La IA no va a reemplazar a los radiólogos, pero sí va a cambiar radicalmente su trabajo

En 2016, Geoffrey Hinton, el Premio Nobel considerado el "padrino de la inteligencia artificial", predijo que las computadoras reemplazarían a los radiólogos —los médicos que analizan radiografías, ecografías y otras imágenes para hacer diagnósticos— en menos de cinco años. Diez años después, según un análisis publicado por Ars Technica basado en Knowable Magazine, esa predicción no se cumplió. Al contrario: se espera que el número de radiólogos crezca un 26 por ciento o más en las próximas tres décadas.

Pero eso no significa que Hinton estaba del todo equivocado. Lo que cambió es la naturaleza del trabajo. Hoy los radiólogos tienen un "colega de silicio" en la sala que, en algunos casos, detecta más cosas que ellos.

A principios de 2026, alrededor de tres cuartas partes de los 1.400 dispositivos médicos con inteligencia artificial habilitados por la Administración de Alimentos y Medicamentos de Estados Unidos (FDA) correspondían a radiología, según la misma fuente. Algunos de esos sistemas hacen el trabajo más eficiente: redactan informes o avisan qué imágenes necesitan atención urgente. Pero otros van más lejos: pueden identificar anomalías que el ojo humano no ve.

Un ejemplo concreto: un análisis de 43 ensayos clínicos citado por Ars Technica concluyó que las colonoscopías asistidas por IA detectan más pólipos que las convencionales. Y se estima que los errores humanos en diagnósticos por imagen rondan entre el 3 y el 5 por ciento, lo que equivale a unos 40 millones de errores anuales en todo el mundo.

El problema de la "caja negra"

El desafío no es menor. Los sistemas de IA que se usan en radiología funcionan con redes neuronales (modelos que aprenden a reconocer patrones a partir de millones de imágenes) y se los llama sistemas de "caja negra" porque no explican cómo llegaron a una conclusión. Eso complica la tarea del radiólogo, que tiene que decidir si confiar o no en lo que dice la máquina sin saber bien por qué lo dice.

"¿Es realmente una anomalía, o me estoy perdiendo algo que la IA con su mente sutil está identificando?", plantea Charles Kahn, editor de Radiology: Artificial Intelligence, publicación de la Sociedad Radiológica de Norteamérica, según recoge Ars Technica.

Curtis Langlotz, director del Centro de Inteligencia Artificial en Medicina e Imagen de la Universidad de Stanford, pone un ejemplo claro: si una IA detecta el 95 por ciento de los nódulos pulmonares en una tomografía y un radiólogo detecta el 90 por ciento, la tentación es decir que la máquina es mejor. Pero el radiólogo va a encontrar parte de ese 5 por ciento que la IA se perdió, porque la inteligencia humana y la artificial son tipos distintos de inteligencia, explica Langlotz a Ars Technica.

Dos errores posibles: confiar de más o desconfiar de más

Trabajar con IA exige un equilibrio difícil. Según Ars Technica, hay dos sesgos que los especialistas están tratando de corregir.

El primero se llama "sesgo de automatización": el médico empieza a creer demasiado en los resultados de la máquina, incluso cuando están mal. Un estudio citado en la nota mostró que radiólogos experimentados tuvieron caídas significativas en la precisión de sus diagnósticos de mamografías cuando tomaban decisiones influenciados por predicciones incorrectas de la IA.

El segundo es la "complacencia de automatización": el médico no cuestiona cuando la IA no detecta algo que sí está ahí, como sangrado en el cerebro en una tomografía.

Nina Kottler, directora médica de IA de Mosaic Clinical Technologies, propone una solución práctica: monitorear con qué frecuencia cada radiólogo acepta o rechaza las sugerencias de la IA e intervenir si se van a los extremos. "Si los radiólogos están aceptando el resultado de la IA 99 de cada 100 veces y sabemos que solo es 95 por ciento precisa, vamos a hablar con ese radiólogo", dice Kottler según Ars Technica.

El entrenamiento, la clave que falta

Kottler también advierte que no alcanza con decirle a un médico que la IA es precisa en un 95 por ciento de los casos: hay que formarlos para saber cuándo y por qué falla. Por ejemplo, que un determinado sistema se equivoca en el 30 por ciento de las imágenes si el paciente se movió durante el escaneo.

Sin embargo, según una encuesta de la Asociación Médica Americana realizada en 2026 y citada por Ars Technica, más de un cuarto de los médicos encuestados dijo no haber recibido ninguna capacitación sobre IA, y solo el 11 por ciento dijo haber recibido mucha.

Kottler también aboga porque los sistemas de IA informen un nivel de confianza en cada evaluación, en lugar de dar solo una respuesta de sí o no. Porque los radiólogos no pueden conocer los detalles técnicos de cada uno de los múltiples sistemas que usan, y esos sistemas no harán más que multiplicarse.

La conclusión de Langlotz, que ya la sostenía hace casi una década cuando rebatió la predicción de Hinton, sigue vigente: no es que la IA vaya a reemplazar a los radiólogos. Los radiólogos que usen IA van a reemplazar a los que no la usen.