La demanda de radiólogos humanos alcanza su nivel más alto de la historia

• Aunque modelos de IA como CheXNet, presentados en 2017, mostraron un desempeño más preciso que el de radiólogos humanos en el diagnóstico de neumonía, no han logrado reproducir esos resultados en la práctica médica real
• A pesar de que recientemente cientos de modelos de inteligencia artificial para radiología han recibido la aprobación de la FDA, los puestos de trabajo y los salarios de los radiólogos en Estados Unidos están, por el contrario, en máximos históricos
• Entre las limitaciones de la IA médica están la falta de datos, la diferencia con los entornos reales, las barreras regulatorias y de seguros, y el hecho de que los radiólogos humanos cumplen muchos roles además del diagnóstico
• En lugar de una automatización total, un sistema en el que humanos e IA trabajan en paralelo se ha convertido en el estándar de la industria médica, y aun con el avance de la IA no se reduce la necesidad de radiólogos
• La primera década de expansión de la IA médica muestra la paradoja de que, aunque la tecnología de IA tiene un gran potencial para mejorar la productividad, en la práctica termina generando una mayor demanda de trabajo humano

---

Introducción: adopción de la IA y expectativas

• Modelos de IA como CheXNet, surgidos en 2017, fueron entrenados con más de 100 mil radiografías de tórax y presentaron resultados superiores a los de especialistas humanos en precisión para interpretar neumonía
• Varias empresas como Annalise.ai, Lunit, Aidoc y Qure.ai han lanzado sistemas de IA capaces de detectar cientos de enfermedades, e incluso integrarse con los sistemas de historial hospitalario
• Existen más de 700 modelos de IA para radiología aprobados por la FDA, lo que equivale al 75% de todos los dispositivos de IA médica
• La radiología ha sido considerada el campo más adecuado para la sustitución por IA debido a sus entradas digitales, el reconocimiento de patrones y la posibilidad de medir claramente el desempeño
• Pero en la práctica, la demanda de formación de radiólogos ha alcanzado máximos históricos, y los salarios también han aumentado, con un alza del 48% frente a 2015, mostrando un incremento en la demanda de personal humano

Limitaciones de los sistemas de diagnóstico radiológico con IA

Diferencias entre el entorno real y los datos de entrenamiento

• Los modelos de IA para radiología muestran un desempeño sobresaliente con datos estandarizados y bajo condiciones específicas, pero en los hospitales reales su rendimiento cae debido a diferencias de datos entre hospitales, características de los equipos de diagnóstico y falta de diversidad
• La mayoría de los modelos solo alcanza alta precisión para una enfermedad específica o un solo tipo de imagen, lo que genera la incomodidad de tener que aplicar múltiples modelos por turnos en casos variados
• Incluso los algoritmos aprobados por la FDA solo cubren una parte del trabajo real de lectura de imágenes, y se concentran sobre todo en unas pocas enfermedades importantes como accidente cerebrovascular, cáncer de mama y cáncer de pulmón
• También hay problemas por la falta de datos de población pediátrica, mujeres y minorías raciales, y la capacidad predictiva baja cuando la enfermedad aparece de forma sutil o mezclada con otras patologías

Brecha entre los benchmarks y la aplicación clínica

• En pruebas de benchmark, la IA registra métricas cuantitativas altas, pero en los entornos clínicos reales ni los radiólogos humanos ni los sistemas de apoyo logran resultados tan buenos como se esperaba
• Por ejemplo, en mamografía, los sistemas de IA de apoyo aumentaron la sensibilidad de lectura, pero solo incrementaron la proporción de estudios adicionales innecesarios y biopsias, sin elevar la tasa de detección de cáncer
• La doble lectura, en la que una o dos personas lectoras humanas revisan juntas, mostró una mayor capacidad de detección de cáncer que el apoyo con IA y también una menor tasa de revisiones innecesarias

La regulación legal e institucional limita la velocidad de la automatización

• La FDA divide el software de radiología en herramientas de apoyo/clasificación y herramientas de automatización completa
  • La automatización completa es poco común y solo se aplica en algunas condiciones especiales, como en el caso de IDx-DR
  • Las imágenes difíciles de interpretar para la IA deben ser descartadas por el propio software y remitidas al personal médico
• Los requisitos regulatorios son altos, y cada vez que se reentrena o modifica un modelo también se necesita una nueva aprobación
• Las aseguradoras consideran que las herramientas automatizadas tienen una alta probabilidad de causar daños masivos si cometen errores, por lo que tienden a evitar cubrir resultados diagnosticados únicamente por inteligencia artificial
• En términos legales, lo estándar es que solo las interpretaciones firmadas directamente por un médico sean elegibles para cobertura de seguro

Cambio en el rol de los radiólogos humanos

• En la práctica, los radiólogos solo usan el 36% de su tiempo en la interpretación de imágenes, y el resto lo dedican a diversas tareas como consultas con pacientes y colegas, supervisión de estudios, docencia y cambios en prescripciones
• Incluso cuando se reduce el tiempo de lectura de imágenes, no se produjeron despidos innecesarios; por el contrario, aumentaron nuevas tareas y terminó creciendo el volumen total de interpretación de imágenes
  • Por ejemplo, incluso cuando se pasó de sistemas basados en película a sistemas digitales, la productividad en la lectura de imágenes aumentó mucho, pero no hubo reducción de personal médico y, en cambio, el total de estudios de imagen creció más de un 60%
• El aumento en la velocidad de procesamiento de imágenes lleva a usos más diversos dentro del sistema de salud, como menor tiempo de espera para estudios y mejor capacidad de respuesta en emergencias

Perspectivas futuras: lecciones de la primera década de expansión de la IA

• En los últimos 10 años, la adopción en la atención cotidiana ha avanzado mucho más lento que el nivel técnico de los modelos de IA
• Factores no técnicos como regulación, seguros, consulta con pacientes y protagonismo del médico actúan como barreras para una sustitución completa
• La forma básica del modelo se ha vuelto aquella en la que la IA contribuye más a fortalecer la productividad mediante la colaboración con humanos que a reemplazar personal
• En grandes plataformas (por ejemplo, Facebook), la posibilidad de automatización con IA puede ser alta, pero mientras más variadas sean las tareas que componen los trabajos de conocimiento, más tiende la adopción de software a aumentar, y no reducir, la cantidad de trabajo humano
• La experiencia en radiología muestra un resultado paradójico: en vez de reemplazar de inmediato el trabajo humano, la IA mantiene o incluso amplía la demanda de personal humano junto con cambios sociales, institucionales y de comportamiento

[GN⁺]

Opiniones en Hacker News

• Soy radiólogo intervencionista y tengo una maestría en ciencias de la computación. Fuera del campo de la radiología, mucha gente no entiende bien por qué la IA todavía no ha reemplazado a la radiología. Para explicarlo: a la pregunta de si la IA puede hacer diagnóstico por imágenes mejor que un radiólogo humano, la respuesta es casi "sí", o pronto lo será. Pero a la pregunta de si la radiología será reemplazada, la respuesta es casi "no". La razón es el riesgo legal en medicina. Mientras la ley actual no cambie, un radiólogo tiene que poner la firma final en todos los reportes. Así que, aunque la IA lea principalmente las imágenes y redacte un reporte perfecto, al final la verificación final del radiólogo se vuelve el cuello de botella. Hoy los radiólogos leen rápidamente al menos entre 60 y 100 estudios de distintos tipos por día, y eso ya está cerca del límite de lo que un humano puede soportar. Aunque la IA escribiera todos los reportes, aun habría que revisar y firmar todo eso, así que la diferencia de tiempo sería mínima. Claro, quizá exista algún médico irresponsable que solo apriete el botón de firmar, pero también habrá abogados listos para demandarlo por eso.

  • Eso se parece al argumento de que los autos autónomos nunca se comercializarán porque siempre hará falta una persona en el asiento del conductor para "hacerse responsable". No coincide con la realidad, dado que la FDA ya aprobó sistemas de IA que funcionan sin verificación de un médico.
  • Sobre qué pasará si la IA resulta mejor que la radiología humana, uno puede imaginar un escenario en el que los radiólogos solo pasen el día haciendo clic en "aprobar, aprobar", o incluso objeten los resultados de la IA y luego se demuestre que al final la IA tenía razón. Cuando eso se vuelva sentido común en el sector médico, los hospitales van a presionar para cambiar la ley y reducir costos, y eventualmente operarán sin radiólogos humanos.
  • También habrá pacientes que no quieran pagar 6,000 dólares para pasar de 99.9% de precisión a 99.95%.
  • Soy radiólogo diagnóstico con más de 20 años de experiencia clínica y alguien que programa desde 1979. Quiero cuestionar una de tus suposiciones centrales: no estoy de acuerdo con que "la IA ya puede leer imágenes mejor que un humano o pronto podrá hacerlo". Uso productos de IA recientes y sigo constantemente la información que va saliendo, pero ninguno de ellos se acerca siquiera a un nivel útil para la lectura clínica real. Por los límites de los datos y la variabilidad infinita de la anatomía humana y los cambios patológicos, no creo que pueda reemplazar el pensamiento intuitivo, analítico y sintético de un radiólogo humano a menos que aparezca una verdadera AGI. Todos los días me topo con patrones nuevos y casos que nunca había visto, y muchas veces son situaciones que no pueden entrar en un dataset. Estoy ya hacia el final de mi carrera, así que no hablo por querer proteger mi posición. Si apareciera una tecnología de reemplazo realmente buena, con gusto soltaría el micrófono, pero creo que todavía estamos lejísimos de eso.
  • Fuera de la radiología hay algo que mucha gente no termina de entender sobre por qué la IA todavía no se consolida ahí. En realidad, es poco probable que la IA reemplace por completo a la radiología; más bien debería colaborar con los radiólogos para aliviar la carga de trabajo y la escasez de personal. Si tomamos como ejemplo la cardiología, también sigue habiendo muy pocos especialistas. Interpretar ECG es una tarea difícil y repetitiva, así que en muchos países incluso el ECG Holter está pasando casi por completo a interpretación automática. Pero como la precisión de lectura de IA/ML es tan baja, solo se puede colaborar con cardiología si se lleva la sensibilidad casi al 100%. Así que la automatización debe establecerse como "apoyo", no como "reemplazo". Los cardiólogos preferirían dedicar tiempo a formar a la próxima generación, hacer procedimientos, investigar o simplemente descansar. Como ejemplo, véase el algoritmo de Pan–Tompkins: wiki del algoritmo Pan–Tompkins

• En 2016, cuando Tesla publicó un video de demostración de conducción totalmente autónoma diciendo que “el conductor solo está sentado ahí por razones legales y no hace nada; el auto maneja solo”, pensé que la industria del transporte en camiones cambiaría para siempre y reconsideré entrar a ese sector. Pero ya casi estamos en 2025 y la mayoría de los cambios han sido lentos o casi no ocurrieron. Abunda el optimismo sobre cómo la tecnología cambiará radicalmente el mundo, pero en la práctica muchas veces el cambio es lentísimo o se estanca.

  • Yo no me fijo en los robotaxis sino en Waymo. Waymo está materializando la visión real de conducción autónoma que imaginaba cuando era niño, y su cantidad de clientes está creciendo exponencialmente. Si crees en las estadísticas de seguridad de Waymo, de verdad es un servicio seguro. Me parece muy adecuado ese dicho de que el progreso tecnológico se sobreestima en el corto plazo y se subestima en el largo plazo, aunque claro, la historia de la radiología es otro caso. Referencia de seguridad de Waymo: Seguridad e impacto de Waymo
  • No hace falta sentir que te engañó el video de Tesla, porque luego se supo que estaba escenificado. Artículo relacionado: Reuters – el video promocional de conducción autónoma de Tesla fue manipulado Llevo un año usando Waymo y estoy muy satisfecho. Ojalá la tecnología se expanda más rápido, pero no creo que sea un reto imposible; solo que los problemas de casos borde inesperados toman mucho tiempo.
  • El machine learning siempre fue excelente en el 98% de los casos, y nosotros nos equivocamos creyendo que el 2% restante también se resolvería fácil.
  • Las tecnologías excesivamente optimistas suelen tener demos muy impresionantes, pero también 10,000 excepciones fatales. La conducción autónoma y la lectura radiológica son ejemplos claros. Cuantos menos casos excepcionales haya, mejor suele funcionar la tecnología, incluso mejor de lo esperado. Ejemplos: recomendaciones de TikTok, Shazam.
  • De verdad me sorprende que la mayoría de los trenes todavía tengan conductor humano.

• La mejor anécdota sobre machine learning y radiología fue cuando todo el mundo competía por usar IA para detectar COVID en radiografías de pulmón. Un grupo de investigación logró resultados bastante buenos, pero después se descubrió que la IA había aprendido a distinguir no si había infección por COVID, sino las diferencias en la tipografía de las marcas de agua en imágenes de distintos hospitales dentro del dataset. Paper de referencia: paper en Nature Machine Intelligence Busca “AI for radiographic COVID-19 detection selects shortcuts over signal”. También se puede encontrar una versión open access.

  • También vi intentos de machine learning para detectar COVID por el sonido de la tos. Si la tos de pacientes con cierto tipo de enfermedad respiratoria y la de pacientes con COVID realmente mostrara una diferencia estadísticamente significativa, entonces un humano que escuchara también podría distinguirlas fácilmente, así que nunca entendí por qué creían que eso funcionaría.
  • Esta clase de anécdotas deja enseñanzas, pero no es tanto una limitación inherente del algoritmo en sí, sino más bien un caso de datos deficientes y entrenamiento pobre. Si se contara con los datos y los métodos correctos, técnicamente no sería tan difícil reemplazar a la radiología. A falta de un principio general limitante o una barrera evidente, los modelos de visión son demasiado adecuados para este tipo de trabajo.

• El punto central del artículo es este trío: 1) si intentas delegar más trabajo al modelo, te topas con regulación legal; 2) los reguladores y las aseguradoras no aprueban ni reembolsan modelos autónomos; 3) el diagnóstico ocupa una parte pequeña del trabajo del radiólogo, y la mayor parte consiste en otras tareas como comunicación con pacientes y personal médico. Incluso si un modelo de machine learning diagnosticara perfectamente y gratis, la radiología no podría ser “reemplazada” de inmediato por cómo está estructurado el sistema.

  • No estoy de acuerdo con la afirmación de que "los radiólogos pasan la mayor parte de su tiempo comunicándose con pacientes y colegas más que diagnosticando". La gran mayoría llega al trabajo, se pone a leer estudios de imagen uno tras otro, dicta los resultados y se va a casa. Si apareciera una IA perfecta, la profesión en sí perdería sentido. Sería como un trabajo de quedarse viendo CCTV todo el día.
  • Si existiera una IA perfecta, no harían falta radiólogos. Hoy el flujo es médico tratante → técnico radiólogo → radiólogo (interpretación) → médico tratante, pero con una IA perfecta pasaría a ser técnico radiólogo → modelo de ML → médico tratante.
  • Cada vez que me hacen una radiografía nunca hablo con un radiólogo. En general, el técnico que toma las imágenes solo maneja la máquina y un radiólogo remoto redacta el diagnóstico por separado. Y tampoco parece que otros médicos con los que trato se comuniquen directamente con radiólogos. Me pregunto si en todo Estados Unidos funciona así.
  • Cuestiono la idea de que la comunicación con pacientes sea una parte importante del trabajo del radiólogo. En todas las pruebas radiológicas que he vivido, nunca hubo ninguna comunicación con un radiólogo. Los pacientes casi no los ven, y la mayor parte de la comunicación con otros profesionales también podría hacerla el técnico radiólogo. Es débil el argumento de que para esa comunicación haga falta un especialista. Si la IA interpreta, ese rol de comunicación podría pasar a enfermería o a técnicos radiólogos.

• Solo hoy derivé a una paciente a radiología para una biopsia con aguja gruesa, a un paciente hombre para una inyección lumbar, a otro para una inyección en el hombro, y hace un mes derivé a otra mujer para una embolización por endometriosis. También planeo derivar un caso para embolización de fuga urinaria tras una nefrectomía. ¿De verdad un LLM puede hacer esos procedimientos? Cuando la IA masifica una habilidad, los grupos de especialistas se pasan a otras habilidades y entregan el trabajo que se vuelve commodity. Por ejemplo, desde que la interpretación de ECG se automatizó en los equipos, la remuneración cayó tanto que yo mismo deliberadamente dejé de lado esa habilidad y me concentro en neurología y trastornos del movimiento. Así que si un paciente necesita interpretación de ECG, simplemente lo mando a cardiología, donde además le pedirán varios estudios extra. Eso agrega costo y tiempo tanto al paciente como al sistema de salud, pero así funciona. En el futuro podrían surgir áreas como "desiertos médicos", donde a los expertos humanos ya no les interese trabajar, especialmente en geriatría, zonas rurales o psiquiatría.

  • El propósito del sistema de salud no es garantizar ingresos altos a los médicos, sino tratar a los pacientes. Hay que automatizar lo que se pueda y mejorar el acceso. La automatización del ECG también amplía el acceso.
  • La radiología intervencionista es distinta de la radiología de solo lectura y requiere mucha más formación.
  • Los interpretadores automáticos de ECG a veces arrojan resultados tan literales y con tan poca sensibilidad que en el trabajo de los paramédicos no sirven de nada. Si la máquina solo repite “ABNORMAL ECG – EVALUATION NEEDED”, entonces lo que hace falta es una herramienta realmente útil.

• En 2016, el profesor Geoffrey Hinton dijo que “ya deberíamos dejar de formar radiólogos”. Si uno hubiera creído todas las afirmaciones de los defensores de la IA, el mundo ya se habría derrumbado.

  • Se menciona mucho esa frase, pero Hinton la dijo improvisando, sin entender la realidad de que la radiología no consiste solo en diagnosticar. Hinton no es precisamente un "superfan" de la IA; de hecho, está más cerca del pesimismo sobre la IA.
  • Por ejemplo, si alguien empezó la residencia en 2016, cinco años después la habría terminado en 2021 y tendría alrededor de 31 años. Trabajará como médico unos 30 años, así que en términos de calendario tiene tiempo suficiente como para apostar hasta la década de 2050. En 25 años, creo que Hinton tendrá razón en un 50%.
  • Si se hubiera relajado la regulación médica y se hubiera desmantelado la AMA, tal vez la predicción de Hinton ya sería cierta. Y quizá la vida de todos sería mejor.
  • La mayor barrera para que la IA reemplace a la radiología es la ley. Elegir una profesión formada durante años pero sostenida solo por regulación es una apuesta riesgosa: si cambia la ley, puede desaparecer de golpe.
  • Predecir el futuro de verdad es muy difícil. Nadie sabe cómo será el mundo en 20 años.

• Soy médico y también ingeniero full-stack, así que no me interesa hacer radiología ni más subespecialización. La IA primero reforzará la radiología y luego empezará a reemplazar algunos trabajos. Los radiólogos actuales se moverán de forma natural hacia nuevas áreas, como la radiología intervencionista.

  • Soy radiólogo y también ingeniero full-stack, y no me preocupa que esta profesión desaparezca. Va a cambiar, pero seguirá una trayectoria parecida a la de muchos otros trabajos.
  • Yo también, como exestudiante de medicina, estoy de acuerdo. La IA de mi dentista ya diseña modelos completamente nuevos de la boca, incluidos implantes, y él solo hace los retoques finales a mano. Creo que muchos tipos de profesionales de la salud terminarán en un rol donde básicamente cargan con el seguro y la responsabilidad legal. También es interesante que el 30% de las residencias en EE. UU. estén cubiertas por extranjeros.
  • La combinación médico + ingeniero de verdad es rara, pero ya existe en mi entorno. Esa perspectiva hace muchísima falta en medicina y tiene ventajas muy únicas. Lo veo como algo tipo Neo y Morpheus.
  • Si eres médico + ingeniero, en realidad tienes mucho futuro en radiología. La profesión no va a desaparecer; al contrario, harán falta personas capaces de conectar los dos mundos, medicina y tecnología.
  • Me da curiosidad cómo ves el futuro de la farmacia; a mí me parece que podría automatizarse por completo, y no entiendo bien qué diferencia real aporta el juicio humano ahí.

• Este mayo, el New York Times también publicó un artículo parecido titulado "La IA no reemplaza a la radiología" Ver artículo del NYT. Son interesantes tanto los médicos como los comentarios de Hinton: “La IA va a asistir y cuantificar, pero no va a asumir las conclusiones interpretativas de la tecnología”, “En cinco años, no usar IA podría llegar a considerarse mala praxis”, “Pero al final humanos e IA irán juntos”. Hinton también reconoció más tarde por correo que habló con excesiva generalización, que solo se refería a interpretación de imágenes, y que la dirección iba bien encaminada pero el cálculo de tiempos fue incorrecto.

• Habría que obligar la transformación con IA en radiología. La radiología debería usar IA por encima de cierto porcentaje todos los días, duplicar la productividad, y quien no lo haga debería ser despedido. Como dicen los CEO, la IA es la tecnología más transformadora que hemos visto, así que por ansiedad hay que adoptarla sí o sí. Nada fuera de eso es aceptable.

  • Ya ni sé distinguir si esto va en serio o es sarcasmo.

• No confiaría en que un médico que no sea radiólogo interprete resultados leídos por IA. Aunque la IA se luzca en benchmarks, si no tienes el conocimiento de base para analizar por ti mismo, es como leer un paper de 20 páginas sin poder evaluar si debes confiar en él.

  • El concepto mismo de “investigación a nivel PhD” es demasiado ambiguo. Un preprint, un póster de conferencia, un paper en progreso con coautoría, un artículo sin revisión o una monografía pueden variar muchísimo en calidad según la etapa.
  • En esos casos, hasta dan ganas de bromear con pedirle a otro modelo de investigación basado en deep learning que haga la crítica.