En SIIM-CAIMI 2026, la conferencia de inteligencia artificial en imagen médica de la Society for Imaging Informatics in Medicine, los tres coordinadores del programa coincidieron en un diagnóstico: la IA en radiología deja la fase de evaluar algoritmos y entra en la de implementarlos. Lo que frena ese paso, según ellos, ya no es tanto la precisión como la regulación, el reembolso, la confianza y la integración con los sistemas del hospital.
La reunión se celebró el 26 y 27 de octubre en el Smilow Center for Translational Research de la Universidad de Pensilvania, en Filadelfia. CAIMI es la sigla de Conference on AI in Medical Imaging, nombre que sustituyó al antiguo CMIMI. En declaraciones a AuntMinnie, Katherine Andriole, Peter Chang y Eliot Siegel resumieron lo que vieron en conferencias, resúmenes y sesiones de desarrolladores.
De la evaluación a la implementación, según los coordinadores
Siegel fue el más claro. «Estamos en una especie de momento decisivo, a medida que hacemos la transición hacia la implementación en lugar de solo mirar la evaluación de algoritmos de IA», dijo. «Ahora estamos mirando modelos de frontera multimodales y modelos multimodales, y también la implementación en aplicaciones del mundo real.» Prevé más LLM y más IA agéntica en las próximas ediciones, y que el uso de LLM en producción se vuelva rutina en los departamentos de imagen.
Andriole destacó herramientas prácticas, desde la detección de artefactos hasta el apoyo al informe. «Muchos de ellos son modelos combinados, es decir, multimodales, que usan información textual, información sanitaria y también los datos de imagen para detectar mejor los hallazgos difíciles», afirmó. También observó aplicaciones educativas pensadas para el residente.
Chang subrayó la accesibilidad. Los modelos tradicionales de visión por computadora requieren experiencia especializada; con los modelos de lenguaje, dijo, «la gente simplemente tiene una idea interesante, práctica y accesible, y puede llevarla a la práctica casi de inmediato». La lectura enlaza con la reunión anual de junio, donde las tendencias del SIIM 2026 ya daban a la gobernanza y la adopción tanto peso como al rendimiento.
Apollo y los modelos que cruzan especialidades
Los coordinadores insistieron en que la IA solo llega al paciente si los radiólogos trabajan con patólogos, oncólogos y científicos de datos. El ejemplo fue la conferencia magistral del 26 de octubre de Faisal Mahmood, de Harvard Medical School y el Brigham and Women’s Hospital, investigador que viene de la patología. Presentó Apollo, que combina datos de varias especialidades en una especie de motor de búsqueda para seguir la salud del paciente a lo largo del tiempo.
El preprint del grupo, publicado en arXiv en abril de 2026, describe Apollo como un modelo fundacional multimodal y temporal entrenado con más de tres décadas de registros de un gran sistema hospitalario estadounidense: 25.000 millones de registros de 7,2 millones de pacientes, con 28 modalidades de datos y 12 especialidades. Los autores probaron 322 tareas de pronóstico y búsqueda de casos en 1,4 millones de pacientes reservados para prueba, desde el riesgo de nueva enfermedad a cinco años hasta la respuesta al tratamiento. El trabajo aún no ha pasado revisión por pares.
Andriole, hoy en la Universidad de California en Los Ángeles (UCLA), definió la IA como un deporte de equipo y citó proyectos con radiólogos, neumólogos, intensivistas, cirujanos de trasplante y científicos de datos. El punto débil es la patología: «Creo que la patología está más o menos donde estaba la radiología hace unos 20 o incluso 25 años, porque no es digital, y no veo un gran impulso para pasar a la patología digital, lo cual es lamentable». Sin láminas digitalizadas, a los modelos multimodales les falta la capa que confirmaría el hallazgo de imagen.
Flujo agéntico: se mezclan quienes desarrollan y quienes usan
Chang, que dirigió en la reunión una demostración de un agente de programación, describió CAIMI como «una conferencia de desarrolladores y de quienes ajustan herramientas, gente que construye algoritmos y los lleva a la clínica, mientras que la mayoría de las demás conferencias se centra en tomar esas herramientas e implementarlas». Con la tecnología y el flujo agéntico, añadió, «estamos viendo realmente una mezcla de esos dos públicos».
Un agente es un sistema basado en un LLM que no se limita a responder: divide la tarea en pasos, recurre a herramientas como un editor de código, una base de datos o una interfaz del PACS, revisa el resultado y corrige su propio trabajo. Un investigador puede describir en lenguaje natural el panel o el sitio web que necesita y dejar que el agente escriba y depure el código; así ve Chang la entrada de personas con poca experiencia en programación. En radiología, la misma lógica aparece en agentes que recuperan estudios previos o identifican pacientes que necesitan seguimiento.
Esa apertura tiene un costo que la conversación no detalla: el código escrito con un agente sigue necesitando validación, revisión de seguridad y un responsable. Y los LLM persuasivos también se equivocan; un estudio en Radiology mostró que la experiencia del radiólogo es lo que lo protege del error convincente de la IA.
Regulación, reembolso e historia clínica: lo que frena la implementación
Para Andriole, antes de que la IA sea rutina hay que resolver la regulación, el reembolso y la confianza. Pocas herramientas tienen un pago asociado, señaló, aunque «muchos lugares» ya las adoptan por eficiencia. En Estados Unidos, la mayoría de los algoritmos no tiene código de facturación propio y debe compensarse con productividad. Un proyecto de ley de 2025, el Health Tech Investment Act, propone una vía de pago de Medicare para servicios basados en algoritmos; el tema llegó al Congreso, pero no está resuelto. La oferta, en cambio, crece: un análisis reciente mostró que las autorizaciones de IA en radiología de la FDA crecieron un 42%.
Siegel señaló el obstáculo más concreto: uno de los temas recurrentes fueron «trabajos, proyectos e innovaciones realmente excelentes» que sus autores «no pueden llevar a la práctica real porque es difícil integrarlos en la historia clínica electrónica y en los sistemas propietarios estándar». El algoritmo debe recibir el estudio correcto en el momento oportuno y devolver el resultado en un formato que el PACS y el sistema de informes entiendan, como un objeto DICOM estructurado o un mensaje HL7 o FHIR. Perfiles de IHE como AI Results (AIR) y AI Workflow for Imaging (AIW-I) estandarizan parte de ese camino, pero dependen del proveedor. Cuando la integración falla, el resultado llega tarde: en 20 centros suizos, el 7,2% de las salidas de IA llegó después de firmado el informe.
Qué implica para América Latina
Las mismas barreras existen en la región, a menudo con más fuerza. La integración cuesta más con instalaciones heterogéneas de PACS, RIS e historia clínica y equipos de TI reducidos. El análisis algorítmico rara vez se paga como prestación aparte, de modo que el costo se incorpora al precio del estudio. Cada agencia sanitaria define cómo se clasifica el software médico; en Brasil, la ANVISA lo regula mediante la RDC 657/2022. Los datos de pacientes enviados a un LLM quedan sujetos a la ley de protección de datos de cada país, también en herramientas propias creadas con agentes.
La conclusión práctica coincide con lo que planteamos sobre la gestión de la IA en radiología antes de firmar: definir el problema, la métrica de valor y la ruta de integración antes de elegir el algoritmo.
Límites de esta lectura y qué seguir hasta 2027
El reportaje recoge opiniones de tres coordinadores, no datos de resultados clínicos, y la idea de que 2027 traerá más evidencia es una expectativa. Apollo, el ejemplo más sólido citado, sigue siendo un preprint de una sola red hospitalaria. Conviene seguir la validación externa de los modelos multimodales, el reembolso en Estados Unidos y la apertura de PACS e historias clínicas a herramientas de terceros.
Fuente: AuntMinnie — SIIM-CAIMI program chairs talk medical imaging AI’s evolution; preprint de Apollo: arXiv — A multimodal and temporal foundation model for virtual patient representations at healthcare system scale
