![\"Deepfake](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/03\/deepfake-raio-x-radiologia.jpg\")
La investigaci\u00f3n evalu\u00f3 a 17 radi\u00f3logos de 12 centros en seis pa\u00edses, quienes revisaron 264 im\u00e1genes, la mitad de las cuales eran sint\u00e9ticas. El conjunto de datos incluy\u00f3 im\u00e1genes generadas por sistemas basados en ChatGPT, as\u00ed como RoentGen, un modelo de difusi\u00f3n desarrollado por Stanford Medicine.<\/p>\n
Solo el 41% de los Radi\u00f3logos Identificaron Im\u00e1genes Falsas Sin Aviso<\/h2>\n
Cuando los radi\u00f3logos no fueron informados<\/strong> de que se inclu\u00edan im\u00e1genes sint\u00e9ticas, solo el 41% las identific\u00f3 espont\u00e1neamente. Tras ser advertidos, la exactitud promedio subi\u00f3 al 75%, con desempe\u00f1o individual variando entre 58% y 92%. Curiosamente, el nivel de experiencia no se correlacion\u00f3 con la exactitud en la detecci\u00f3n, aunque los especialistas en musculoesquel\u00e9tico mostraron mejor desempe\u00f1o que las dem\u00e1s subespecialidades.<\/p>\n Este resultado es preocupante porque sugiere que en la pr\u00e1ctica cl\u00ednica rutinaria \u2014 donde no hay expectativa de que las im\u00e1genes puedan ser falsas \u2014 la tasa de detecci\u00f3n ser\u00eda extremadamente baja. La mayor\u00eda de los radi\u00f3logos simplemente no esperar\u00eda encontrar una imagen sint\u00e9tica en su PACS.<\/p>\n Los modelos multimodales de lenguaje evaluados \u2014 GPT-4o, GPT-5, Gemini 2.5 Pro y Llama 4 Maverick \u2014 alcanzaron tasas de detecci\u00f3n entre 57% y 85%, con variabilidad comparable a la de los radi\u00f3logos humanos. El dato m\u00e1s alarmante: incluso el modelo que gener\u00f3 algunas de las im\u00e1genes fue incapaz de identificarlas consistentemente<\/strong>. Esto indica que la tecnolog\u00eda de generaci\u00f3n ya super\u00f3 la capacidad de detecci\u00f3n de los propios creadores.<\/p>\n La cuesti\u00f3n se conecta directamente con hallazgos previos sobre IA capaz de detectar informes de radiolog\u00eda generados por IA<\/a> \u2014 si los informes textuales ya presentan desaf\u00edos de autenticidad, las im\u00e1genes diagn\u00f3sticas representan un riesgo a\u00fan mayor.<\/p>\n El autor principal, Dr. Mickael Tordjman, investigador posdoctoral en Mount Sinai, alert\u00f3 sobre posibles usos maliciosos. \u00abEsto crea una vulnerabilidad de alto riesgo para litigios fraudulentos si, por ejemplo, una fractura fabricada pudiera ser indistinguible de una real\u00bb, afirm\u00f3. Tambi\u00e9n advirti\u00f3 sobre riesgos de ciberseguridad si im\u00e1genes manipuladas fueran introducidas en sistemas cl\u00ednicos.<\/p>\n Los escenarios de riesgo incluyen:<\/p>\n El estudio identific\u00f3 patrones visuales recurrentes en im\u00e1genes sint\u00e9ticas: huesos excesivamente lisos, campos pulmonares demasiado sim\u00e9tricos y estructuras vasculares inusualmente uniformes. Aunque \u00fatiles como pistas, estos artefactos tienden a desaparecer a medida que los modelos generativos evolucionan.<\/p>\n Los autores recomiendan salvaguardas t\u00e9cnicas como marcas de agua integradas<\/strong> y firmas criptogr\u00e1ficas<\/strong> en el punto de captura de la imagen \u2014 esencialmente garantizando que cada imagen lleve una prueba de origen que no pueda ser falsificada. Tambi\u00e9n abogan por la expansi\u00f3n de datasets de entrenamiento y herramientas de detecci\u00f3n especializadas.<\/p>\n Para administradores de sistemas de imagen y especialistas en inform\u00e1tica m\u00e9dica, el estudio refuerza la importancia de protocolos de autenticaci\u00f3n de imagen integrados al PACS. Mecanismos como DICOM Digital Signatures y blockchain para trazabilidad de im\u00e1genes, a\u00fan poco adoptados, ganan relevancia ante la amenaza concreta de deepfakes radiol\u00f3gicos. El panorama de recursos en radiolog\u00eda para 2026<\/a> deber\u00eda incorporar herramientas de verificaci\u00f3n de autenticidad como componente esencial.<\/p>\n El estudio sugiere que estamos al inicio de una carrera armamentista entre generaci\u00f3n y detecci\u00f3n de im\u00e1genes m\u00e9dicas sint\u00e9ticas. A medida que los modelos de difusi\u00f3n y los LLM multimodales se sofistican, la capacidad de crear im\u00e1genes radiol\u00f3gicas indistinguibles de las reales tender\u00e1 a aumentar. La respuesta deber\u00e1 combinar soluciones t\u00e9cnicas (marcas de agua, criptograf\u00eda), regulatorias (est\u00e1ndares de autenticaci\u00f3n obligatorios) y educativas (capacitaci\u00f3n de radi\u00f3logos para reconocer artefactos sint\u00e9ticos).<\/p>\nLos Modelos de IA Tambi\u00e9n Fallaron en la Detecci\u00f3n<\/h2>\n
Riesgos Cl\u00ednicos y Jur\u00eddicos<\/h2>\n
\n
Patrones Visuales y Salvaguardas Propuestas<\/h2>\n
Implicaciones para PACS y Flujos de Trabajo<\/h2>\n
Perspectivas: Una Carrera Armamentista Digital<\/h2>\n