Modelo de IA para RM alcanza un 97,5% de precisión diagnóstica

Un equipo de científicos de la Universidad de Michigan ha presentado un sistema de IA que puede diagnosticar automáticamente a los pacientes a partir de escaneos de resonancia magnética. Este desarrollo tiene el potencial de revolucionar la industria, proporcionando una atención más rápida y mayor accesibilidad a pacientes de todo el mundo. Esto es lo que necesitas saber.

Cómo funciona la tecnología de resonancia magnética en la imagen cerebral

La resonancia magnética (RM) se basa en campos magnéticos y ondas de radio para crear imágenes 2D/3D detalladas de órganos y otras partes vitales del cuerpo. La tecnología de RM nació a partir de trabajos previos sobre resonancia magnética nuclear (RMN) realizados durante la Segunda Guerra Mundial.

En 1952, Felix Bloch y Edward Purcell ampliaron el concepto, obteniendo el Premio Nobel ese mismo año. Sin embargo, no fue hasta que Paul Lauterbur añadió gradientes espaciales que la tecnología pudo crear imágenes 2D de órganos y tejidos. Cabe destacar que los pulsos de radiofrecuencia utilizados en los escaneos de RM no generan radiación ionizante, lo que los hace ideales en comparación con los escáneres de TC.

Hoy en día, los escaneos de RM son comunes. Según los informes, se realizan entre 150 y 200 millones de escaneos al año. Además, los estudios muestran que el uso de la RM está en aumento, con la mayoría de las regiones experimentando un incremento del 3‑6 % en estos procedimientos. Por lo tanto, no es sorprendente que la RM sea ahora un componente crucial del sistema médico.

Por qué es desafiante interpretar los escaneos de RM cerebral

A medida que aumenta la dependencia de la RM, se ponen de manifiesto algunas de sus desventajas. En primer lugar, interpretar estas imágenes requiere tiempo y precisión. Esta demanda ha crecido en medio de la escasez de personal en el sector médico.
Los resultados son que, a medida que aumenta el uso de la RM, se ejerce una presión sobre el ya sobrecargado sistema médico. Los estudios demuestran que la presión varía según se trate de un gran hospital con exceso de pacientes o de una instalación más pequeña sin acceso a profesionales capaces de interpretar imágenes de RM. Sin embargo, el resultado es el mismo: los pacientes enfrentan mayores riesgos.

Riesgos clínicos de la interpretación tardía de la RM

El problema es que muchas de las enfermedades neurológicas que la RM ayuda a detectar requieren atención inmediata. Esta necesidad implica un equilibrio entre un diagnóstico oportuno y mejores resultados, lo que a menudo genera plazos incumplidos.

Por ejemplo, las hemorragias cerebrales y los accidentes cerebrovasculares son ejemplos claros de condiciones médicas que los escaneos de RM pueden detectar y que requieren atención médica inmediata. Sin embargo, estas condiciones son notoriamente difíciles de identificar, lo que requiere la revisión profesional para llevar a cabo la tarea.

La neuroimagen es una herramienta valiosa para evaluar a pacientes con enfermedades neurológicas. En consecuencia, la demanda mundial de escaneos de RM ha aumentado de forma constante, ejerciendo una presión considerable sobre los sistemas de salud, prolongando los tiempos de respuesta y aumentando el agotamiento de los médicos.

La Universidad de Michigan desarrolla un modelo de IA para RM

El estudio “Learning neuroimaging models from health system‑scale data¹” publicado en Nature Biomedical Engineering presenta un algoritmo de IA creado a medida que puede interpretar imágenes de RM en segundos. Por lo tanto, tiene el potencial de revolucionar la atención médica en el futuro.

Prima: Un modelo de IA visión‑texto para diagnóstico por RM

El algoritmo de imágenes de RM Prima AI ha sido descrito por sus creadores como el “ChatGPT para la imaginería médica”. El sistema de IA simplifica y automatiza muchos de los aspectos más complejos de la interpretación de imágenes médicas.
Prima se diferencia de otros escáneres de IA para RM porque es un modelo visión‑texto (VLM), lo que significa que procesa texto, imágenes y video de forma conjunta. Este uso de una arquitectura jerárquica de visión permite al sistema ofrecer una precisión y rendimiento sin igual.

Cómo funciona Prima como copiloto diagnóstico

Al hablar del algoritmo, los desarrolladores declararon que querían crear un copiloto fiable para interpretar estudios de imágenes médicas. En ese sentido, lo lograron, ya que el enfoque único de Prima le permite operar en un amplio espectro de diagnósticos.
Este enfoque contrasta marcadamente con sus predecesores, que se centraban principalmente en un subsector específico de la imaginería por RM. Dado que Prima se entrenó con un conjunto de datos mucho más amplio, puede revisar los datos de RM como lo haría un médico real. Por lo tanto, Prima promete mejorar todo, desde el diagnóstico hasta los flujos de trabajo.

Entrenamiento del modelo con más de 200 000 estudios de RM

Para entrenar a Prima, los científicos sabían que necesitarían acceder a una gran cantidad de datos. Afortunadamente, la Universidad de Michigan Health proporcionó acceso directo a más de 200 000 estudios de RM, que incluían más de 5,6 millones de secuencias de imágenes.
Los ingenieros integraron luego los resultados de cada estudio, incluidas las historias clínicas de los pacientes y la razón del escaneo. Estos datos se cruzaron y se integraron 50 diagnósticos radiológicos diferentes, abarcando varias afecciones neurológicas.

Cómo la IA genera diagnósticos diferenciales

Prima fue creada para proporcionar diagnósticos oportunos. El sistema cruza su enorme base de datos de escaneos de RM y datos correspondientes para identificar una amplia gama de afecciones neurológicas. Además, tiene en cuenta la historia médica particular de cada paciente, lo que le permite crear un expediente completo de cada paciente, junto con un diagnóstico.

Sistema de triaje de emergencia impulsado por IA

Impresionantemente, Prima puede determinar si el diagnóstico requiere atención médica inmediata. Cuando se detecta la necesidad de atención urgente, el sistema notifica automáticamente a los profesionales de la salud, garantizando que no haya retrasos entre el diagnóstico y la atención. Esta función ayuda a salvar vidas en casos donde se requiere acción inmediata.

Flujo de notificación automática a especialistas

Uno de los aspectos más interesantes de Prima es que notifica automáticamente al subspecialista correcto después de su diagnóstico. Por ejemplo, si el escaneo indica riesgo de accidente cerebrovascular, el sistema sabe que debe contactar al neurocirujano y solicitar atención de urgencia.

Pruebas clínicas y validación del modelo de IA

Las pruebas del sistema Prima comenzaron hace un año. Los científicos dedicaron este tiempo a realizar miles de diagnósticos en pacientes y luego compararlos con el diagnóstico del médico. En total, se completaron 29 431 estudios de RM.

El modelo de IA para RM alcanza un 97,5 % de rendimiento diagnóstico

Desliza para desplazarte →

La precisión de Prima demostró que los ingenieros tenían razón. El modelo obtuvo un 97,5 %, muy por encima de los resultados de cualquier competidor de IA. Además, el equipo señaló que el sistema pudo completar su diagnóstico en segundos, en contraste con lo que a los médicos les habría llevado días.
Las pruebas también revelaron que el sistema mejoró significativamente el tiempo de respuesta de la atención. Los datos de los escaneos y del diagnóstico estaban disponibles de inmediato para los especialistas, y quienes necesitaban la información recibieron automáticamente los datos que requerían atención prioritaria, ahorrando tiempo valioso a los pacientes.

Beneficios clave de la interpretación de RM impulsada por IA

Existe una larga lista de beneficios que esta tecnología aporta al mercado. En primer lugar, reduce el tiempo necesario para realizar e interpretar los escaneos de RM. Este rendimiento mejorado ayuda a que los pacientes reciban atención más rápidamente, incluso mientras el sector médico enfrenta importantes escaseces de personal.

Demuestra que la asistencia de IA es ideal

Otro beneficio de la tecnología es que ayuda a demostrar cómo los sistemas de IA pueden mejorar muchos de los procedimientos médicos actuales. Este sistema reduce la carga sobre los profesionales de la salud mientras mejora los resultados. Por lo tanto, sirve como un valioso ejemplo del poder de los sistemas de IA en todo el sector médico.

Diagnóstico

A diferencia de algunos sistemas de IA que no proporcionan razonamiento sobre cómo llegaron a una conclusión determinada, el modelo Prima IA ofrece diagnósticos diferenciales explicables. Este enfoque permite que su trabajo sea verificado por los médicos para garantizar la precisión y obtener segundas opiniones.

Aplicaciones reales y perspectivas de despliegue

Existen muchas aplicaciones de esta tecnología, siendo la más evidente la mejora de las prácticas médicas actuales. Cabe destacar que esta tecnología puede aplicarse a otros sectores de imaginería, lo que lleva a muchos analistas a predecir que se utilizará en mamografías, radiografías de tórax y ecografías en los próximos años.

Ruta regulatoria y cronograma comercial

Esta tecnología podría llegar al mercado en los próximos 5 años. Existe una fuerte demanda de cualquier solución que pueda mejorar los resultados de la atención médica mientras reduce la carga de trabajo y el estrés de los profesionales de la salud actuales.

Equipo de investigación y respaldo institucional

El estudio de interpretación de RM con IA fue presentado por investigadores de la Universidad de Michigan. El artículo fue liderado por el neurocirujano y profesor asistente de neurocirugía de la Escuela de Medicina de U‑M, Todd Hollon, y por el científico de datos del Laboratorio de Aprendizaje Automático en Neurocirugía, Samir Harake.
El estudio enumera a Vikas Gulani, M.D. Ph.D.; Asadur Chowdury, M.S.; Soumyanil Banerjee, M.S.; Rachel Gologorsky; Shixuan Liu; Anna‑Katharina Meissner, M.D.; Akshay Rao; Chenhui Zhao; Akhil Kondepudi; Cheng Jiang; Xinhai Hou; Rushikesh S. Joshi, M.D.; Volker Neuschmelting, M.D.; Ashok Srinivasan, M.D.; Dawn Kleindorfer, M.D.; Brian Athey, Ph.D.; Aditya Pandey, M.D.; y Honglak Lee, Ph.D. como colaboradores. Además, cuenta con el apoyo financiero del Instituto Nacional de Trastornos Neurológicos y Accidentes Cerebrovasculares de los Institutos Nacionales de Salud.

Desarrollo futuro de la IA en neuroimagen

Los ingenieros reconocen que aún están en las primeras etapas de su trabajo, pero los resultados son prometedores. Ahora, su objetivo es personalizar el sistema, permitiendo que la IA acceda a los registros médicos y realice diagnósticos basados en todos los datos disponibles en tiempo real.

Invertir en integraciones de IA / salud

El impacto de la integración de IA en la imaginería médica está acelerándose. A diferencia de los fabricantes de dispositivos diversificados, una nueva generación de empresas está construyendo plataformas de radiología nativas de IA diseñadas específicamente para mejorar la velocidad del diagnóstico, la eficiencia del flujo de trabajo y la toma de decisiones clínicas. Aquí hay una empresa pública directamente posicionada en el espacio de imaginería impulsada por IA.

RadNet (RDNT)

RadNet (RDNT ) es uno de los mayores proveedores de imaginería diagnóstica ambulatoria en los Estados Unidos, operando cientos de centros de imaginería en todo el país. Fundada en 1981, la empresa se ha convertido en una plataforma de imaginería verticalmente integrada que combina servicios de radiología con inteligencia artificial a través de su subsidiaria DeepHealth.
En lugar de tratar la IA como un complemento, RadNet ha integrado el aprendizaje automático directamente en los flujos de trabajo de imaginería. Mediante adquisiciones y desarrollo interno, la empresa ha creado herramientas de IA diseñadas para ayudar a los radiólogos a detectar cáncer de mama, nódulos pulmonares, anomalías neurológicas y otras afecciones de forma más temprana y consistente.

Un punto de inflexión importante llegó con la expansión de DeepHealth, la división de IA de RadNet, que se centra en desplegar algoritmos aprobados por la FDA en toda su red de imaginería. Al combinar datos de imaginería propietarios con el desarrollo de IA, RadNet se beneficia tanto de los ingresos por servicios como de las capacidades diagnósticas mejoradas por software.
Este enfoque verticalmente integrado brinda una ventaja competitiva: los datos clínicos del mundo real alimentan la mejora de los algoritmos, mientras que las herramientas de IA aumentan el rendimiento y la precisión diagnóstica dentro de sus propios centros de imaginería.

Expansión de la plataforma de imaginería impulsada por IA

RadNet continúa ampliando su portafolio de IA mediante asociaciones y adquisiciones, apuntando a un despliegue escalable de herramientas de soporte diagnóstico en todas las subespecialidades de radiología. A medida que los modelos de reembolso evolucionan y los volúmenes de imaginería aumentan, los sistemas de triaje y detección asistidos por IA pueden mejorar sustancialmente los márgenes mientras reducen la carga de trabajo de los radiólogos.
Para los inversores que buscan exposición a la imaginería médica impulsada por IA con apalancamiento operativo directo, RadNet representa una apuesta más enfocada en la automatización de la radiología que los conglomerados diversificados de tecnología médica.

Últimas noticias y desempeño de RadNet (RDNT)

Interpretación de IA de imágenes cerebrales | Conclusión

El estudio de interpretación de imágenes cerebrales mediante IA abre la puerta a un futuro más prometedor para pacientes y profesionales médicos. Estos sistemas ayudarán a garantizar que los pacientes reciban una atención de primera calidad, constante y disponible las 24 horas.
También reduce la carga de trabajo de los profesionales de la salud ya capacitados hoy en día. Por lo tanto, este desarrollo podría ayudar a crear un sistema de salud más eficaz en el futuro.

Descubre otros desarrollos interesantes de IA aquí.

Referencias

^{1. Lyu, Y., Harake, S., Chowdury, A. et al. Aprendiendo modelos de neuroimagen a partir de datos a escala de sistemas de salud. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}