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.
