El primer día de curso contó con extensas sesiones:

Charles Kahn apunto que es necesario incluir la enseñanza de la inteligencia artificial (IA) en la formación de los radiólogos, sin necesidad de llegar a ser un científico de datos, pero debemos comprender las bases de la IA. Además, las herramientas de IA deberán estar integradas en los PACS. Algunas de las herramientas más importantes son: el análisis volumétrico, la radiómica, la predicción de riesgos.

También apunto que existe un desafío en la implementación de la IA generativa porque no hay claridad en los procedimientos regulatorios. “Necesitamos la IA para resolver problemas clínicos, no se trata solo de meros algoritmos. Y los radiólogos necesitamos liderar la implementación de la IA”.

Tras él, la profesora Nina Kottler se centró en la sustitución de la IA estrecha por la IA general. Los modelos de lenguaje grande (LLM) ayudan a la generación de informes que sustituirán a los informes dictados actuales y los borradores de informes creados por LLM no reemplazarán a los informes del radiólogo, pero les libará para centrarse en tareas de mayor valor clínico.

Sin duda, el futuro de la radiología es fantástico porque posiciona a los radiólogos como “expertos de la información”.

Tras la profesora Kottler ha intervenido Amine M. Korchi quien ha explicado cómo la IA se está aplicando en cada paso del flujo de trabajo de la Radiología. Comentó cómo han surgido cientos de aplicaciones en los últimos años, con mejoras en la exactitud diagnóstica, eficiencia y reducción de la carga de trabajo.

“Las herramientas no interpretativas (antes y después del estudio) y la automatización de tareas aliviará la carga de trabajo de los radiólogos” señaló. Los informes potenciados por IA son la última frontera para lograr mejoras en la productividad de los radiólogos.

Para finalizar el bloque, el profesor Jason A. Poff habló de las métricas más importantes en la evaluación de las herramientas de IA en Radiología. Lo más importante es la aceptación por parte de los radiólogos.

Afirmó que “la evaluación debe estar centrada en los resultados clínicos” y debe evaluarse para cada herramienta el balance entre las mejoras potenciales en la calidad de la atención al paciente logradas  y los posibles errores generados por IA.

Por la tarde han dado continuidad las charlas interactivas que han cerrado la primera jornada del RSNA Spotlight Course “Radiology Reimagined — Advancing Clinical Practice through AI Innovation”, celebrada en Barcelona con la colaboración de la SERAM.

Otras de las charlas impartidas por el Dr. Charles apuntó que “para implementar la IA se necesita implicar a gerencia, sistemas de información, etc.”. Es importante que hay que optimizar la ganancia en la tasa de detección, categorías lo “pitfalls” y tomar una decisión. La implementación depende de múltiples skatehokders y en que el éxito de la implementación depende de la medición del impacto.

El Dr. Poff explicó la validación en 5 pasos para valorar el impacto clínico de un modelo de IA. “La implementación es más sencilla cuanto más prevalente es un proceso, porque se alcanza mayor sensibilidad y especificidad”. Hay que tener en cuenta que la IA no es infalible: es importante recordar que hay falsos negativos.

La IA y los radiólogos se benefician el uno del otro y es importante el concepto de “concordancia positiva” cuando coincide el diagnóstico del radiólogo y la IA.

Un día intenso de debate, experiencias y reflexiones sobre cómo la inteligencia artificial está transformando la práctica radiológica y su integración clínica.