Meta dará acceso a sus modelos de IA Muse, además de financiamiento, a tres proyectos de inteligencia artificial en radiología y medicina de The Ohio State University, en Estados Unidos: borradores de informes de radiografía de tórax, predicción del riesgo de insuficiencia cardiaca a partir de tomografías de rutina y un sistema de agentes para apoyar el diagnóstico de Alzheimer. Meta y el Ohio State Wexner Medical Center lo anunciaron el 28 de octubre, dentro de un programa con cinco universidades estadounidenses.
Los modelos provienen de Meta Superintelligence Labs (MSL), la división de investigación y desarrollo en IA de la empresa. Según Meta, las universidades los ejecutarán en su propia infraestructura y conservarán el control de los datos clínicos, que no se compartirán con la compañía ni serán procesados por ella. Todavía no hay resultados: lo anunciado son planes de investigación.
Qué anunció Meta y cómo se reparte el dinero
Además de Ohio State, el programa incluye a Caltech, Louisiana State University, Indiana University y UTHealth Houston. El apoyo varía según el proyecto: acceso a los modelos, colaboración con investigadores de Meta y, en algunos casos, financiamiento. En el comunicado de la empresa, el total es de USD 2 millones repartidos entre las cinco instituciones. Radiology Business atribuyó «aproximadamente USD 2 millones» solo a los proyectos de Ohio State; el comunicado de la universidad no menciona cifras y el monto por proyecto no se ha divulgado.
La familia Muse incluye modelos cerrados, accesibles por API, y modelos de pesos abiertos (open-weight), que se pueden descargar y ejecutar en equipos propios, como Muse Spark Open, de 816.000 millones de parámetros, y Muse Glimmer, de 30.000 millones, que cabe en una sola GPU de consumo. Ninguno de los comunicados indica qué modelo usará cada equipo.
Informe de tórax, riesgo cardiaco en TC y Alzheimer: los tres proyectos
Borradores de informes de radiografía de tórax. El proyecto más cercano a la práctica diaria lo dirige Dufan Wu, profesor asociado de radiología, con los radiólogos Chiemezie Amadi y Paul Lewis. Según Meta, los radiólogos torácicos de Ohio State leen unas 200 radiografías de tórax al día, y otros centros llegan a 1.000. La mayoría de los modelos de generación de informes analiza solo la imagen; el equipo quiere que el borrador incorpore también el motivo del estudio, la historia clínica y los exámenes previos.
Hay dos componentes más. Uno corrige estadísticamente, con un pequeño conjunto de informes anotados por personas, el sesgo que aparece cuando un modelo de lenguaje califica el informe de otro. El otro, con el psicólogo Peter Kvam, es un estudio de lectores en un entorno clínico simulado que distinguirá la subconfianza (rechazar contenido correcto de la IA) de la sobreconfianza (aceptar contenido erróneo) y las relacionará con los tipos de error del modelo.
Insuficiencia cardiaca con fracción de eyección preservada (ICFEp). La ICFEp representa cerca de la mitad de los casos de insuficiencia cardiaca y suele reconocerse tarde porque sus síntomas se confunden con los de la obesidad. La propuesta es aprovechar tomografías de abdomen solicitadas por otros motivos, que ya registran la distribución de la grasa corporal, la grasa hepática, la composición muscular y la calcificación vascular, y combinarlas con la historia clínica y, cuando exista, el electrocardiograma. El modelo debe entregar una estimación de riesgo con los hallazgos que la respaldan y tolerar datos faltantes. Lo dirigen Yuan Xue (informática biomédica), Yuchi Han (cardiología) y Xia Ning (IA).
Agentes para el diagnóstico de Alzheimer. Ning, Xue y el neurólogo Douglas Scharre construirán un sistema multiagente con el médico en el centro de las decisiones, sobre modelos Muse de pesos abiertos implantados en local. Los agentes deberán reconstruir la trayectoria cognitiva del paciente, señalar incertidumbres diagnósticas y recomendar la siguiente evaluación más informativa, con registros de la Memory Disorders Clinic de Ohio State, que atiende más de 5.600 consultas al año.
«También buscamos entender cómo los médicos pueden interactuar de forma óptima con la IA y cómo estos sistemas pueden volverse más confiables y útiles en la práctica clínica», dijo Orlando Simonetti, vicedirector de investigación del Departamento de Radiología del Ohio State Wexner Medical Center.
Sesgo de automatización y TC oportunista: el contexto técnico
El estudio de lectores aborda un problema documentado. En un experimento publicado en Radiology en 2023, Dratsch y colegas pidieron a 27 radiólogos que clasificaran mamografías en BI-RADS con ayuda de una supuesta IA que a veces sugería la categoría equivocada. Ante la sugerencia errónea, la tasa de acierto cayó del 79,7% al 19,8% entre lectores sin experiencia y del 82,3% al 45,5% entre los muy experimentados. Los errores reales siguen el mismo patrón, como en el caso de una IA que marcó un neumotórax inexistente tras el implante de un marcapasos.
Redactar borradores de informes de radiografía ya interesa a la industria: Aidoc obtuvo la designación de dispositivo innovador de la FDA para una herramienta de este tipo. Lo distinto en Ohio State es incluir el contexto clínico en la entrada y medir la conducta del lector antes de implantar. Los modelos de uso general sin ese cuidado fallan, como en la prueba en que ChatGPT-5 omitió la mitad de las fracturas de radio distal.
La TC oportunista también tiene respaldo. En 2020, Pickhardt y colegas aplicaron algoritmos automáticos a tomografías de abdomen de 9.223 adultos asintomáticos y los siguieron durante una mediana de 8,8 años. En The Lancet Digital Health, la calcificación aórtica predijo la mortalidad a cinco años con un AUC de 0,743, frente a 0,688 de la escala de Framingham. Ohio State parte de esas medidas, pero apunta a la ICFEp y suma historia clínica, ECG y una justificación escrita.
Qué implica para los servicios de imagen en América Latina
Lo más trasladable del anuncio es el modelo de implantación. Con pesos abiertos, la inferencia se ejecuta en servidores del hospital y los datos no salen de la institución. Las leyes de protección de datos de la región, como la LGPD brasileña, tratan la información de salud como dato sensible y limitan su transferencia internacional. Ejecutar el modelo en local evita enviar imágenes e informes al exterior, pero no elimina la necesidad de base legal, control de acceso y gobernanza sobre el uso secundario de las historias clínicas. Y «local» depende del tamaño: un modelo cuantizado de 30.000 millones de parámetros cabe en una GPU de 24 a 32 GB; el de 816.000 millones exige cientos de gigabytes de memoria.
Tampoco se sabe cómo redactan estos modelos informes en español o portugués, con la terminología local. Si una herramienta así llega a la rutina clínica, pasa a ser software como dispositivo médico, regulado en Brasil por la RDC 657/2022 de Anvisa y por marcos propios en otros países; los proyectos actuales son investigación. El debate sobre el papel del especialista sigue abierto, como muestra el análisis del Neiman Institute que rebate que la IA sustituya al radiólogo.
Limitaciones y qué seguir en los próximos meses
Ninguno de los tres proyectos tiene protocolo publicado, tamaño muestral, desenlaces predefinidos ni plazo. Meta evaluó los modelos Muse en pruebas de agentes, programación y razonamiento, no en tareas clínicas, y ninguno es un dispositivo médico aprobado. La empresa afirma que los investigadores diseñaron los estudios; aun así, conviene observar si los resultados comparan Muse con otros modelos abiertos y si se publican en revistas con revisión por pares. Como se vio en el SIIM-CAIMI 2026, la IA en imagen pasó de la evaluación a la implementación, y la confianza calibrada del usuario, que el estudio de Ohio State quiere medir, ocupa el centro de esa etapa.
Fuente: Radiology Business — Meta to fund radiology AI research at Ohio State. Fuentes primarias: Ohio State Wexner Medical Center y Meta Research.
