Durgical
ES
Abrir la app

Inteligencia artificial en imágenes médicas: redes neuronales convolucionales

  • Concepto

Casi toda la IA médica que ya se usa lee imágenes. Saber cómo «ve» un estudio le indica cuándo confiar en su alerta y cuándo mirar de nuevo usted mismo.

Actualizado

Qué es

Una red neuronal convolucional (CNN, por su sigla en inglés) es un modelo de aprendizaje profundo hecho para imágenes. Pequeños filtros aprendidos se deslizan sobre los píxeles y construyen rasgos capa por capa, de bordes a formas y a patrones completos; las últimas capas los convierten en una salida: una probabilidad de enfermedad, un recuadro sobre un hallazgo o el contorno de un órgano. Aprende de miles de imágenes etiquetadas, no de reglas escritas por personas. En la práctica es una prueba diagnóstica dentro de un software, y así se evalúa, se autoriza y se vigila.

Datos clave

  • Un filtro es una pequeña cuadrícula de pesos, por ejemplo de 3 × 3 píxeles; al deslizarlo sobre la imagen genera un mapa de rasgos que se enciende donde aparece su patrón.
  • El agrupamiento (pooling) reduce los mapas, así cada capa más profunda ve un área mayor: los bordes forman texturas y las texturas, un nódulo o una línea de fractura.
  • El entrenamiento ajusta los pesos para reducir el error entre la salida y la etiqueta, imagen tras imagen; nadie le dice al modelo qué rasgos usar.
  • Los mapas de calor muestran qué píxeles pesaron en la salida; ayudan a detectar una pista equivocada, pero no prueban que el modelo razone bien.
  • Un algoritmo bloqueado da la misma salida para la misma imagen tras su autorización; uno adaptativo cambia con datos nuevos, y sus cambios requieren un plan de control de cambios acordado.
  • El software con fin médico que funciona sin ser parte de un equipo físico se llama software como dispositivo médico (SaMD, por su sigla en inglés).

Ejemplo resuelto

  1. Un hospital prueba un modelo de triaje de sangrado en TC de cráneo con 1 000 estudios seguidos: 80 (8 %) muestran hemorragia intracraneal y 920 no.
  2. Punto de corte A (umbral bajo): sensibilidad 95 %, especificidad 85 %. Marca 76 de 80 sangrados y el 15 % de 920 = 138 estudios sin sangrado.
  3. Punto A: 76 + 138 = 214 alertas; VPP = 76 / 214 ≈ 36 %; 4 sangrados quedan sin alerta y esperan en la fila normal.
  4. Punto de corte B (umbral más alto): sensibilidad 85 %, especificidad 95 %. Marca 68 sangrados y el 5 % de 920 = 46 estudios sin sangrado.
  5. Punto B: 68 + 46 = 114 alertas; VPP = 68 / 114 ≈ 60 %; 12 sangrados quedan sin alerta.
  6. Pasar de A a B elimina 92 falsas alertas por 1 000 estudios, pero deja 8 sangrados más sin prioridad.
  7. Un radiólogo igual lee todos los estudios, así que una alerta perdida es un retraso, no un diagnóstico perdido: para triaje suele convenir el punto A.
  8. Lectura: el punto de corte es una decisión clínica sobre la curva ROC que pesa el costo del retraso frente a las falsas alarmas con la prevalencia local.

Tareas de la IA en imágenes: qué responde cada una

TareaPregunta que respondeSalidaEjemploCómo se evalúa
Clasificación¿Está presente el hallazgo?Una probabilidad o clase para toda la imagenRetinopatía diabética referible en una fotografía de retinaSensibilidad, especificidad, curva ROC
Detección o localización¿Dónde está?Un recuadro o punto sobre cada hallazgoNódulos pulmonares en TC de tórax, fracturas en radiografíasHallazgos encontrados y marcas falsas por imagen
Segmentación¿Cuál es su contorno exacto?Una máscara píxel a píxelContorno de un tumor, un infarto o las cavidades cardíacasSuperposición entre la máscara del modelo y la del experto
Triaje¿Qué estudio se debe leer primero?Una alerta que sube el estudio en la lista de trabajoOclusión de gran vaso o hemorragia en TC de cráneoTiempo hasta la lectura y el tratamiento; falsas alertas por día
Cuantificación¿Cuánto mide, cuánto hay, qué tan rápido cambia?Un número, como un volumen o una densidadCrecimiento del volumen de un nódulo, densidad mamaria, fracción de eyecciónConcordancia con la medición experta y repetibilidad

Marcadores

  • CNN
  • SaMD
  • AUC
  • PCCP

En la práctica

  • Tamizaje de retinopatía diabética: un modelo gradúa fotografías de retina en atención primaria y remite al oftalmólogo a los positivos.
  • Mamografía: un modelo marca zonas sospechosas o actúa como segundo lector, con la meta de mantener la detección de cáncer con menos rellamadas.
  • Radiografía y TC de tórax: los modelos alertan sobre nódulos, neumotórax o consolidación y miden el crecimiento de un nódulo entre estudios.
  • Ataque cerebrovascular y hemorragia: en TC o angio-TC de cráneo, un modelo de triaje avisa al equipo de una posible oclusión de gran vaso o un sangrado.
  • Detección de fracturas: en urgencias, un modelo marca fracturas sutiles en radiografías para que el clínico las revise.
  • Antes de apoyarse en una herramienta, pregunte: qué tarea, en qué equipos y población se probó, con qué punto de corte y quién revisa sus errores.

Errores frecuentes

  • Leer el AUC de los datos del desarrollador como si se mantuviera con los equipos y protocolos propios.
  • Tomar un estudio de lectores con casos enriquecidos como prueba de beneficio en la práctica diaria.
  • No calcular la carga diaria de falsas alertas antes de encender una herramienta de triaje.
  • Omitir la vigilancia tras la instalación, de modo que una actualización o un equipo nuevo bajan el desempeño sin que nadie lo note.

Trampas frecuentes

  • La CNN busca la enfermedad como un radiólogo: aprende cualquier patrón que separe las etiquetas, incluidas marcas de texto, reglas, el rótulo de una placa portátil o el equipo del hospital, y puede acertar por la razón equivocada.
  • Superar a los radiólogos en un estudio de lectores prueba el beneficio: esos estudios usan casos enriquecidos y condiciones artificiales; la prevalencia real, el uso prospectivo y el humano con la herramienta deciden el efecto.
  • Sin alerta del triaje, el estudio es normal: el triaje solo reordena la lista de trabajo; un estudio sin alerta igual necesita una lectura completa.
  • Las etiquetas de entrenamiento son la verdad: las de un solo lector arrastran sus omisiones; un mejor patrón de referencia usa consenso, seguimiento o patología.
  • Un algoritmo autorizado sigue aprendiendo solo y sin riesgo: un modelo bloqueado no cambia, y los cambios de uno adaptativo deben revisarse o acordarse antes en un plan de control de cambios; ambos requieren vigilancia local.

Póngase a prueba

Piense la respuesta y toque la pregunta para verla.

Un modelo de fracturas funciona bien en su hospital de origen, pero mal con imágenes de equipos de otro fabricante. ¿Por qué y qué se debe hacer?

Cambio en los datos: otros equipos y protocolos modifican los píxeles en que se apoya el modelo. Se prueba con imágenes locales antes de usarlo y se vigila después.

Un modelo de radiografía de tórax detecta neumotórax sobre todo en placas que ya muestran un tubo de tórax. ¿Qué aprendió?

Una pista espuria: el tubo marca casos ya tratados. Puede fallar en el neumotórax sin tratar, el que importa; se prueba con imágenes sin tubo.

En un triaje de hemorragia donde toda TC se lee igual, ¿por qué elegir un punto de corte de alta sensibilidad?

Una alerta perdida solo retrasa una lectura y un sangrado detectado se lee antes; el precio son más falsas alertas, que se deben contar por 1 000 estudios.

¿Por qué un estudio de lectores con 50 % de cánceres exagera el VPP que verá un radiólogo en tamizaje?

El VPP sube con la prevalencia; en tamizaje es mucho menor, así que la misma sensibilidad y especificidad dan muchos más falsos positivos por cada verdadero.

Un radiólogo cambia una lectura correcta para coincidir con la marca errónea de la IA. ¿Qué es y qué lo reduce?

Sesgo de automatización. Lo reducen leer primero y luego ver la salida de la IA, conocer los errores típicos de la herramienta y auditar los desacuerdos.

Agregar a mis tarjetas (5)

En otras secciones

Conexiones

← Toda la epidemiología

Contenido educativo sobre métodos epidemiológicos y estadísticos; los ejemplos usan números inventados para enseñar el cálculo. No es una guía clínica ni normativa: las normas colombianas vigentes se consultan en las fuentes oficiales.

Fuentes: Artificial Intelligence-Enabled Medical Devices (U.S. Food and Drug Administration, 2026); List of Artificial Intelligence-Enabled Medical Devices (U.S. Food and Drug Administration, 2026); Software as a Medical Device (SaMD) (U.S. Food and Drug Administration, 2018); Ethics and governance of artificial intelligence for health (World Health Organization, 2021).

¿Ha detectado un error?Siempre buscamos mejorar para la comunidad. Cuéntenos qué está mal y nuestro equipo lo revisa.Reportar un error

Modelo representativo, solo con fines educativos.