![\"Estaci\u00f3n](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/11\/meta-ohio-state-ia-laudo-torax.jpg\")
Qu\u00e9 anunci\u00f3 Meta y c\u00f3mo se reparte el dinero<\/h2>\n
Adem\u00e1s de Ohio State, el programa incluye a Caltech, Louisiana State University, Indiana University y UTHealth Houston. El apoyo var\u00eda seg\u00fan el proyecto: acceso a los modelos, colaboraci\u00f3n 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 atribuy\u00f3 \u00abaproximadamente USD 2 millones\u00bb solo a los proyectos de Ohio State; el comunicado de la universidad no menciona cifras y el monto por proyecto no se ha divulgado.<\/p>\n
La familia Muse incluye modelos cerrados, accesibles por API, y modelos de pesos abiertos (open-weight<\/em>), que se pueden descargar y ejecutar en equipos propios, como Muse Spark Open, de 816.000 millones de par\u00e1metros, y Muse Glimmer, de 30.000 millones, que cabe en una sola GPU de consumo. Ninguno de los comunicados indica qu\u00e9 modelo usar\u00e1 cada equipo.<\/p>\n Borradores de informes de radiograf\u00eda de t\u00f3rax.<\/strong> El proyecto m\u00e1s cercano a la pr\u00e1ctica diaria lo dirige Dufan Wu, profesor asociado de radiolog\u00eda, con los radi\u00f3logos Chiemezie Amadi y Paul Lewis. Seg\u00fan Meta, los radi\u00f3logos tor\u00e1cicos de Ohio State leen unas 200 radiograf\u00edas de t\u00f3rax al d\u00eda, y otros centros llegan a 1.000. La mayor\u00eda de los modelos de generaci\u00f3n de informes analiza solo la imagen; el equipo quiere que el borrador incorpore tambi\u00e9n el motivo del estudio, la historia cl\u00ednica y los ex\u00e1menes previos.<\/p>\n Hay dos componentes m\u00e1s. Uno corrige estad\u00edsticamente, con un peque\u00f1o conjunto de informes anotados por personas, el sesgo que aparece cuando un modelo de lenguaje califica el informe de otro. El otro, con el psic\u00f3logo Peter Kvam, es un estudio de lectores en un entorno cl\u00ednico simulado que distinguir\u00e1 la subconfianza (rechazar contenido correcto de la IA) de la sobreconfianza (aceptar contenido err\u00f3neo) y las relacionar\u00e1 con los tipos de error del modelo.<\/p>\n Insuficiencia cardiaca con fracci\u00f3n de eyecci\u00f3n preservada (ICFEp).<\/strong> La ICFEp representa cerca de la mitad de los casos de insuficiencia cardiaca y suele reconocerse tarde porque sus s\u00edntomas se confunden con los de la obesidad. La propuesta es aprovechar tomograf\u00edas de abdomen solicitadas por otros motivos, que ya registran la distribuci\u00f3n de la grasa corporal, la grasa hep\u00e1tica, la composici\u00f3n muscular y la calcificaci\u00f3n vascular, y combinarlas con la historia cl\u00ednica y, cuando exista, el electrocardiograma. El modelo debe entregar una estimaci\u00f3n de riesgo con los hallazgos que la respaldan y tolerar datos faltantes. Lo dirigen Yuan Xue (inform\u00e1tica biom\u00e9dica), Yuchi Han (cardiolog\u00eda) y Xia Ning (IA).<\/p>\n Agentes para el diagn\u00f3stico de Alzheimer.<\/strong> Ning, Xue y el neur\u00f3logo Douglas Scharre construir\u00e1n un sistema multiagente con el m\u00e9dico en el centro de las decisiones, sobre modelos Muse de pesos abiertos implantados en local. Los agentes deber\u00e1n reconstruir la trayectoria cognitiva del paciente, se\u00f1alar incertidumbres diagn\u00f3sticas y recomendar la siguiente evaluaci\u00f3n m\u00e1s informativa, con registros de la Memory Disorders Clinic de Ohio State, que atiende m\u00e1s de 5.600 consultas al a\u00f1o.<\/p>\n \u00abTambi\u00e9n buscamos entender c\u00f3mo los m\u00e9dicos pueden interactuar de forma \u00f3ptima con la IA y c\u00f3mo estos sistemas pueden volverse m\u00e1s confiables y \u00fatiles en la pr\u00e1ctica cl\u00ednica\u00bb, dijo Orlando Simonetti, vicedirector de investigaci\u00f3n del Departamento de Radiolog\u00eda del Ohio State Wexner Medical Center.<\/p>\n El estudio de lectores aborda un problema documentado. En un experimento publicado en Radiology<\/em> en 2023, Dratsch y colegas pidieron a 27 radi\u00f3logos que clasificaran mamograf\u00edas en BI-RADS con ayuda de una supuesta IA que a veces suger\u00eda la categor\u00eda equivocada. Ante la sugerencia err\u00f3nea, la tasa de acierto cay\u00f3 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 patr\u00f3n, como en el caso de una IA que marc\u00f3 un neumot\u00f3rax inexistente<\/a> tras el implante de un marcapasos.<\/p>\n Redactar borradores de informes de radiograf\u00eda ya interesa a la industria: Aidoc obtuvo la designaci\u00f3n de dispositivo innovador de la FDA<\/a> para una herramienta de este tipo. Lo distinto en Ohio State es incluir el contexto cl\u00ednico 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 omiti\u00f3 la mitad de las fracturas de radio distal<\/a>.<\/p>\n La TC oportunista tambi\u00e9n tiene respaldo. En 2020, Pickhardt y colegas aplicaron algoritmos autom\u00e1ticos a tomograf\u00edas de abdomen de 9.223 adultos asintom\u00e1ticos y los siguieron durante una mediana de 8,8 a\u00f1os. En The Lancet Digital Health<\/em>, la calcificaci\u00f3n a\u00f3rtica predijo la mortalidad a cinco a\u00f1os 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 cl\u00ednica, ECG y una justificaci\u00f3n escrita.<\/p>\n Lo m\u00e1s trasladable del anuncio es el modelo de implantaci\u00f3n. Con pesos abiertos, la inferencia se ejecuta en servidores del hospital y los datos no salen de la instituci\u00f3n. Las leyes de protecci\u00f3n de datos de la regi\u00f3n, como la LGPD brasile\u00f1a, tratan la informaci\u00f3n de salud como dato sensible y limitan su transferencia internacional. Ejecutar el modelo en local evita enviar im\u00e1genes e informes al exterior, pero no elimina la necesidad de base legal, control de acceso y gobernanza sobre el uso secundario de las historias cl\u00ednicas. Y \u00ablocal\u00bb depende del tama\u00f1o: un modelo cuantizado de 30.000 millones de par\u00e1metros cabe en una GPU de 24 a 32 GB; el de 816.000 millones exige cientos de gigabytes de memoria.<\/p>\n Tampoco se sabe c\u00f3mo redactan estos modelos informes en espa\u00f1ol o portugu\u00e9s, con la terminolog\u00eda local. Si una herramienta as\u00ed llega a la rutina cl\u00ednica, pasa a ser software como dispositivo m\u00e9dico, regulado en Brasil por la RDC 657\/2022 de Anvisa y por marcos propios en otros pa\u00edses; los proyectos actuales son investigaci\u00f3n. El debate sobre el papel del especialista sigue abierto, como muestra el an\u00e1lisis del Neiman Institute que rebate que la IA sustituya al radi\u00f3logo<\/a>.<\/p>\n Ninguno de los tres proyectos tiene protocolo publicado, tama\u00f1o muestral, desenlaces predefinidos ni plazo. Meta evalu\u00f3 los modelos Muse en pruebas de agentes, programaci\u00f3n y razonamiento, no en tareas cl\u00ednicas, y ninguno es un dispositivo m\u00e9dico aprobado. La empresa afirma que los investigadores dise\u00f1aron los estudios; aun as\u00ed, conviene observar si los resultados comparan Muse con otros modelos abiertos y si se publican en revistas con revisi\u00f3n por pares. Como se vio en el SIIM-CAIMI 2026<\/a>, la IA en imagen pas\u00f3 de la evaluaci\u00f3n a la implementaci\u00f3n, y la confianza calibrada del usuario, que el estudio de Ohio State quiere medir, ocupa el centro de esa etapa.<\/p>\n Fuente:<\/strong> Radiology Business \u2014 Meta to fund radiology AI research at Ohio State<\/a>. Fuentes primarias: Ohio State Wexner Medical Center<\/a> y Meta Research<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":" Meta da modelos Muse y fondos a 3 proyectos de IA en radiolog\u00eda en Ohio State: informes de t\u00f3rax, riesgo cardiaco en TC y Alzheimer. Conozca los detalles.<\/p>\n","protected":false},"author":5,"featured_media":20035,"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":["post-20045","post","type-post","status-publish","format-standard","has-post-thumbnail","category-inteligencia-artificial-es","category-radiologia-es"],"aioseo_notices":[],"rt_seo":{"title":"","description":"Meta da modelos Muse y fondos a 3 proyectos de IA en radiolog\u00eda en Ohio State: informes de t\u00f3rax, riesgo cardiaco en TC y Alzheimer. Conozca los detalles.","canonical":"","og_image":"","robots":"index,follow","schema_type":"Article","include_in_llms":true,"llms_label":"Meta financia IA en radiolog\u00eda en Ohio State (modelos Muse)","llms_summary":"Meta da acceso a los modelos Muse y parte de USD 2 millones, repartidos entre cinco universidades, a tres proyectos de Ohio State: borradores de informes de radiograf\u00eda de t\u00f3rax con contexto cl\u00ednico y estudio del sesgo de automatizaci\u00f3n, riesgo de ICFEp por TC abdominal oportunista y agentes para el diagn\u00f3stico de Alzheimer, con los modelos ejecutados en el entorno de la propia universidad.","faq_items":[],"video":[],"gtin":"","mpn":"","brand":"","aggregate_rating":[]},"_links":{"self":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/20045\/"}],"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\/5\/"}],"replies":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/comments\/?post=20045"}],"version-history":[{"count":1,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/20045\/revisions\/"}],"predecessor-version":[{"id":20050,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/20045\/revisions\/20050\/"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/20035\/"}],"wp:attachment":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/?parent=20045"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/categories\/?post=20045"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/tags\/?post=20045"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Informe de t\u00f3rax, riesgo cardiaco en TC y Alzheimer: los tres proyectos<\/h2>\n
Sesgo de automatizaci\u00f3n y TC oportunista: el contexto t\u00e9cnico<\/h2>\n
Qu\u00e9 implica para los servicios de imagen en Am\u00e9rica Latina<\/h2>\n
Limitaciones y qu\u00e9 seguir en los pr\u00f3ximos meses<\/h2>\n