La IA pretende ser radiólogo general. Tú ya lo eres: no lo infravalores.

Oda al radiólogo general en la época de los foundation models.

Las grandes tecnológicas llevan años intentando construir una inteligencia artificial capaz de interpretar cualquier imagen médica, integrar el historial clínico del paciente, comparar con estudios previos y emitir un juicio diagnóstico contextualizado. Invierten miles de millones en intentar resolver ese problema. Eso que están intentando construir, como bien sabes, existe, en versión humana, y se llama radiólogo general.

Y tú ya lo eres. O lo fuiste en algún momento. La pregunta es ¿qué has hecho desde entonces?

Las aplicaciones de IA aprobadas hasta ahora en radiología son, sin excepciones importantes, IA estrecha. Ningún producto de IA generativa aprobado para radiología clínica utiliza modelos de lenguaje grande, LLMs; las herramientas aprobadas siguen siendo algoritmos convencionales enfocados en tareas clínicas específicas: detectar hemorragias intracraneales, predecir riesgo de cáncer de mama... Cada uno en su dominio, y de momento completamente ciegos ante cualquier cosa que se salga de su guion. El nódulo suprarrenal incidental que aparece en el campo de visión de una TC de columna es, para ese algoritmo, invisible por definición. Y no es un fallo del sistema: es el sistema.

Los algoritmos de IA diseñados para detectar hallazgos fuera del ámbito de interés primario de un estudio requieren mecanismos robustos de comunicación y seguimiento, protocolos explícitos para determinar urgencia y relevancia, e integración real con la historia clínica electrónica.  Esa infraestructura, en la inmensa mayoría de los hospitales españoles, no existe. Así que, actualmente, en 2026, la IA solo cubre parches. Es el radiólogo el que abarca el estudio completo. Y si el radiólogo también cubre solo parches, o franjas de conocimiento radiológico —porque p. Ej. lleva ocho años sin leer una de TC abdomen con detenimiento, porque eso ya no es lo suyo— el paciente queda desprotegido en esos márgenes en los que, precisamente, suelen esconderse los diagnósticos que cambian un pronóstico.

La respuesta técnica de la industria a este problema son los modelos base o foundation models. Su arquitectura es radicalmente distinta a los algoritmos actuales: utilizan mecanismos de autoatención, capaces de procesar datos multimodales a múltiples escalas, y pueden adaptarse a tareas específicas mediante aprendizaje por transferencia, ajuste fino y aprendizaje de pocos disparos.  En teoría, un modelo así podría hacer lo que hace un buen radiólogo de guardia: leer el estudio completo, cruzarlo con la clínica y los previos y generar un informe contextualizado. A diferencia de los modelos convencionales, los modelos base pueden generar borradores de informe integrando hallazgos de imagen, lecturas previas, motivo de exploración y datos clínicos.

Impresionante sobre el papel. Menos impresionante cuando uno lee la letra pequeña.

La validación de los LLMs que generan borradores de informe es especialmente compleja por el riesgo de generar texto clínicamente falso, pero lingüísticamente fluido, lo que exige verificación de alto riesgo para cada informe antes de la firma. Un sistema que inventa hallazgos con la misma fluidez con que describe los reales no es una herramienta diagnóstica, es una fuente de ruido con muy buena redacción. Y el problema regulatorio no es menor: la naturaleza generalista y en evolución continua de estos modelos contrasta radicalmente con los marcos regulatorios actuales, que exigen modelos de función fija para su certificación.  La FDA y la EMA no tienen aún un mecanismo claro para aprobar un sistema que aprende y cambia tras el despliegue. Sin aprobación regulatoria no hay uso clínico real, y sin uso clínico real todo esto sigue siendo, técnicamente, ciencia ficción bien financiada.

A lo que hay que añadir la cuestión de la responsabilidad, que la industria tecnológica prefiere dejar en un segundo plano. La Comisión Europea anunció en 2025 su intención de retirar la propuesta de Directiva de Responsabilidad por IA de su programa de trabajo.  Nadie ha resuelto quién responde cuando la IA se equivoca. La respuesta provisional —y probablemente definitiva durante bastantes años— es que responde el radiólogo que firmó el informe. El informe completo, no solo la parte correspondiente a su subespecialidad.

Imaginemos a la radióloga Dra. Pérez, neurorradióloga, 12 años de experiencia, 23 artículos en revistas Q1. En la guardia de una noche de febrero se encuentra ante un TC de abdomen urgente. Datos clínicos: “probable apendicitis”. Mira el apéndice —normal—, descarta la apendicitis, y firma. Lo que no menciona es la masa en cabeza de páncreas que lleva meses esperando a que alguien se fije en ella. Y no es que sea mala radióloga. Es que la Dra. Pérez lleva ocho años sin leer un abdomen con detenimiento, y ningún algoritmo le avisó de nada, porque el sistema instalado en su hospital solo está validado para cierto tipo de patología neurológica urgente.

Esto no es una crítica a la Dra. Pérez. Es una crítica a la idea, tan extendida como peligrosa, de que la subespecialización es un estado terminal al que se llega y del que ya no hay que salir. Y también, quizá una crítica a quienes gestionan servicios de radiología y organizan las guardias sin preguntarse si los profesionales que las cubren mantienen las competencias necesarias para hacerlo con seguridad. Pero este es otro tema, y muy complicado.

El MIR de Radiodiagnóstico español da una base formativa que muchos sistemas europeos envidian. El aprendizaje de la radiología de urgencias se considera decisivo en la formación, con un mínimo recomendado de cinco guardias mensuales de presencia física y responsabilidad progresiva a lo largo de la residencia. Ese R4 que termina la especialidad ha sufrido guardias difíciles con estudios de todo tipo. Tiene, en ese momento, y más allá de la radiología urgente y las guardias, una visión transversal real de la radiología: es aún un clásico radiólogo general.

Pero ya sabemos qué ocurre después. La anhelada subespecialización se instala, los congresos a los que va son los de la propia área, y las sesiones clínicas del servicio las copan los casos interesantes. El conocimiento transversal no desaparece de golpe. Se erosiona poco a poco, hasta que un día uno se encuentra de guardia frente a una TC de abdomen y nota que algo ha cambiado, aunque no sepa muy bien el qué.

Quizá buscando herramientas para revertir ese proceso, los organizadores del pasado 38° Congreso de la SERAM en Valencia organizaron todo tipo de sesiones transversales, intentando conservar ese vínculo de conocimiento general que debe unirnos a los radiólogos. Por otra parte, la oferta formativa, en la SERAM y fuera de ella, existe y es amplia, y de calidad. Lo que no existe es la cultura profesional que haga sentir incómodo a quien no la utiliza, ni un sistema de acreditación que lo exija de forma explícita. Quizá es algo que la comunidad radiológica española tiene pendiente de discutir, y decidir si es necesario mantener a lo largo de la carrera del profesional al menos parte de esos conocimientos genéricos, aparte de los propios de su propia superespecialización.

Hay algo que ningún foundation model, por potente que sea, va a poder entrenar en un dataset: la decisión de pedir una secuencia adicional porque algo no encaja con la clínica, aunque la imagen sea técnicamente normal. La llamada al oncólogo antes de firmar porque un hallazgo aparentemente incidental adquiere otro significado teniendo en cuenta la historia clínica. La capacidad de decir “esto no es de mi área, pero algo aquí no me cuadra” y actuar en consecuencia. Eso no es reconocimiento de patrones. Es juicio clínico, y el juicio clínico se construye con experiencia, con casos difíciles y con errores propios y ajenos.

Vale la pena detenerse un momento en lo que eso significa, porque corremos el riesgo de normalizarlo tanto que dejemos de verlo. El radiólogo es, dentro del ecosistema médico, una figura genuinamente excepcional. El cardiólogo conoce el corazón. El neurólogo, el sistema nervioso. El digestólogo, el aparato digestivo. El radiólogo conoce todos estos campos, en todas las modalidades, en todas las edades, en todos los contextos clínicos. No hay otra especialidad médica con un dominio anatómico y fisiopatológico tan transversal. Es un perfil que ha costado décadas construir como disciplina, y que cada radiólogo construye durante cuatro años de residencia a un coste formativo —personal e institucional— considerable. Renunciar a ese perfil por inercia, por comodidad o por la presión implícita de un entorno hiperespecializado no es solo una decisión individual: es desperdiciar uno de los activos más singulares que tiene la medicina moderna.

Cuando los foundation models maduren —si maduran, con todas las garantías regulatorias y de seguridad que exige la práctica clínica— van a necesitar a alguien que los supervise. Alguien que sepa cuándo confiar en ellos y cuándo no. Alguien con criterio diagnóstico suficientemente amplio como para detectar los errores de una herramienta que pretende ser generalista. Ese perfil no se va a improvisar cuando la tecnología lo requiera. Es necesario mantenerlo ahora, con cada guardia que se toma en serio, con cada esfuerzo formativo, con cada hallazgo fuera del área propia que se intenta informar con rigor. La industria tecnológica en radiología lleva años y miles de millones intentando construir ese perfil. Tú ya lo tienes.

La pregunta no es si la IA va a alcanzarte, o superarte. La pregunta es si vas a dejar que esos poderes de que dispones se atrofien antes de que lo haga. Son cruciales para la labor de supervisión de la IA que compete a los radiólogos.

Dra. María Jesús Díaz Candamio

Hospital Universitario A Coruña

Vocal Responsable de Comunicación de SERAM

Bibliografía

1. Paschali M, Blankemeier L, Varma M, Youssef A, Bluethgen C, Chaudhari AS, et al. Foundation models in radiology: what, how, why, and why not. Radiology. 2025;314(2):e240597. doi: 10.1148/radiol.240597

2. Neri E, Regge D, Bali MA, Laghi A, Maas M, Rossi A, et al; AI4HI Network. Foundation models for radiology: the position of the AI for Health Imaging (AI4HI) network. Insights Imaging. 2025;16(1):208. doi: 10.1186/s13244-025-02056-9

3. D'Antonoli TA, Bluethgen C, Cuocolo R, Klontzas ME, Ponsiglione A, Kocak B. Foundation models for radiology: fundamentals, applications, opportunities, challenges, risks, and prospects. Diagn Interv Radiol. 2025. doi: 10.4274/dir.2025.253445

4. Singh Y, Unal O, Ali F, Kuanar S, Keishing V, Wei Y, et al. Large-scale foundation models for radiological image analysis: clinical applications, technical challenges, and future directions. J Imaging Inform Med. 2026. doi: 10.1007/s10278-025-01823-w

5. Unger PC, Youssef CW. The emergence of foundation models in U.S. radiology: a narrative review of clinical utility, safety, and evaluation. Acad Radiol. 2026 Mar;33(3):797-814. doi: 10.1016/j.acra.2025.10.063

6. Alkasab TK, Burleson J, Gichoya JW, Kalra MK, Kannan S, Tejani AS, et al. Generative AI and foundation models in radiology: applications, opportunities, and potential challenges. Radiology. 2025. doi: 10.1148/radiol.242961

7. Wu C, Zhang X, Zhang Y, Hui H, Wang Y, Xie W. Towards generalist foundation model for radiology by leveraging web-scale 2D and 3D medical data. Nat Commun. 2025 Aug 23;16(1):7866. doi: 10.1038/s41467-025-62385-7

8. Sivakumar R, Lue J, Sodickson DK, Bhattacharya K, Bhaskaran D, Siewert B, et al. FDA approval of artificial intelligence and machine learning devices in radiology: a systematic review. JAMA Netw Open. 2025 Nov 7;8(11):e2542338. doi: 10.1001/jamanetworkopen.2025.42338

9. Avcı N, Çallı E, Murphy K, Schlemper J, Bhatt D, Pajak M, et al. Medical hallucination in foundation models and their impact on healthcare [Preprint]. medRxiv. 2025 Feb 28. doi: 10.1101/2025.02.28.25323115

10. Comisión Europea. Programa de Trabajo de la Comisión para 2025. COM(2025) 45. Bruselas: Comisión Europea; 11 de febrero de 2025. [Retirada de la propuesta de Directiva de Responsabilidad por IA, Anexo II.]
11. Programa de la Especialidad de Radiodiagnóstico. Comisión Nacional de la Especialidad de Radiodiagnóstico. Madrid: Ministerio de Sanidad de España [vigente]. Disponible en: https://www.sanidad.gob.es

12. Formación SERAM - SERAM https://share.google/24xvJaDV9nJo8FiHN

13. 38° Congreso SERAM 2026 - SERAM https://share.google/l7wbpyoUZgC7p5lyn