La medicina está viviendo una de las mayores transformaciones de su historia gracias a la digitalización y a la inteligencia artificial (IA). Entre todas las especialidades, la radiología es la que está incorporando estas tecnologías con mayor rapidez, hasta el punto de que el diagnóstico por imagen se ha convertido en el principal campo de aplicación de la IA en el ámbito sanitario.
Cada día se realizan millones de radiografías, resonancias magnéticas (RM) y mamografías en todo el mundo. El volumen de imágenes crece a un ritmo mucho mayor que el número de radiólogos disponibles, lo que genera listas de espera, sobrecarga de trabajo y un mayor riesgo de error. En este contexto, la visión artificial aplicada al diagnóstico por imagen se presenta como una herramienta capaz de ayudar a los profesionales a detectar lesiones, priorizar casos urgentes y elaborar informes de forma más rápida y precisa.
En el blog de hoy explicamos qué es el diagnóstico por imagen con IA, cómo funciona, cuáles son sus principales aplicaciones clínicas, qué beneficios y retos plantea y cuál es la situación normativa actual en Europa y en España.
El diagnóstico por imagen es el conjunto de técnicas que permiten obtener representaciones visuales del interior del cuerpo humano para detectar, caracterizar y hacer seguimiento de enfermedades. Incluye modalidades como la radiografía convencional, la ecografía, la tomografía computarizada (TC o TAC), la resonancia magnética (RM), la mamografía o la medicina nuclear (PET). La interpretación de estas imágenes ha dependido tradicionalmente de la experiencia del radiólogo, un proceso complejo que puede verse afectado por la fatiga, la carga de trabajo o la variabilidad entre profesionales.
La inteligencia artificial aporta a este proceso la capacidad de analizar de forma automática grandes volúmenes de imágenes y de reconocer patrones que, en ocasiones, pasan desapercibidos para el ojo humano. Dentro de la IA, conviene distinguir varios conceptos:
La radiología es, con diferencia, la especialidad con más soluciones de IA aprobadas. Según los datos publicados hasta el primer trimestre de 2026, la FDA estadounidense ha autorizado más de 1.500 dispositivos médicos con IA, de los cuales alrededor del 76 % pertenecen al ámbito radiológico. Grandes fabricantes de equipos de imagen como GE HealthCare, Siemens Healthineers, Philips o Canon, junto a empresas especializadas en software como Aidoc o Rapid.ai, lideran este mercado.
Los hospitales españoles no son ajenos a esta tendencia. Quirónsalud ya emplea algoritmos en la rutina de sus servicios de imagen, desde la revisión de placas en Urgencias hasta la mamografía o la resonancia cardiaca, y el Hospital Clínic de Barcelona ha iniciado un despliegue gradual de estas herramientas. En ambos casos, la idea de fondo es la misma: que la tecnología asuma parte del trabajo repetitivo para que el radiólogo pueda dedicar su tiempo a los casos que realmente lo requieren.
Hay un factor que explica esta urgencia: la cantidad de imágenes por estudio se ha multiplicado. Los equipos modernos de TC generan cientos o incluso miles de cortes por exploración, una cifra imposible de revisar con el mismo nivel de atención durante toda una jornada. La IA no aparece como un lujo, sino como una respuesta a un problema de escala.
La mayoría de los sistemas de IA aplicados al diagnóstico por imagen se basan en redes neuronales convolucionales (CNN), un tipo de modelo de aprendizaje profundo especialmente diseñado para trabajar con imágenes.
Una forma sencilla de entender una red convolucional es compararla con la manera en que un radiólogo aprende a mirar una imagen: primero distingue contornos y densidades, después reconoce estructuras anatómicas y, finalmente, identifica qué es normal y qué no. La red reproduce este proceso por etapas:
Cuantas más capas atraviesa la información, más complejos son los patrones que la red es capaz de reconocer; de simples líneas se pasa a formas y, de ahí, a estructuras más complejas.
Ningún algoritmo sabe medicina de antemano: aprende a base de ejemplos. Durante el entrenamiento se le muestran grandes colecciones de estudios cuyo diagnóstico ya ha sido confirmado por especialistas. Cada vez que el modelo se equivoca, corrige ligeramente sus parámetros internos, y tras muchas repeticiones termina acertando de forma consistente.
En medicina, conseguir suficientes casos bien anotados es caro y lento. Por eso es habitual reutilizar modelos que ya han aprendido a “ver” con imágenes de uso general y especializarlos después con estudios radiológicos, una estrategia conocida como transferencia de aprendizaje.
Con esta base, el diagnóstico por imagen con IA se apoya en tres tareas principales:
El sistema responde a una pregunta cerrada sobre la imagen: ¿hay fractura o no?, ¿la lesión parece benigna o sospechosa? En tareas bien acotadas, como la detección de fracturas de muñeca, la literatura recoge valores de AUC en torno a 0,95.
Aquí no basta con saber que hay algo anómalo: el sistema debe indicar dónde está. El resultado suele mostrarse como una marca o un recuadro sobre la zona sospechosa, algo muy útil para localizar nódulos pulmonares en un TAC con cientos de cortes o pequeños sangrados cerebrales que podrían pasar inadvertidos.
Es la tarea más minuciosa: dibujar automáticamente el contorno exacto de un órgano o de un tumor. Hacerlo a mano puede llevar mucho tiempo a un especialista, mientras que un modelo lo resuelve en segundos. Gracias a ello es posible calcular volúmenes, comparar estudios a lo largo del tiempo o preparar la planificación de un tratamiento de radioterapia. Arquitecturas como U-Net se han convertido en un estándar para este tipo de trabajo.
En todos los casos, la herramienta propone y el radiólogo decide. La IA aporta una segunda mirada rápida e incansable, pero la interpretación final, en el contexto de cada paciente, sigue siendo responsabilidad del especialista.
Más allá de la teoría, el diagnóstico por imagen con IA ya está demostrando su utilidad en la práctica clínica. A continuación, se detallan tres de las aplicaciones con mayor impacto.
Los programas de cribado mamográfico procesan cada año un enorme número de estudios, la gran mayoría normales, y en muchos países cada mamografía la revisan dos radiólogos. Es un escenario ideal para la IA. Uno de los trabajos más relevantes hasta la fecha es el ensayo MASAI, llevado a cabo en Suecia con más de 100.000 mujeres y publicado en The Lancet. En él, el algoritmo puntuaba el riesgo de cada estudio para decidir cuántos radiólogos debían leerlo y, además, resaltaba las zonas que merecían más atención.
Tras dos años de seguimiento, el grupo que contó con apoyo de la IA obtuvo, frente al cribado convencional:
En un ictus isquémico, cada minuto sin tratamiento supone la pérdida de millones de neuronas. Cuando la causa es un trombo que bloquea una arteria cerebral grande, el tratamiento más eficaz es extraerlo mediante cateterismo (trombectomía), y la rapidez con que se active al equipo es decisiva. Aquí la IA actúa como un sistema de aviso temprano: revisa la angio-TAC en cuanto se adquiere y, si sospecha una oclusión, notifica de inmediato al equipo de ictus.
El impacto de este enfoque se ha medido en un ensayo aleatorizado publicado en JAMA Neurology, con 243 pacientes atendidos en cuatro hospitales de Estados Unidos. Con el sistema automático, el tiempo hasta el inicio de la trombectomía se acortó en unos 10-11 minutos de media. Puede parecer poco, pero en el contexto del ictus es una diferencia clínicamente muy relevante.
El informe es el producto final del trabajo del radiólogo y también una de las tareas que más tiempo consume. La llegada de los modelos de lenguaje capaces de “entender” imágenes ha abierto la puerta a que la IA prepare un primer borrador a partir del estudio, de las exploraciones anteriores y de la información clínica disponible, de forma que el especialista solo tenga que revisarlo, corregirlo y firmarlo.
Ya existen modelos diseñados específicamente para radiología, como Harrison.Rad 1.5, presentado en 2026 y orientado a radiografías simples y mamografía. Se trata todavía de un campo emergente, cuyos resultados deben confirmarse en estudios independientes, pero su potencial para liberar tiempo de tareas burocráticas es evidente.
Las ventajas del diagnóstico por imagen con IA se notan en tres niveles: en el paciente, que recibe un diagnóstico antes y con más garantías; en el profesional, que gana tiempo y apoyo; y en el sistema sanitario, que puede atender más demanda con los mismos recursos. A continuación, se detallan algunos de los beneficios:
Que un algoritmo funcione bien en un artículo científico no significa que vaya a hacerlo igual en cualquier hospital. Entre la investigación y el uso diario hay un camino largo. Estos son los principales obstáculos:
Desde el punto de vista legal, un programa que ayuda a diagnosticar a partir de imágenes no es un software cualquiera: es un producto sanitario. Por eso, en la Unión Europea debe cumplir dos grandes marcos normativos que se complementan entre sí.
El Reglamento (UE) 2017/745 establece los requisitos de seguridad y eficacia que debe cumplir cualquier producto sanitario. Para el software de diagnóstico, esto implica obtener el marcado CE tras la revisión de un organismo notificado independiente.
El Reglamento (UE) 2024/1689 es la primera ley integral sobre inteligencia artificial del mundo. Entró en vigor en agosto de 2024 con una aplicación por fases, y considera de “alto riesgo” a los sistemas de IA integrados en productos sanitarios que requieren evaluación externa, lo que incluye a la mayor parte de las herramientas de radiología. Para estos sistemas, el calendario de obligaciones se extiende hasta 2027.
En la práctica, el reglamento exige a los fabricantes de estos sistemas, entre otros aspectos:
Los centros sanitarios que utilizan estas herramientas tampoco quedan al margen: deben usarlas tal y como indica el fabricante, asignar su supervisión a personal cualificado y comunicar los problemas que detecten.
En nuestro país intervienen dos organismos principales: la Agencia Española de Medicamentos y Productos Sanitarios (AEMPS), responsable de los productos sanitarios, y la Agencia Española de Supervisión de la Inteligencia Artificial (AESIA), con sede en A Coruña, encargada de vigilar la aplicación del reglamento europeo de IA. Todo ello se completa con el RGPD y la Ley Orgánica de Protección de Datos Personales y garantía de los derechos digitales (LOPDGDD), que regulan el tratamiento de la información de salud.
Sobre el terreno, la radiología es el servicio hospitalario que más está avanzando en la adopción de IA en España. Hospitales como La Paz en Madrid, el Clínic en Barcelona o los centros de Quirónsalud cuentan ya con proyectos en marcha. Aun así, el panorama es heterogéneo: la adopción depende en gran medida de la iniciativa y los recursos de cada hospital o comunidad autónoma, y todavía hay margen para una estrategia más coordinada a nivel estatal.
Pocas áreas de la medicina muestran de forma tan clara el valor de la inteligencia artificial como el diagnóstico por imagen. Aplicaciones que van desde el cribado mamográfico hasta el aviso precoz en el ictus o la redacción de informes demuestran que ya no se trata de una promesa, sino de una herramienta con resultados medibles.
El reto ahora es llevarla del laboratorio a la consulta con garantías: validándola con datos propios, integrándola en el trabajo diario, cumpliendo la nueva regulación y formando a los profesionales. Y siempre con una idea clara: la última palabra la tiene el radiólogo.
A medida que estas tecnologías sigan evolucionando, el diagnóstico por imagen con IA se consolidará como uno de los pilares de una medicina más eficiente, personalizada y centrada en el paciente.
¿Quieres saber más sobre visión artificial e IA aplicada? ¡Contáctanos!
Tu éxito es nuestra meta. Queremos ser tu compañero en el desarrollo de tus proyectos, aprovechando el poder de la innovación, la flexibilidad y la confianza que ofrecemos. Juntos, marcamos la diferencia a través de nuevas tecnologías.
¡Contáctanos y construyamos el futuro juntos!
