Publicado originalmente en inglés en el Swiss Journal of Radiology and Nuclear Medicine (SJORANM), vol. 35, n.º 2, 2026. DOI: 10.59667/sjoranm.v35i2.14. Licencia CC BY 4.0. Las cifras son de octubre de 2026, cuando se escribió el texto; el mapa se sigue actualizando.

El punto de partida

Cada semana aparece un algoritmo nuevo para detectar nódulos, medir volúmenes o redactar informes. Y cada vez me hago las mismas preguntas: ¿esto ya se usa acá? ¿Quién lo tiene? ¿Funciona? Casi nunca encuentro una respuesta precisa. No por falta de interés, sino porque esa información no está reunida en ningún lado.

Radiología Aumentada nació de esa curiosidad. Es un proyecto personal e independiente que busca documentar, en español, dónde y cómo se usa realmente la inteligencia artificial en diagnóstico por imágenes, empezando por Argentina y con la idea de extenderse a Latinoamérica. En este texto quiero contar por qué lo empecé, qué pretende ser y, sobre todo, qué no pretende ser.

Una doble brecha: el idioma y la realidad

La conversación global sobre IA en radiología ocurre casi toda en inglés. Los ensayos, las guías, los registros de dispositivos aprobados y los análisis de mercado se producen en Estados Unidos, Europa y Asia. Para un radiólogo hispanohablante, mantenerse al día implica traducir no solo palabras, sino también contextos regulatorios, económicos y clínicos que no son los propios.

La segunda brecha es más silenciosa. Aunque uno lea todo en inglés, esa literatura no dice qué pasa en un servicio de imágenes de Rosario, Neuquén o Tucumán. No sabemos con certeza cuántos centros usan IA en mamografía, tórax o neurorradiología; qué proveedores operan realmente en la región; ni cómo se integran estas herramientas a flujos de trabajo con recursos, conectividad y marcos regulatorios muy distintos de los de los países donde se validaron.

Esta falta de datos tiene consecuencias. Los colegas deciden con información parcial. Las instituciones compran sin poder comparar. Y el discurso público oscila entre el entusiasmo acrítico y el rechazo, sin una base empírica local para discutir. Otros países ya empezaron a resolverlo: iniciativas como el Swiss Healthcare AI Map y el Nordic AI Health Map, que documentó más de 800 iniciativas de IA en la salud pública de cinco países, muestran que registrar la adopción real es posible y útil. En la región hispanohablante, la información pública sobre adopción de IA en imágenes sigue fragmentada. Radiología Aumentada busca ayudar a reunirla.

Qué es Radiología Aumentada

El nombre no es casual. No se trata de una radiología reemplazada, sino aumentada: el radiólogo sigue siendo quien integra la imagen con el paciente, y la IA es una herramienta que puede ampliar, o distorsionar, esa mirada. Hoy el proyecto tiene cinco partes, y la lista puede crecer:

• Un mapa de adopción. Las instituciones que informaron públicamente el uso de IA en imágenes, por provincia, con la herramienta que usan y la fuente de cada dato. A octubre de 2026 registraba 36 instituciones en 14 de las 24 jurisdicciones del país.
• Un directorio de proveedores. Qué soluciones existen en el mundo, para qué región anatómica y modalidad, cuál es su estado regulatorio y si están presentes en Argentina. De 59 productos relevados, 18 muestran presencia o indicios de presencia en el país.
• Formación. Una ruta de aprendizaje para residentes, un glosario y una selección de cursos, libros y guías para empezar.
• Gobernanza. Un semáforo para el uso diario, cómo regula ANMAT el software con IA, los pilares de un comité institucional de IA y las preguntas para hacerle a un proveedor antes de comprar.
• Opinión y análisis. Artículos breves, en español, sobre publicaciones y debates relevantes, escritos desde la práctica clínica.

El mapa incluye instituciones asociadas públicamente a una herramienta concreta de IA en imágenes, ya sea en comunicaciones institucionales, la prensa, comunicados de proveedores o publicaciones científicas. El directorio incluye productos con al menos una fuente pública y distingue la presencia confirmada de los indicios que falta verificar. Cada dato tiene el link a su fuente, y las instituciones y los proveedores pueden pedir que se sume, corrija o quite información a través del formulario del sitio.

La información se reunió durante los 12 meses previos al 21 de octubre de 2026. No se aplicaron reglas formales de conteo de sedes ni de eliminación de duplicados. Las cifras describen esta recopilación de información pública, no un censo nacional sistemático ni una estimación de cuánto se usa la IA. La difusión y la disponibilidad de fuentes influyen en lo que se registra. Que una institución no esté en el mapa no significa que no use IA, y que una solución tenga presencia local no implica por sí solo aprobación regulatoria ni efectividad clínica.

Empecé por las imágenes porque es mi especialidad y el área de la práctica clínica desde la que puedo aportar más directamente. Con el tiempo, el mismo enfoque podría extenderse a otras especialidades y al uso administrativo de los modelos de lenguaje.

Tres principios

Independencia. Radiología Aumentada es un proyecto personal. Trabajo en dos instituciones y lo digo abiertamente, pero el proyecto no representa a ninguna de las dos ni promociona productos. No recibe financiamiento de proveedores. Estar en el directorio no implica un aval, y no estar no implica una crítica.

Evidencia antes que entusiasmo. La IA en imágenes no es un bloque homogéneo. Algunas herramientas para tareas específicas se evaluaron de forma prospectiva para usos definidos, como el tamizaje mamográfico asistido por IA del ensayo MASAI. Esos resultados no deberían generalizarse a otras tareas o productos sin la evidencia adecuada. Los modelos multimodales de uso general también requieren una evaluación cuidadosa: Asadi y colegas describen el "razonamiento espejismo" (mirage reasoning), en el que los modelos generan descripciones detalladas de una imagen incluso cuando no se les dio ninguna. Ese preprint ilustra un modo de falla, no el rendimiento clínico de todos los modelos. Distinguir entre la evidencia de herramientas clínicas específicas y las capacidades generales de los modelos es central para comunicar con responsabilidad, y estoy dispuesto a revisar estas posiciones cuando cambie la evidencia.

La mirada del radiólogo. Gran parte de lo que se comunica sobre IA médica lo escriben tecnólogos, inversores o periodistas. Es valioso, pero incompleto. Quienes informamos estudios todos los días sabemos qué significa un falso positivo a las once de la noche, cómo cambia el flujo de trabajo y dónde está el riesgo real para el paciente. Esa es la perspectiva que quiero aportar, y la que creo que falta en español.

Hacia dónde vamos

Un mapa así no se construye solo. Un próximo paso es impulsar una encuesta institucional sobre el uso de IA en imágenes, idealmente junto con las sociedades científicas de la especialidad, para convertir impresiones en datos. También estamos explorando comparaciones con iniciativas europeas, para entender en qué nos parecemos y dónde la realidad latinoamericana necesita respuestas propias.

Que este texto aparezca en una revista suiza no es una paradoja, sino una señal. La IA en radiología es un fenómeno global, pero su adopción siempre es local. Para que el conocimiento circule en los dos sentidos, la región necesita producir sus propios datos y contarlos en su propio idioma, sin dejar de dialogar con el resto del mundo.

Invito a radiólogos, residentes, físicos médicos, gestores y empresas de la región a sumarse: contando dónde usan IA, corrigiendo lo que el mapa muestra mal y proponiendo temas. Radiología Aumentada no pretende tener todas las respuestas. Busca algo más modesto y, creo, más necesario: que empecemos a hacernos las preguntas con nuestros propios datos.

Fuentes

• Olivera Plata FM. Augmented Radiology: why map artificial intelligence in imaging from and for the Spanish-speaking world. Swiss J Radiol Nucl Med. 2026;35(2):1–3 (original en inglés).
• SwissMed AI. Swiss Healthcare AI Map.
• AI Sweden y otros. Nordic AI Health Map. Nordic Council of Ministers, 2026.
• Asadi M, O'Sullivan JW, Cao F, et al. MIRAGE: The Illusion of Visual Understanding. arXiv, 2026 (preprint, sin revisión por pares).
• Lång K, Josefsson V, Larsson AM, et al. Artificial intelligence-supported screen reading versus standard double reading in the MASAI trial. Lancet Oncol. 2023;24(8):936–944.

Cuando se habla de IA generativa en medicina, la pregunta casi siempre es una sola: ¿acierta? Es la cifra que se publica, la que se compara entre modelos y la que llega a los titulares. Pero acertar es solo una parte de lo que necesitamos saber antes de usar una herramienta con pacientes.

Un grupo de Oxford revisó 99 estudios que evaluaron IA generativa en diagnóstico y pronóstico, y propone mirar cinco dimensiones: si la respuesta es correcta y está basada en evidencia, si es segura y consistente, si el razonamiento clínico es coherente, si el modelo reconoce cuándo no sabe, y cómo su tono "humano" cambia la confianza de quien lo usa. Su conclusión es directa: la precisión sola no alcanza para decir que un sistema es confiable para uso clínico.

La última dimensión merece atención. Un modelo que responde con seguridad y empatía es más convincente, aunque esté equivocado. Y los modelos de lenguaje tienden a darle la razón al usuario. OpenAI reconoció el problema y está ajustando sus modelos para que discrepen cuando corresponde; según sus propias pruebas, los modelos nuevos cumplen sus políticas de seguridad en el 99% de las conversaciones simuladas sobre autolesiones, frente al 86% de versiones anteriores. Son datos internos de la empresa.

Ahí aparece el segundo problema: lo que no vemos. En una perspectiva publicada en Nature Health, investigadores de Stanford, Indiana y otras universidades señalan que el daño de un consejo de salud equivocado dado por un chatbot es invisible: no queda registro fuera de la plataforma, no hay a dónde reportarlo y nadie puede medirlo de forma independiente. Proponen que esas interacciones sean observables.

Para quienes trabajamos en imágenes, la lección es concreta. No es lo mismo un modelo general que conversa sobre una radiografía que una herramienta validada para una tarea, con registro regulatorio y estudios publicados. Antes de incorporar cualquiera de las dos, conviene preguntar algo más que el porcentaje de aciertos: cómo falla, si avisa cuando duda, quién mide sus errores y qué pasa cuando se equivoca.

Fuentes

• Aqeeli N, Mesinovic M, Zhu T. Rethinking the Evaluation of Generative AI in Clinical Diagnosis and Prognosis. Preprints.org, 2026 (sin revisión por pares).
• DeVerna MR, Yan HY, Yang KC, Menczer F. The invisible risks of AI-generated health information. Nature Health, 2026.
• OpenAI Is Finally Teaching ChatGPT to Stop Acting Like a Yes-Man. Android Headlines, octubre 2026.

El 6 de octubre, Nature Medicine publicó el paper de MedGemma, la IA abierta de Google especializada en medicina, que analiza imágenes y genera informes.

Vengo sosteniendo que los LLMs genéricos, como ChatGPT, Gemini o Claude, no son confiables para diagnóstico por imágenes. MedGemma es distinto: es un modelo multimodal (lee imágenes y texto) entrenado con datos médicos. Lo leí con lupa para ver cuánto cambia el panorama.

Una aclaración: no hablo de las herramientas de IA específicas para una tarea, que ya están validadas y aprobadas, por ejemplo en mamografía. Hablo de modelos que miran la imagen y escriben un informe en texto libre.

El dato más llamativo

El 81% de sus informes de radiografías de tórax podría llevar a decisiones médicas iguales o mejores que las del informe original, según la valoración de un radiólogo.

Lo que conviene leer junto a ese número

• Evaluación limitada: la hizo un solo radiólogo, sobre 306 casos y sin cegamiento (sabía cuáles informes eran de la IA).
• Sin medición en pacientes: no se midieron decisiones reales ni resultados finales.
• Normales frente a anormales: en calidad del informe, el 68% de los estudios normales fue igual o mejor que el original; en los anormales, el 49%.

Para mí, los anormales merecen tanta atención como el 81%: son los casos donde un error tiene consecuencias. El paper es transparente con estas limitaciones. El riesgo es quedarse solo con el número más llamativo.

Dos preguntas que me quedan

• Localización. Le costó ubicar estructuras anatómicas: el IoU, que mide cuánto se superpone la zona que marca el modelo con la zona correcta (0 es nada, 1 es coincidencia perfecta), fue de 0,03 en el modelo de 4B parámetros y de 0,16 en el de 27B. Conecta con mi preocupación por el "efecto espejismo" (mirage effect), un tema sobre el que presentamos un póster en RSNA 2026: una respuesta convincente no garantiza una interpretación correcta de la imagen.
• Sicofancia. Es la tendencia de estos modelos a darle la razón al usuario. El paper no reporta qué pasa si el médico le sugiere un diagnóstico equivocado. ¿Lo cuestiona o le da la razón?

Otros datos que conviene tener en cuenta

• El entrenamiento médico mejora la detección de respuestas falsas en un test de texto (de 0,09 a 0,50 frente al modelo general). Pero no se midió si alucina menos al informar imágenes.
• La versión evaluada trabaja solo con imágenes 2D.

¿Es un avance? Sí

• Especializado en medicina, no un chatbot genérico.
• Abierto: sus pesos son públicos, así que se puede descargar y ejecutar dentro del hospital, sin sacar los datos.
• Eficiente: el modelo de 4B costó 500 veces menos cómputo que el comparador más grande, lo que lo hace viable para un centro médico.
• Útil como borrador, con validación y revisión médica.

¿Listo para diagnosticar solo? Para mí, todavía no.

La versión 1.5

La versión 1.5 (2026, solo en 4B) ya incorpora tomografía y resonancia, y mejora la localización. Pero en preguntas de sí o no, donde el azar acierta el 50%, logra 61% en TC y 65% en RM: insuficiente, para mí, para confiarle decisiones. Además, son pruebas internas, en un preprint sin revisión por pares y con datos de la misma red que lo entrenó. Avanza rápido, pero no cambia el fondo.

Antes de confiarle pacientes, le pediría

1. Estudios prospectivos, con pacientes reales y resultados clínicos.
2. Pruebas ante sugerencias erróneas del médico.
3. Que muestre en la imagen lo que describe: cada hallazgo, con su localización.
4. Que reconozca su incertidumbre y sepa decir "no sé".
5. Validación clínica independiente, en otros centros y poblaciones, no solo hecha por quien desarrolló el modelo.

Qué significa para nosotros

Que sea abierto cambia algo concreto para los centros de nuestro medio: se puede probar con casos propios, dentro de la institución, antes de pensar en usarlo. Si un servicio quiere explorarlo, el paso razonable es una evaluación local, ciega y con foco en los estudios anormales, y siempre como borrador que revisa el médico.

Mi conclusión: especializar los LLMs en medicina es el camino correcto, pero todavía falta bastante. La pregunta ya no es si la IA sirve, sino qué evidencia le exigimos antes de que impacte en un paciente.

Fuente

• An open vision-language model for diverse medical applications. Nature Medicine, 6 de octubre de 2026.