La IA me lee los estudios mientras el radiólogo juega golf
Un colega me preguntó si la IA le podía ir adelantando el trabajo mientras él jugaba golf. Le dije que sí. Esto es lo que construí con los modelos de MHub.ai, n8n y WhatsApp.
Por Miguel Angarita, radiólogo e implementador de IA clínica
Hace poco un radiólogo me hizo una pregunta medio en broma:
"¿La IA me podría ir adelantando el trabajo mientras yo estoy jugando golf?"
Le dije que sí.
No como promesa de futuro. Como algo que ya tengo funcionando.
El problema nunca fueron los modelos
Hay cientos de modelos de IA para imagen médica publicados. Segmentación de órganos, detección de nódulos, cuantificación de calcio, análisis de cerebro. La mayoría son abiertos.
El problema es usarlos.
Cada modelo viene con su propio entorno, sus propias dependencias, su propio formato de entrada. Uno quiere NIfTI, otro DICOM, otro una carpeta con una estructura específica. Uno corre en una versión de Python, otro en otra. Para un radiólogo con agenda llena, eso es una pared.
Durante años la puerta de entrada fue 3D Slicer. Una herramienta extraordinaria, pero que exige tiempo: abrir el estudio, cargar la extensión, elegir el modelo, esperar, revisar, exportar. Funciona en una estación de trabajo. No funciona desde un campo de golf.
Así se ve el camino "manual": 3D Slicer con la extensión de MHub, el modelo de riesgo de cáncer pulmonar y la tabla de hallazgos con sus probabilidades. Funciona. Pero hay que estar sentado frente al computador.
Lo que cambió: MHub.ai
MHub.ai hizo algo simple y poderoso: empaquetar modelos de IA para imagen médica en contenedores estandarizados. Todos reciben DICOM y todos devuelven resultados en un formato predecible. Se ejecutan con un solo comando.
Eso convierte un catálogo de modelos dispersos en algo que se puede orquestar.
Y cuando algo se puede orquestar, se puede automatizar.
Lo que construí
La idea era que el radiólogo no tuviera que abrir nada.
El flujo es este:
- Subo el estudio. Solo eso.
- Se de-identifica. Antes de que cualquier modelo lo toque, el sistema anonimiza el DICOM y borra los datos que identifican al paciente.
- La IA lo analiza. Mira qué tipo de estudio es y elige ella misma el modelo de MHub que corresponde.
- Corre el modelo y procesa los resultados.
- Me devuelve un resumen a WhatsApp. Corto, para leer en el celular entre hoyo y hoyo.
- Envía el reporte completo a Discord o a Slack, donde lo reviso con calma cuando vuelvo al computador.
Detrás de todo está n8n coordinando cada paso.
El paso dos no es un detalle. Es la condición para que todo lo demás sea aceptable. Un estudio con el nombre del paciente no debería viajar por WhatsApp ni quedar en un servidor de procesamiento. Lo que el modelo recibe son imágenes, no personas.
Cómo se ve en la práctica
Para mostrarlo usé un caso público: LIDC-IDRI-0001, una tomografía de tórax de la base de datos abierta LIDC-IDRI, muy usada en investigación de nódulos pulmonares. Ningún paciente real de mi práctica.
Subí el estudio. La IA reconoció que era una TC de tórax y escogió por su cuenta el modelo GRT123 de MHub, que detecta nódulos y estima su probabilidad de malignidad.
Encontró cuatro nódulos. Uno se destacó:
Hallazgo 0: el modelo le asigna una probabilidad de malignidad del 87,9 %.
Los otros tres quedaron con probabilidades por debajo del 1 %:
Hallazgo 1: 0,7 %. Probablemente benigno.
Esto es lo que llega a WhatsApp:
Lo que leo en el celular: riesgo global, número de nódulos y el detalle de cada uno.
¿Cuánto se demora? Depende de lo que le pida. Una TC de tórax solo con cortes axiales en ventana de pulmón tarda unos 40 segundos. Con todas las ventanas y las reconstrucciones sagital y coronal, unos 140 segundos. Menos de lo que toma caminar al siguiente hoyo.
Y este es el reporte completo que llega a Slack o Discord:
El reporte completo, con sus advertencias, está aquí en PDF.
El reporte termina con una línea que para mí resume todo: el modelo detecta, el radiólogo diagnostica.
Lo que esto no es
No es un reemplazo del radiólogo.
El modelo no firma. No conoce al paciente. No habla con el médico tratante. Lo que hace es llegar primero: segmentar, medir, señalar. Cuando yo me siento a leer, una parte del trabajo mecánico ya está hecha.
Esa es la diferencia entre IA que compite con el radiólogo e IA que trabaja para él.
Por qué creo que esto cambia la radiología
Durante años la conversación fue "¿la IA va a reemplazar al radiólogo?".
Esa era la pregunta equivocada.
La pregunta real es otra: ¿quién va a tener los modelos trabajando mientras duerme, opera o juega golf, y quién va a seguir haciendo todo a mano?
Los modelos ya existen. Son abiertos. Plataformas como MHub los hacen ejecutables. Herramientas como n8n los conectan con los canales que ya usamos todos los días.
Lo que falta no es tecnología.
Es que los radiólogos decidamos construirla.
Mi colega va a seguir jugando golf. Pero ahora, cuando vuelva, va a tener el trabajo adelantado.
Pruébalo tú mismo
Si quieres repetir el ejercicio, aquí está el mismo estudio que usé: la TC de tórax del caso LIDC-IDRI-0001, en DICOM.
Descargar el estudio LIDC-IDRI-0001 (.zip)
Puedes abrirlo en 3D Slicer o en cualquier visor DICOM y correr el modelo de MHub tú mismo.
El estudio proviene de la colección pública LIDC-IDRI de The Cancer Imaging Archive (TCIA). Si lo usas en un trabajo o publicación, cita la colección según las indicaciones de TCIA.
For research use only. Not for medical use. Las herramientas descritas en este artículo son experimentales y no están aprobadas para diagnóstico clínico.