{"id":18675,"date":"2026-07-09T05:15:46","date_gmt":"2026-07-09T08:15:46","guid":{"rendered":"https:\/\/rtmedical.com.br\/tmp-es-1783584945682\/"},"modified":"2026-07-09T05:15:50","modified_gmt":"2026-07-09T08:15:50","slug":"imagenes-sinteticas-ia-radiologia","status":"publish","type":"post","link":"https:\/\/rtmedical.com.br\/es\/imagenes-sinteticas-ia-radiologia\/","title":{"rendered":"Im\u00e1genes sint\u00e9ticas: la IA ya enga\u00f1a a radi\u00f3logos"},"content":{"rendered":"

Radi\u00f3logos experimentados e incluso modelos de lenguaje multimodales tienen dificultades para diferenciar las radiograf\u00edas de t\u00f3rax generadas por inteligencia artificial de las im\u00e1genes reales. As\u00ed lo revela un estudio publicado en la edici\u00f3n de marzo de 2026 de la revista Radiology<\/em>. La buena noticia, seg\u00fan los especialistas en imagen m\u00e9dica, es que el riesgo concreto para la atenci\u00f3n sanitaria sigue siendo bajo: las im\u00e1genes est\u00e1n rigurosamente controladas desde su adquisici\u00f3n en el equipo hasta su visualizaci\u00f3n en el monitor del radi\u00f3logo.<\/p>\n

\"Radiograf\u00eda
Los modelos generativos ya producen radiograf\u00edas de t\u00f3rax sint\u00e9ticas casi indistinguibles de las reales.<\/figcaption><\/figure>\n

El tema cobr\u00f3 urgencia porque los modelos generativos hoy permiten alterar patolog\u00edas, insertar artefactos o refinar la calidad de los ex\u00e1menes con unas pocas \u00f3rdenes de texto. Entender c\u00f3mo un actor malicioso podr\u00eda usar estas herramientas es precisamente lo que ayuda a dise\u00f1ar programas de seguridad m\u00e1s robustos y a distinguir las llamadas deepfakes<\/em> m\u00e9dicas de las im\u00e1genes aut\u00e9nticas.<\/p>\n

El estudio que encendi\u00f3 la alarma<\/h2>\n

La investigaci\u00f3n evalu\u00f3 dos generadores de im\u00e1genes: ChatGPT (GPT-4o), lanzado en 2024, y RoentGen, un \u00abmodelo de fundaci\u00f3n de visi\u00f3n y lenguaje\u00bb creado para producir radiograf\u00edas de t\u00f3rax (CXR) realistas. La conclusi\u00f3n de que radi\u00f3logos y grandes modelos de lenguaje no logran distinguir f\u00e1cilmente<\/em> las im\u00e1genes sint\u00e9ticas motiv\u00f3 un editorial firmado por los radi\u00f3logos Rajesh Bhayana y Satheesh Krishna, de Toronto, con un subt\u00edtulo elocuente: \u00abver ya no es creer\u00bb.<\/p>\n

Sin embargo, la palabra \u00abf\u00e1cilmente\u00bb es decisiva. Todav\u00eda existen se\u00f1ales que delatan el origen artificial. Seg\u00fan Mickael Tordjman, investigador posdoctoral del Biomedical Engineering and Imaging Institute del Hospital Mount Sinai, en Nueva York, esos indicios incluyen una simetr\u00eda excesiva, tejidos blandos demasiado homog\u00e9neos y contornos \u00f3seos demasiado suaves. Son pistas \u00fatiles, pero que tienden a desaparecer a medida que los generadores evolucionan.<\/p>\n

C\u00f3mo los modelos generativos crean y delatan im\u00e1genes<\/h2>\n

Las mismas t\u00e9cnicas que fabrican ex\u00e1menes falsos tambi\u00e9n tienen usos leg\u00edtimos. Bachir Taouli, profesor de radiolog\u00eda en la Escuela de Medicina Icahn del Mount Sinai, recuerda que un algoritmo puede generar im\u00e1genes y informes a medida para la ense\u00f1anza. Es posible, con una palabra clave, a\u00f1adir distorsiones por movimiento del paciente o formas que simulan implantes met\u00e1licos en una tomograf\u00eda, entrenando a estudiantes y modelos a reconocer artefactos. El camino inverso, se\u00f1ala Tordjman, hace que la IA sea cada vez mejor eliminando ruido y mejorando la calidad de ex\u00e1menes hechos en equipos b\u00e1sicos o antiguos, a menudo los \u00fanicos disponibles en regiones remotas.<\/p>\n

Para proteger los archivos, los fabricantes debaten incorporar una marca de agua o una clave criptogr\u00e1fica a cada imagen generada. Raym Geis, profesor asociado adjunto del National Jewish Health, en Denver, llama a esta disputa un \u00abjuego del gato y el rat\u00f3n\u00bb: las verificaciones son necesarias, pero las t\u00e9cnicas de falsificaci\u00f3n tambi\u00e9n 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 generaci\u00f3n de informes radiol\u00f3gicos<\/a>.<\/p>\n

RoentGen v2 y el combate al sesgo algor\u00edtmico<\/h2>\n

El equipo de RoentGen, que incluye a Christian Bluethgen, profesor asistente de radiolog\u00eda tor\u00e1cica de la Universidad de Stanford, lanz\u00f3 la segunda generaci\u00f3n del software. \u00abEn RoentGen v2, la apariencia de las im\u00e1genes es controlable no solo mediante descripciones de hallazgos en texto, sino tambi\u00e9n a trav\u00e9s de metadatos estructurados del paciente, como sexo, edad y raza\/etnia\u00bb, explica. Con ello, el grupo arm\u00f3 un conjunto sint\u00e9tico demogr\u00e1ficamente equilibrado con m\u00e1s de 565.000 radiograf\u00edas de t\u00f3rax y demostr\u00f3 mejoras significativas tanto en el rendimiento de clasificaci\u00f3n como en las m\u00e9tricas de equidad entre subgrupos.<\/p>\n

Ese potencial para corregir la subrepresentaci\u00f3n de minor\u00edas, franjas de edad y sexos en los datos de entrenamiento es uno de los argumentos m\u00e1s s\u00f3lidos a favor de las im\u00e1genes sint\u00e9ticas, la misma preocupaci\u00f3n que aparece en los debates sobre la IA en la evaluaci\u00f3n de riesgo<\/a>. Bradley Erickson, profesor de radiolog\u00eda de la Cl\u00ednica Mayo, dirige un proyecto para verificar si los datos sint\u00e9ticos compensan los sesgos causados por un muestreo insuficiente. \u00abSi funciona, puede ser muy significativo\u00bb, afirma.<\/p>\n

Seguridad: cu\u00e1l es el riesgo real de las deepfakes m\u00e9dicas<\/h2>\n

Hist\u00f3ricamente, esto no ha sido un problema. John Mongan, profesor de radiolog\u00eda cl\u00ednica y vicedirector de inform\u00e1tica traslacional en la Universidad de California en San Francisco (UCSF), afirma que en 15 a\u00f1os no ha tenido conocimiento de ninguna violaci\u00f3n relacionada con im\u00e1genes m\u00e9dicas. \u00abNo existe una v\u00eda abierta para insertar o modificar una imagen en la base de datos de un hospital\u00bb, dice. \u00abY quien lograra el nivel de acceso necesario para alterar im\u00e1genes tendr\u00eda a su disposici\u00f3n acciones mucho m\u00e1s destructivas y sencillas, como manipular informes o la historia cl\u00ednica electr\u00f3nica.\u00bb<\/p>\n

Erickson coincide: el protocolo de comunicaci\u00f3n entre los equipos y el archivo de im\u00e1genes es razonablemente seguro, m\u00e1s a\u00fan con cifrado TLS. Un atacante necesitar\u00eda acceder a la red interna y \u00absuplantar\u00bb al aparato en cuanto a direcci\u00f3n IP y t\u00edtulo de entidad de aplicaci\u00f3n. La robustez de esos archivos PACS y del flujo digital en radiolog\u00eda<\/a> es la principal barrera. Aun as\u00ed, Bluethgen advierte sobre los da\u00f1os potenciales del mal uso: hallazgos falsos positivos o falsos negativos que lleven a decisiones diagn\u00f3sticas err\u00f3neas y a costes innecesarios.<\/p>\n

Para el paciente, el consejo de Mongan es invertir el foco de la preocupaci\u00f3n: el mayor riesgo est\u00e1 en enviar grandes conjuntos de im\u00e1genes personales a servicios como ChatGPT en busca de un diagn\u00f3stico, ya que la empresa puede conservar copias. Compartir ex\u00e1menes en redes sociales preocupa menos, porque la baja resoluci\u00f3n de los archivos publicados dif\u00edcilmente sirve para generar nuevas im\u00e1genes sint\u00e9ticas.<\/p>\n

Aplicaciones cl\u00ednicas y relevancia para Latinoam\u00e9rica<\/h2>\n

Los usos beneficiosos van m\u00e1s all\u00e1 de la ense\u00f1anza. Tordjman vislumbra la creaci\u00f3n de un \u00abgemelo digital\u00bb del paciente para simular ensayos virtuales de medicamentos y tratamientos. Mongan admite valor en la ampliaci\u00f3n de conjuntos de entrenamiento para condiciones raras, como el neumot\u00f3rax a tensi\u00f3n, aunque advierte que el modelo puede tener dificultades justo donde faltan ejemplos reales. Erickson, por su parte, es esc\u00e9ptico respecto a la ense\u00f1anza: como los residentes ya tienen acceso a informaci\u00f3n sanitaria protegida, la ganancia de privacidad de las im\u00e1genes sint\u00e9ticas no siempre se concreta.<\/p>\n

Para Latinoam\u00e9rica, el punto m\u00e1s prometedor es la mejora de ex\u00e1menes adquiridos en equipos modestos o desfasados, una realidad frecuente en servicios del interior y de la red p\u00fablica. Elevar la calidad de esas im\u00e1genes y reducir los sesgos de datos puede ampliar el acceso a diagn\u00f3sticos fiables, un tema que dialoga con el avance de soluciones de IA aprobadas por organismos reguladores<\/a>.<\/p>\n

Perspectivas y limitaciones<\/h2>\n

El equipo de RoentGen se centr\u00f3 en las radiograf\u00edas de t\u00f3rax por tres motivos: disponibilidad de datos, viabilidad t\u00e9cnica y relevancia m\u00e9dica. Las CXR son bidimensionales \u2014m\u00e1s f\u00e1ciles de procesar que las tomograf\u00edas 3D o 4D\u2014 y est\u00e1n entre los ex\u00e1menes m\u00e1s solicitados por ser r\u00e1pidos, baratos y ampliamente disponibles. Los pesos del modelo ya se compartieron con m\u00e1s de 300 investigadores, que deben firmar un acuerdo de uso y completar la misma formaci\u00f3n exigida para acceder a la base MIMIC-CXR, un conjunto p\u00fablico de 377.110 radiograf\u00edas en formato DICOM, sin datos identificables, del Beth Israel Deaconess Medical Center, en Boston.<\/p>\n

Bluethgen describe esta apertura como \u00abdemocratizar el acceso\u00bb: los investigadores pasan a experimentar con modelos de vanguardia sin hardware costoso, ya que construir una soluci\u00f3n desde cero puede costar m\u00e1s de 100.000 d\u00f3lares. La reflexi\u00f3n final es de Mongan: ning\u00fan algoritmo ser\u00e1 100% preciso en todas las situaciones, ni tampoco ning\u00fan profesional. \u00abLa cuesti\u00f3n es c\u00f3mo usar las im\u00e1genes generadas para desarrollar una IA diagn\u00f3stica m\u00e1s precisa. Eso es lo que nos ayudar\u00e1 a tomar mejores decisiones de tratamiento\u00bb, concluye.<\/p>\n

Fuente:<\/strong> Radiology Today<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

Radi\u00f3logos y modelos de IA apenas distinguen radiograf\u00edas sint\u00e9ticas de las reales, pero los expertos dicen que el riesgo sanitario es bajo. Conoce RoentGen v2 y las deepfakes m\u00e9dicas.<\/p>\n","protected":false},"author":1,"featured_media":18650,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"ngg_post_thumbnail":0,"_rt_cluster":"","fifu_image_url":"","fifu_image_alt":"","footnotes":""},"categories":[229,183],"tags":[],"class_list":{"0":"post-18675","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-inteligencia-artificial-es","8":"category-radiologia-es"},"aioseo_notices":[],"rt_seo":{"title":"","description":"Estudio de marzo de 2026 en Radiology: radi\u00f3logos y modelos de IA apenas distinguen radiograf\u00edas sint\u00e9ticas de las reales. Conoce el riesgo real.","canonical":"","og_image":"","robots":"index,follow","schema_type":"Article","include_in_llms":true,"llms_label":"Im\u00e1genes sint\u00e9ticas de IA en radiolog\u00eda","llms_summary":"Un estudio de marzo de 2026 en Radiology mostr\u00f3 que radi\u00f3logos y LLM multimodales no distinguen f\u00e1cilmente las radiograf\u00edas generadas por IA (RoentGen, GPT-4o) de las reales. RoentGen v2 de Stanford gener\u00f3 565.000 radiograf\u00edas de t\u00f3rax equilibradas, mejorando el rendimiento y la equidad. Expertos (Mongan\/UCSF, Erickson\/Mayo, Geis) consideran bajo el riesgo de hackeo porque las im\u00e1genes m\u00e9dicas est\u00e1n muy controladas; los usos incluyen ense\u00f1anza, enfermedades raras y gemelos digitales. Se\u00f1ales delatoras: simetr\u00eda alta, tejidos homog\u00e9neos y contornos \u00f3seos suaves.","faq_items":[],"video":[],"gtin":"","mpn":"","brand":"","aggregate_rating":[]},"_links":{"self":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/18675\/"}],"collection":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/"}],"about":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/types\/post\/"}],"author":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/users\/1\/"}],"replies":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/comments\/?post=18675"}],"version-history":[{"count":1,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/18675\/revisions\/"}],"predecessor-version":[{"id":18677,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/18675\/revisions\/18677\/"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/18650\/"}],"wp:attachment":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/?parent=18675"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/categories\/?post=18675"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/tags\/?post=18675"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}