El investigador asturiano Javier Álvarez-Valle, director sénior de Imagen Biomédica en Microsoft Research, está liderando un proyecto centrado en inteligencia artificial (IA) transparente aplicada a la radiología

El objetivo es ayudar a profesionales sanitarios a interpretar imágenes médicas con mayor claridad y confianza. La iniciativa busca que la IA no solo detecte hallazgos en radiografías, sino que ofrezca explicaciones localizadas y comprensibles para radiólogos y clínicos, abordando uno de los principales retos de las aplicaciones de IA en salud: la interpretabilidad de sus resultados y la confianza profesional en ellos.

IA que va más allá de simples predicciones

En este proyecto, se trabaja con bases de datos curadas y validadas por radiólogos, como parte del proceso de anotación y estandarización de imágenes de tórax, para que los algoritmos no solo indiquen la presencia de posibles anomalías, sino muestren visual y contextualmente por qué y dónde las identifican.

Esto mejora la utilidad de los sistemas de IA como herramientas de apoyo al diagnóstico en contextos reales de atención sanitaria, reforzando su papel como “copilotos” de los profesionales médicos.

Colaboración interdisciplinaria y validación clínica

El proyecto combina experiencia en computación, procesamiento de lenguaje natural y práctica clínica.

La colaboración con radiólogos de centros como el Hospital Universitario Sant Joan d’Alacant ha sido esencial para garantizar que los datos sean clínicamente relevantes y que las anotaciones reflejen la realidad diagnóstica. La participación humana en la revisión y curación de imágenes es un componente crucial para que la IA aprenda a generar información útil y precisa para entornos clínicos exigentes.

¿Por qué es importante la interpretabilidad?

En ámbitos críticos como la radiología, donde una decisión puede afectar directamente el tratamiento de un paciente, la interpretabilidad se vuelve tan relevante como la precisión.

Los modelos de “caja negra” pueden ofrecer predicciones, pero sin una ruta transparente entre entrada y explicación, su adopción clínica se vuelve limitada.

La investigación sugiere que cuando los sistemas de IA pueden localizar hallazgos y justificar sus resultados, la confianza del profesional aumenta y se facilita su integración en la práctica diaria de los radiólogos.

Hacia una IA más confiable en salud

Los avances tecnológicos en modelos multimodales, que combinan visión e inteligencia de lenguaje, están expandiendo las aplicaciones posibles de la IA en radiología —desde la generación automática de borradores de informes hasta la asistencia en la revisión de hallazgos visuales complejos—, potenciando flujos de trabajo más eficientes y una mejor toma de decisiones clínicas.

No obstante, el trabajo de Álvarez-Valle y su equipo recalcan que estas soluciones deben ser transparentes, explicables y validadas clínicamente para cumplir con los estándares éticos y de seguridad en salud.