La inteligencia artificial en la ecografía está dejando de ser una promesa para convertirse en copiloto de quien sostiene el transductor. Ese fue el mensaje de la keynote de Alison Noble, de la Universidad de Oxford, en el congreso anual de la AIUM (American Institute of Ultrasound in Medicine), el 28 de mayo en Filadelfia. Más que detectar hallazgos en imágenes estáticas, la nueva generación de IA acompaña el examen en tiempo real.
De clasificador de imagen a copiloto de examen
Durante años, la IA en imagen se concentró en etiquetar fotogramas aislados. El mensaje de Noble es que el salto ahora viene de los métodos de deep learning de video y multimodales, capaces de analizar automáticamente el video de la ecografía, captar patrones acústicos sutiles y apoyar la decisión clínica durante tanto la adquisición como la interpretación. Eso cambia la naturaleza de la ayuda: en lugar de una segunda opinión después del examen, la máquina orienta al operador mientras la sonda aún está sobre el paciente.
Esta distinción importa porque la ecografía es, entre los métodos de imagen, el más dependiente del operador. Pequeñas variaciones de angulación, ganancia o ventana acústica cambian el resultado. Una IA que guía la captura ataca justamente ese talón de Aquiles, acercando el examen a un estándar reproducible independientemente de la experiencia de quien lo realiza.
Los números: datación gestacional más precisa
Noble aportó un dato concreto para sostener la tesis. Un estudio publicado en 2025 mostró que el apoyo de la IA en la estimación de la edad gestacional redujo el error absoluto medio del clínico de 23,5 a 15,7 días. Cuando el modelo comenzó a ofrecer explicaciones sobre sus decisiones —la llamada explicabilidad—, el error bajó aún más, a 14,3 días. El detalle de las explicaciones no es cosmético: indica que la colaboración humano-máquina rinde más cuando el profesional entiende el porqué de la sugerencia.
El impacto práctico es directo. Datar el embarazo con precisión orienta decisiones sobre el parto, el crecimiento fetal y las intervenciones. Permitir que profesionales con entrenamiento mínimo realicen esa datación, sin equipos costosos, es justamente el tipo de democratización que la ecografía necesita.
Tecnología portátil para donde falta el acceso
Uno de los ejemplos citados fue TraCer, un sistema totalmente portátil en desarrollo en Kenia. Usa una sonda inalámbrica de bajo costo (Konted) acoplada a una tablet Android común para capturar videos de ecografía fetal. La propuesta es llevar el diagnóstico a regiones donde no hay ecografistas ni equipos sofisticados — un espejo del esfuerzo de capacitación para iniciativas globales de ecografía también debatido en AIUM 2026.
Ese mismo principio de análisis de textura y patrón alimenta otros frentes, como el modelo de IA que estima la madurez pulmonar fetal mediante la ecografía. Juntas, estas líneas de investigación dibujan un futuro en el que la ecografía inteligente complementa —y a veces anticipa— información que antes exigía métodos invasivos o de alto costo.
Federated learning y colaboración humano-IA
Noble destacó además dos fronteras emergentes. La primera es el federated learning (aprendizaje federado), en el que los modelos se entrenan sobre datos descentralizados de múltiples fuentes sin que las imágenes tengan que salir de cada institución — una respuesta elegante a las barreras de privacidad y a la fragmentación de los datos de salud. La segunda es la colaboración humano-IA, en la que la combinación de persona y algoritmo supera el desempeño de cada uno por separado.
Este encuadre es coherente con lo que se ve en otras áreas de la imagen: la IA no sustituye al especialista, pero eleva el piso de calidad y alivia la carga de trabajo — un alivio bienvenido en sistemas presionados, como ya comentamos al tratar el déficit crónico de profesionales de imagen.
Por qué la ecografía es terreno fértil para la IA
A diferencia de la tomografía o la resonancia, la ecografía es barata, portátil, libre de radiación ionizante y genera imagen en tiempo real — pero paga ese precio con una fuerte dependencia del operador y ruido acústico. Esa combinación es justamente lo que vuelve al método tan prometedor para la IA: hay un problema real de variabilidad por resolver y un volumen enorme de exámenes para entrenar modelos. AIUM 2026 reservó varias sesiones al tema, incluyendo discusiones sobre cómo la IA puede incluso mejorar el aprendizaje de protocolos como el eFAST, usado en la evaluación rápida del trauma.
La lectura en video, y no en fotogramas aislados, es lo que acerca la IA a la forma en que el ecografista realmente trabaja: barriendo, ajustando e interpretando en movimiento. Cuanto más entiende el algoritmo la secuencia temporal del examen, más útil se vuelve como guía en tiempo real.
Qué observar de aquí en adelante
Para América Latina, donde la ecografía es puerta de entrada diagnóstica en buena parte de la red pública y privada, la agenda de Noble es especialmente relevante. La IA de video que guía la adquisición puede reducir la variabilidad entre operadores, acortar la curva de aprendizaje y extender el alcance del examen a unidades remotas. Los próximos pasos pasan por la validación clínica a gran escala, la integración al flujo de trabajo y reglas claras de gobernanza — para que la promesa de democratización no choque con sesgos de datos ni con una falsa sensación de seguridad.
Fuente: AuntMinnie — «AIUM: AI has evolving role in ultrasound»
