resultados de la máquina —ya sean positivos o negativos— se denomina sesgo de automatización.

Pero también es importante evitar aceptar falsos negativos. Por ejemplo, un sistema de IA podría pasar por alto la presencia de sangre en el cerebro en una tomografía computarizada o una resonancia magnética cuando en realidad está ahí. Confiar en este tipo de descuidos 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”, señala Kottler. Con el tiempo, las personas pueden empezar a confiar demasiado en las respuestas de la IA. Un estudio reveló que incluso los radiólogos experimentados tenían grandes caídas en la precisión de su interpretación de las mamografías cuando tomaban sus decisiones bajo la influencia de predicciones incorrectas de la IA.

En la colaboración con herramientas de IA, los radiólogos pueden caer en patrones de pensamiento que conducen a errores de diagnóstico. En el sesgo de automatización, los médicos aceptan la autoridad de los sistemas inteligentes mientras menosprecian su propio criterio. En la complacencia de la automatización, trabajar durante mucho tiempo con sistemas de IA altamente fiables reduce la vigilancia de los médicos ante los errores poco frecuentes que sí se producen.

En la colaboración con herramientas de inteligencia artificial, los radiólogos pueden caer en patrones de pensamiento que conducen a errores de diagnóstico. En el sesgo de automatización, los médicos aceptan la autoridad de los sistemas inteligentes mientras menosprecian su propio criterio. En la complacencia de la automatización, trabajar durante mucho tiempo con sistemas de IA altamente fiables reduce la vigilancia de los médicos ante los errores poco frecuentes que sí se producen.

Por otro lado, la cuestión de la desconfianza hacia la IA es un poco más intuitiva. Muchas personas sospecharán de forma natural de una nueva tecnología —especialmente de una a la que se ha acusado de poder quitarles el trabajo— hasta que demuestre su valía. Y no ayuda que sistemas de IA, por lo demás fiables, cometan errores evidentes que son diferentes de los errores humanos. “Así que ves un error tonto, un falso positivo ridículo, y piensas: ‘Bueno, claro, la IA no es inteligente’, y entonces podrías descartarla”, afirma Kottler.

Ella sugiere abordar estos sesgos supervisando a lo largo del tiempo en qué medida los radiólogos están de acuerdo o en desacuerdo con sus colegas de IA e interviniendo si parece que se inclinan demasiado hacia un lado u otro. “Si los radiólogos aceptan el resultado de la IA 99 de cada 100 veces y sabemos que solo tiene una precisión del 95%, vamos a hablar con ese radiólogo”, afirma Kottler.

Pero limitarse a decir a los radiólogos que una herramienta de IA tiene una precisión del 95% no es suficiente, afirma Kottler. La formación es esencial para que los médicos sepan qué buscar y cuándo. Deben saber, por ejemplo, que una determinada herramienta de IA va a dar un resultado erróneo en el 30% de las exploraciones si el paciente se ha movido dentro del escáner. Sin embargo, más de una cuarta parte de los médicos que respondieron a una encuesta de 2026 de la Asociación Médica Estadounidense afirmaron no haber recibido formación alguna sobre IA, y solo el 11% dijo haber recibido mucha formación.

Kottler también aboga por herramientas de IA que proporcionen una estimación de confianza para cada evaluación, en lugar de una simple respuesta de “sí” o “no”, ya que no se puede esperar que ningún radiólogo conozca las complejidades de múltiples sistemas de IA. Y esos sistemas no harán más que proliferar en número y complejidad.

“Apenas estamos empezando a comprender cómo optimizar el sistema humano-máquina”, dice Langlotz. Lo importante que deben tener en cuenta los radiólogos hoy en día, añade, es lo mismo que dijo hace casi una década al rebatir la predicción de Hinton: no es que la IA vaya a sustituir a los radiólogos. Los radiólogos que utilicen la IA sustituirán a los que no lo hagan.

Este artículo apareció originalmente en Knowable en español, una publicación sin ánimo de lucro dedicada a poner el conocimiento científico al alcance de todos. Suscríbase al boletín de Knowable en español.

Adaptado al español por Debbie Ponchner.