Los avances recientes en la inteligencia artificial han llevado a especular que la IA podría algún día reemplazar a los radiólogos humanos. Los investigadores han desarrollado redes neuronales de aprendizaje profundo que pueden identificar patologías en las imágenes radiológicas, como fracturas óseas y lesiones potencialmente cancerosas, en algunos casos de forma más fiable que un radiólogo normal. Pero la gran mayoría de los radiólogos seguirán trabajando en las próximas décadas, trabajos que la IA modificará y mejorará. Por eso, tendrán que adoptar nuevas habilidades y procesos de trabajo. Los únicos radiólogos cuyo trabajo puede verse amenazado son los que se niegan a trabajar con la IA.

•••

Los avances recientes en la inteligencia artificial han llevado a especular que la IA podría algún día reemplazar a los radiólogos humanos. Los investigadores han desarrollado redes neuronales de aprendizaje profundo que pueden identificar patologías en las imágenes radiológicas, como fracturas óseas y lesiones potencialmente cancerosas, en algunos casos de forma más fiable que un radiólogo normal. Sin embargo, en su mayor parte, los mejores sistemas están actualmente a la par con el rendimiento humano y solo se utilizan en entornos de investigación.

Dicho esto, el aprendizaje profundo avanza rápidamente y es una tecnología mucho mejor que los enfoques anteriores de análisis de imágenes médicas. Probablemente esto presagie un futuro en el que la IA desempeñe un papel importante en la radiología. La práctica radiológica sin duda se beneficiaría de sistemas que pudieran leer e interpretar varias imágenes rápidamente, ya que el número de imágenes ha aumentado mucho más rápido en la última década que el número de radiólogos. Se pueden tomar cientos de imágenes de la enfermedad o lesión de un paciente. Las imágenes y la radiología son caras, y cualquier solución que pueda reducir la mano de obra humana, los costes y mejorar la precisión del diagnóstico beneficiaría tanto a los pacientes como a los médicos.

¿Qué significa esto para los radiólogos? Según se informa, algunos estudiantes de medicina han decidido no especializarse en radiología porque temen que el trabajo deje de existir. Sin embargo, estamos seguros de que la gran mayoría de los radiólogos seguirán trabajando en las próximas décadas, trabajos que la IA modificará y mejorará. Uno de nosotros (Keith) es radiólogo e investigador de inteligencia artificial y el otro (Thomas) ha investigado el impacto de la IA en los puestos de trabajo durante varios años. Vemos varias razones por las que los radiólogos no van a desaparecer de la fuerza laboral, que describimos a continuación. También creemos que varios de estos factores inhibirán la automatización a gran escala de otros trabajos supuestamente amenazados por la IA.

En primer lugar, los radiólogos hacen más que leer e interpretar las imágenes. Al igual que otros sistemas de IA, los sistemas de IA de radiología realizan tareas únicas (IA limitada). Los modelos de aprendizaje profundo que mencionamos están entrenados para tareas específicas de reconocimiento de imágenes (como la detección de nódulos en una tomografía computarizada de tórax o una hemorragia en una resonancia magnética cerebral). Sin embargo, se necesitan miles de tareas de detección tan limitadas para identificar completamente todos los posibles hallazgos en las imágenes médicas, y la IA solo puede realizar algunas de ellas en la actualidad. Además, la función de interpretación de imágenes abarca solo un conjunto de tareas que realizan los radiólogos. También consultan con otros médicos sobre el diagnóstico y el tratamiento, tratan enfermedades (por ejemplo, ofrecen terapias ablativas locales), realizan intervenciones médicas guiadas por imágenes (radiología intervencionista), definen los parámetros técnicos de los exámenes de imagen que se van a realizar (adaptados al estado del paciente), relacionan los hallazgos de las imágenes con otros registros médicos y resultados de las pruebas, discuten los procedimientos y los resultados con los pacientes y muchas otras actividades. Incluso en el improbable caso de que la IA se hiciera cargo de la lectura e interpretación de imágenes, la mayoría de los radiólogos podrían redirigir su atención a estas otras actividades esenciales.

En segundo lugar, los procesos clínicos para emplear trabajos de imagen basados en la IA están muy lejos de estar preparados para el uso diario. Las investigaciones de Dreyer con elInstituto de Ciencia de Datos en el Colegio Estadounidense de Radiología (ACR) descubrió que los diferentes proveedores de tecnologías de imagen y algoritmos de aprendizaje profundo se centran en diferentes aspectos de los casos de uso que abordan. Incluso entre los detectores de nódulos basados en el aprendizaje profundo aprobados por la FDA, había diferentes focos: la probabilidad de una lesión, la probabilidad de cáncer, la característica de un nódulo o su ubicación. Estos focos distintos dificultarían mucho la integración de los sistemas de aprendizaje profundo en la práctica clínica actual. Por lo tanto, el ACR está empezando a definir las entradas y salidas para los proveedores de software de aprendizaje profundo. La FDA exige a los vendedores, y la ACR proporciona metodologías para que comprueben la eficacia y el valor de los algoritmos antes y después de su comercialización. Al mismo tiempo, la ACR está trabajando en una colección completa de casos de uso (por parte del cuerpo, modalidad y tipo de enfermedad) para los que el proceso clínico, los requisitos de imagen y la explicación de los resultados estén bien definidos y sean coherentes con las prácticas clínicas actuales y futuras. Por supuesto, crear una colección completa de casos de uso llevará muchos años, lo que ampliará aún más el papel de los radiólogos en el mundo de la IA.

En tercer lugar, los algoritmos de aprendizaje profundo para el reconocimiento de imágenes deben entrenarse en «datos etiquetados». En radiología, se trata de imágenes de pacientes a los que se les ha diagnosticado definitivamente cáncer, fractura de hueso u otra patología. En otros tipos de reconocimiento de imágenes en los que el aprendizaje profundo ha alcanzado altos niveles de éxito, se ha entrenado con millones de imágenes etiquetadas, como fotos de gatos en Internet. Pero no existe un repositorio agregado de imágenes radiológicas, etiquetadas o no. Son propiedad de vendedores, hospitales y médicos, centros de diagnóstico por imágenes y pacientes, y recopilarlos y etiquetarlos para acumular una masa crítica para el entrenamiento de la IA será un desafío y llevará mucho tiempo.

Por último, cuando quede claro que los vehículos autónomos requerirán cambios en la normativa y el seguro de los automóviles, se necesitarán cambios en la normativa médica y el seguro médico para que el análisis automático de imágenes despegue. ¿Quién es responsable, por ejemplo, si una máquina diagnostica erróneamente un caso de cáncer: el médico, el hospital, el proveedor de tecnología de imagen o el científico de datos que creó el algoritmo? ¿Y reembolsarán los pagadores de la atención médica un diagnóstico de IA con un solo par de ojos o con un segundo conjunto en combinación con un radiólogo humano? Hay que resolver todas estas cuestiones y es poco probable que se progrese tan rápido como lo hace la investigación sobre el aprendizaje profundo en el laboratorio. Es posible que las máquinas de radiología con IA tengan que ser sustancialmente mejores que los radiólogos humanos (no tan buenas) para impulsar los cambios normativos y de reembolso necesarios.

Debe quedar claro, entonces, que la próxima vez que se haga una mamografía o una resonancia magnética, es poco probable que sus imágenes solo las vea un algoritmo de IA. Los radiólogos, como los abogados, los planificadores financieros, los contadores y otros profesionales que ven que algunas tareas laborales las realizan máquinas inteligentes, encontrarán cambios en sus trabajos actuales, en lugar de sustituirlos.

Por eso, tendrán que adoptar nuevas habilidades y procesos de trabajo. Como uno soloentrada de blog lo puso, los únicos radiólogos cuyo trabajo puede verse amenazado son los que se niegan a trabajar con la IA. La integración de la IA en la práctica radiológica ofrece importantes beneficios médicos y de productividad. Las mejoras en la productividad pueden incluso significar que los radiólogos puedan dedicar más tiempo a lo que muchos de ellos consideran más satisfactorio: consultar con otros médicos sobre los diagnósticos y las estrategias de tratamiento. Si las mejoras previstas en el análisis de imágenes con aprendizaje profundo se hacen realidad, los proveedores, los pacientes y los pagadores se inclinarán por los radiólogos que han descubierto cómo trabajar de forma eficaz junto con la IA.