La Predicción de Hinton y el Futuro de la Radiología
En el año 2016, Geoffrey Hinton, conocido como el «padrino de la inteligencia artificial» y laureado con el Premio Nobel, pronosticó que los radiólogos, profesionales encargados de interpretar imágenes médicas como radiografías y ecografías, podrían ser reemplazados por computadoras en un lapso de cinco años. Sin embargo, a día de hoy, esa afirmación puede ser considerada prematura, evocando la célebre frase de Mark Twain sobre las exageraciones respecto a su propia muerte.
Contrario a las previsiones de Hinton, el número de radiólogos sigue en aumento, con proyecciones que estiman un crecimiento del 26% o más en las próximas tres décadas. A pesar de esto, el análisis de su predicción sigue siendo relevante, ya que efectivamente los médicos ahora cuentan con herramientas de inteligencia artificial (IA) que pueden igualar o incluso superar su capacidad en ciertas tareas. La radiología se ha convertido en un campo pionero en la implementación de sistemas de decisión apoyados por IA, estableciendo un modelo que podría extenderse a otros sectores de la salud y más allá.
Avances en Dispositivos Médicos con IA
De cara a 2026, se estima que aproximadamente tres cuartas partes de los 1,400 dispositivos médicos con IA aprobados por la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) se aplicarán a la radiología. Estas herramientas tienen la capacidad de mejorar la eficiencia de los profesionales, facilitando la redacción de informes y alertando sobre imágenes que requieren atención inmediata. Algunas de estas tecnologías no solo ayudan, sino que superan la capacidad humana al detectar anomalías que podrían pasarse por alto en la evaluación visual, así como al interpretar imágenes con una precisión comparable, y en ocasiones, superior a la de radiólogos experimentados. Un estudio que analizó 43 ensayos clínicos concluyó que las colonoscopias asistidas por IA identifican más pólipos que las realizadas sin esta tecnología.
La Importancia de la Precisión en Diagnósticos
La mejora en la precisión diagnóstica es crucial, dado que las tasas de error humano en el diagnóstico por imagen se sitúan entre el 3% y el 5%, lo que se traduce en alrededor de 40 millones de errores anuales a nivel global. Sin embargo, la solución no radica simplemente en reemplazar a los radiólogos con máquinas. Una década después de las predicciones de Hinton, el enfoque no se centra en decidir si la IA o los humanos son más precisos, sino en cómo combinar la capacidad técnica de la IA con la experiencia y flexibilidad humana para optimizar los resultados en beneficio de los pacientes.
Colaboración entre Humanos y Máquinas
Establecer un sistema colaborativo eficaz presenta múltiples desafíos. Aunque la IA puede ser más confiable en la interpretación de imágenes específicas, también puede cometer errores que un radiólogo experimentado no cometería, como señala Curtis Langlotz, director del Centro de Inteligencia Artificial en Medicina e Imagen de la Universidad de Stanford. Esto crea la necesidad de que los radiólogos evalúen cada decisión proporcionada por la IA, a pesar de que la mayoría de estas serán correctas, identificando los raros casos en que el algoritmo falle.
Paul Yi, radiólogo del St. Jude Children’s Research Hospital, menciona que este nuevo enfoque requiere un cambio de mentalidad significativo. Los médicos han estado acostumbrados a desestimar las recomendaciones computacionales, pero la interacción con la IA es diferente. Las alertas generadas por historiales médicos electrónicos han sido ignoradas en muchas ocasiones por los médicos, quienes tienden a evaluar la información en un contexto más amplio. Ahora, deben considerar las recomendaciones de la IA con un enfoque crítico, integrándolas en su proceso de toma de decisiones.
Desafíos de la Interpretación de la IA
Los sistemas de análisis de imágenes que utilizan IA operan a menudo mediante redes neuronales, capaces de identificar subtipos de tumores y delinear lesiones con gran precisión. Sin embargo, estos sistemas son considerados “cajas negras”, ya que no revelan claramente cómo alcanzan sus conclusiones, lo que complica la labor del radiólogo al decidir si aceptar o rechazar la evaluación proporcionada por la IA. Charles Kahn, editor de Radiology: Artificial Intelligence, plantea la duda sobre si lo que la IA identifica es realmente una anomalía o si se está pasando por alto algo que un radiólogo podría detectar.
El Dilema del Poder de Decisión
Langlotz presenta un escenario teórico en el que una herramienta de IA puede detectar el 95% de los nódulos pulmonares en una tomografía computarizada, mientras que los radiólogos tienen una tasa de detección del 90%. Algunos podrían concluir que la IA es superior, sugiriendo que podría reemplazar a los radiólogos. Sin embargo, es probable que el radiólogo aún identifique el 5% que la IA no logra captar, evidenciando que ambas inteligencias poseen características distintas.
La IA tiene la capacidad de analizar cada píxel de una imagen sin distracciones, comparando con una vasta cantidad de datos previos. En contraste, la comprensión que los radiólogos tienen sobre las enfermedades les permite hacer interpretaciones que van más allá de la capacidad de la IA. Esto plantea interrogantes sobre cómo garantizar que, cuando exista una discrepancia entre la IA y el radiólogo, este último confíe en el juicio de la máquina y no se plantee dudas sobre su propia interpretación.
Gestión de Sesgos en la Colaboración
Para lograr una interacción efectiva entre humanos y máquinas, los radiólogos están aprendiendo a colaborar con la IA, maximizando los beneficios para ellos y sus pacientes. Esta colaboración implica abordar los sesgos inconscientes que pueden llevar a los médicos a confiar demasiado en la IA o, por el contrario, a desestimar sus recomendaciones. Es fundamental que los radiólogos evalúen la fiabilidad de la IA sin perder de vista la capacidad de detectar errores en sus análisis.
Langlotz destaca la importancia de comprender cómo funcionan estos sistemas, lo que ayuda a los médicos a identificar cuándo la IA puede estar desviándolos. El desafío radica en que tanto los falsos negativos como los falsos positivos pueden surgir en la interpretación de imágenes médicas, lo que puede llevar a errores de diagnóstico significativos. La complacencia de la automatización puede resultar peligrosa si los profesionales confían en exceso en la IA, mientras que el sesgo de automatización puede hacer que ignoren su propio juicio crítico.
Formación y Confianza en la IA
La desconfianza hacia la IA es un reto adicional, ya que muchos médicos tienden a mostrar escepticismo hacia una tecnología que podría amenazar su profesión. Langlotz y otros expertos sugieren que se debe monitorear de cerca el grado de acuerdo entre radiólogos e IA, interviniendo cuando se observe una inclinación excesiva hacia uno u otro extremo. Sin embargo, simplemente informar a los radiólogos sobre la precisión de la IA no es suficiente; es esencial proporcionarles formación adecuada para que comprendan cuándo y por qué la IA podría fallar.
La formación en IA es aún insuficiente, ya que más de una cuarta parte de los médicos encuestados afirmaron no haber recibido capacitación sobre el tema, y solo un 11% reportó haber recibido formación extensa. Kottler propone que las herramientas de IA ofrezcan estimaciones de confianza para sus evaluaciones, en lugar de simples respuestas binarias. Esto es crucial, dado que la complejidad y el número de sistemas de IA seguirán en aumento.
El Futuro de la Radiología y la IA
A medida que la colaboración entre radiólogos e inteligencia artificial continúa evolucionando, es fundamental entender que la integración de estas herramientas no significa la eliminación del profesional humano. Como Langlotz señala, la clave no es si la IA reemplazará a los radiólogos, sino que aquellos que sepan utilizar la IA serán los que prosperen en el futuro, mientras que los que no lo hagan quedarán atrás.
