Radiólogos experimentados e incluso modelos de lenguaje multimodales tienen dificultades para diferenciar las radiografías de tórax generadas por inteligencia artificial de las imágenes reales. Así lo revela un estudio publicado en la edición de marzo de 2026 de la revista Radiology. La buena noticia, según los especialistas en imagen médica, es que el riesgo concreto para la atención sanitaria sigue siendo bajo: las imágenes están rigurosamente controladas desde su adquisición en el equipo hasta su visualización en el monitor del radiólogo.
El tema cobró urgencia porque los modelos generativos hoy permiten alterar patologías, insertar artefactos o refinar la calidad de los exámenes con unas pocas órdenes de texto. Entender cómo un actor malicioso podría usar estas herramientas es precisamente lo que ayuda a diseñar programas de seguridad más robustos y a distinguir las llamadas deepfakes médicas de las imágenes auténticas.
El estudio que encendió la alarma
La investigación evaluó dos generadores de imágenes: ChatGPT (GPT-4o), lanzado en 2024, y RoentGen, un «modelo de fundación de visión y lenguaje» creado para producir radiografías de tórax (CXR) realistas. La conclusión de que radiólogos y grandes modelos de lenguaje no logran distinguir fácilmente las imágenes sintéticas motivó un editorial firmado por los radiólogos Rajesh Bhayana y Satheesh Krishna, de Toronto, con un subtítulo elocuente: «ver ya no es creer».
Sin embargo, la palabra «fácilmente» es decisiva. Todavía existen señales que delatan el origen artificial. Según Mickael Tordjman, investigador posdoctoral del Biomedical Engineering and Imaging Institute del Hospital Mount Sinai, en Nueva York, esos indicios incluyen una simetría excesiva, tejidos blandos demasiado homogéneos y contornos óseos demasiado suaves. Son pistas útiles, pero que tienden a desaparecer a medida que los generadores evolucionan.
Cómo los modelos generativos crean y delatan imágenes
Las mismas técnicas que fabrican exámenes falsos también tienen usos legítimos. Bachir Taouli, profesor de radiología en la Escuela de Medicina Icahn del Mount Sinai, recuerda que un algoritmo puede generar imágenes y informes a medida para la enseñanza. Es posible, con una palabra clave, añadir distorsiones por movimiento del paciente o formas que simulan implantes metálicos en una tomografía, entrenando a estudiantes y modelos a reconocer artefactos. El camino inverso, señala Tordjman, hace que la IA sea cada vez mejor eliminando ruido y mejorando la calidad de exámenes hechos en equipos básicos o antiguos, a menudo los únicos disponibles en regiones remotas.
Para proteger los archivos, los fabricantes debaten incorporar una marca de agua o una clave criptográfica a cada imagen generada. Raym Geis, profesor asociado adjunto del National Jewish Health, en Denver, llama a esta disputa un «juego del gato y el ratón»: las verificaciones son necesarias, pero las técnicas de falsificación también mejoran y aprenden a duplicarlas. El debate sobre la fiabilidad de los informes no es nuevo: ya lo abordamos al analizar el uso de modelos de IA en la generación de informes radiológicos.
RoentGen v2 y el combate al sesgo algorítmico
El equipo de RoentGen, que incluye a Christian Bluethgen, profesor asistente de radiología torácica de la Universidad de Stanford, lanzó la segunda generación del software. «En RoentGen v2, la apariencia de las imágenes es controlable no solo mediante descripciones de hallazgos en texto, sino también a través de metadatos estructurados del paciente, como sexo, edad y raza/etnia», explica. Con ello, el grupo armó un conjunto sintético demográficamente equilibrado con más de 565.000 radiografías de tórax y demostró mejoras significativas tanto en el rendimiento de clasificación como en las métricas de equidad entre subgrupos.
Ese potencial para corregir la subrepresentación de minorías, franjas de edad y sexos en los datos de entrenamiento es uno de los argumentos más sólidos a favor de las imágenes sintéticas, la misma preocupación que aparece en los debates sobre la IA en la evaluación de riesgo. Bradley Erickson, profesor de radiología de la Clínica Mayo, dirige un proyecto para verificar si los datos sintéticos compensan los sesgos causados por un muestreo insuficiente. «Si funciona, puede ser muy significativo», afirma.
Seguridad: cuál es el riesgo real de las deepfakes médicas
Históricamente, esto no ha sido un problema. John Mongan, profesor de radiología clínica y vicedirector de informática traslacional en la Universidad de California en San Francisco (UCSF), afirma que en 15 años no ha tenido conocimiento de ninguna violación relacionada con imágenes médicas. «No existe una vía abierta para insertar o modificar una imagen en la base de datos de un hospital», dice. «Y quien lograra el nivel de acceso necesario para alterar imágenes tendría a su disposición acciones mucho más destructivas y sencillas, como manipular informes o la historia clínica electrónica.»
Erickson coincide: el protocolo de comunicación entre los equipos y el archivo de imágenes es razonablemente seguro, más aún con cifrado TLS. Un atacante necesitaría acceder a la red interna y «suplantar» al aparato en cuanto a dirección IP y título de entidad de aplicación. La robustez de esos archivos PACS y del flujo digital en radiología es la principal barrera. Aun así, Bluethgen advierte sobre los daños potenciales del mal uso: hallazgos falsos positivos o falsos negativos que lleven a decisiones diagnósticas erróneas y a costes innecesarios.
Para el paciente, el consejo de Mongan es invertir el foco de la preocupación: el mayor riesgo está en enviar grandes conjuntos de imágenes personales a servicios como ChatGPT en busca de un diagnóstico, ya que la empresa puede conservar copias. Compartir exámenes en redes sociales preocupa menos, porque la baja resolución de los archivos publicados difícilmente sirve para generar nuevas imágenes sintéticas.
Aplicaciones clínicas y relevancia para Latinoamérica
Los usos beneficiosos van más allá de la enseñanza. Tordjman vislumbra la creación de un «gemelo digital» del paciente para simular ensayos virtuales de medicamentos y tratamientos. Mongan admite valor en la ampliación de conjuntos de entrenamiento para condiciones raras, como el neumotórax a tensión, aunque advierte que el modelo puede tener dificultades justo donde faltan ejemplos reales. Erickson, por su parte, es escéptico respecto a la enseñanza: como los residentes ya tienen acceso a información sanitaria protegida, la ganancia de privacidad de las imágenes sintéticas no siempre se concreta.
Para Latinoamérica, el punto más prometedor es la mejora de exámenes adquiridos en equipos modestos o desfasados, una realidad frecuente en servicios del interior y de la red pública. Elevar la calidad de esas imágenes y reducir los sesgos de datos puede ampliar el acceso a diagnósticos fiables, un tema que dialoga con el avance de soluciones de IA aprobadas por organismos reguladores.
Perspectivas y limitaciones
El equipo de RoentGen se centró en las radiografías de tórax por tres motivos: disponibilidad de datos, viabilidad técnica y relevancia médica. Las CXR son bidimensionales —más fáciles de procesar que las tomografías 3D o 4D— y están entre los exámenes más solicitados por ser rápidos, baratos y ampliamente disponibles. Los pesos del modelo ya se compartieron con más de 300 investigadores, que deben firmar un acuerdo de uso y completar la misma formación exigida para acceder a la base MIMIC-CXR, un conjunto público de 377.110 radiografías en formato DICOM, sin datos identificables, del Beth Israel Deaconess Medical Center, en Boston.
Bluethgen describe esta apertura como «democratizar el acceso»: los investigadores pasan a experimentar con modelos de vanguardia sin hardware costoso, ya que construir una solución desde cero puede costar más de 100.000 dólares. La reflexión final es de Mongan: ningún algoritmo será 100% preciso en todas las situaciones, ni tampoco ningún profesional. «La cuestión es cómo usar las imágenes generadas para desarrollar una IA diagnóstica más precisa. Eso es lo que nos ayudará a tomar mejores decisiones de tratamiento», concluye.
Fuente: Radiology Today
