Artículo original: Paschali M, Chen Z, Blankemeier L, et al. Foundation Models in Radiology: What, How, Why, and Why Not. Radiology. 2025;314(2):e240597.
DOI: https://doi.org/10.1148/radiol.240597
Sociedad: Radiological Society of North America (@RSNA).
Palabras clave: Artificial Intelligence, Foundation Models, Radiology, Self-supervised learning, Multimodal AI, Machine Learning
Abreviaturas y acrónimos utilizados: AI (Inteligencia Artificial), FMs (Modelos Fundamentales), RLHF (Reinforcement Learning from Human Feedback)
Línea editorial: Radiology es una de las principales revistas de imagen médica, publicada por la RSNA, con un enfoque en avances tecnológicos y nuevas aplicaciones de inteligencia artificial en radiología. Con un factor de impacto de 14.1, es una referencia clave para radiólogos e investigadores en IA aplicada a la imagen médica.
Este artículo, publicado en febrero de 2025, forma parte de un número que también incluye una revisión sobre el uso de IA en la imagen torácica y otro artículo sobre la selección a través de IA de pacientes con cáncer de mama de riesgo intermedio para screening con RM.
Motivos para la selección: La IA en la radiología es un hecho, y este artículo aborda el uso de los Modelos Fundamentales (FMs) en radiología, destacando su potencial para mejorar la interpretación de imágenes, la generación de informes y la integración de datos multimodales. La relevancia del tema lo hace esencial para radiólogos interesados en IA y en la evolución de la práctica clínica.
Resumen: Los modelos fundamentales en radiología se definen por su capacidad de aprendizaje a gran escala sin necesidad de etiquetas específicas, permitiendo su adaptación a múltiples tareas. Su entrenamiento se basa en grandes volúmenes de datos no etiquetados y pueden integrar múltiples modalidades, como imágenes, informes clínicos y datos estructurados.
Las principales ventajas de los modelos fundamentales incluyen su capacidad para mejorar la precisión en el diagnóstico, automatizar la generación de informes y optimizar el flujo de trabajo radiológico. Mediante la integración de datos multimodales, estos modelos pueden proporcionar información contextualizada, reduciendo la carga de trabajo del radiólogo y mejorando la eficiencia operativa.
Sin embargo, su implementación presenta desafíos significativos, como el riesgo de generar información incorrecta o sesgada, una infraestructura energética y computacional potente y la dificultad de evaluar su rendimiento en entornos clínicos reales. Es fundamental establecer métricas de validación robustas para garantizar su seguridad y eficacia en la práctica radiológica.
En cuanto a su evaluación y validación, se destaca el uso de aprendizaje por refuerzo con retroalimentación humana (RLHF) para mejorar la precisión y la fiabilidad de estos modelos. También se enfatiza la importancia de utilizar bases de datos amplias y diversas para minimizar los sesgos y garantizar una aplicación equitativa en distintos contextos clínicos.
El futuro de los modelos fundamentales en radiología pasa por su integración con modelos de lenguaje para la generación automatizada de informes, el uso de datos sintetizados para mejorar la calidad del entrenamiento y el desarrollo de regulaciones que garanticen su implementación ética en la práctica médica.
Conclusión
Los Modelos Fundamentales representan una nueva frontera en la radiología impulsada por IA, con el potencial de transformar la forma en que los radiólogos interpretan imágenes médicas. Sin embargo, su implementación requiere considerar tanto las oportunidades como los riesgos asociados.
Valoración personal: Este artículo es una excelente introducción a los Modelos Fundamentales en radiología. Explica con claridad tanto las ventajas como los desafíos de su aplicación. Es una lectura recomendada para radiólogos interesados en IA, especialmente aquellos que trabajan en investigación o implementación de esta nueva tecnología en la práctica clínica.
Sociedad a la que pertenece la publicación: Radiological Society of North America (@RSNA).
Sección (órgano-sistema): Inteligencia artificial en radiología.
Técnica radiológica: Tomografía Computarizada.
Tipo de artículo: Revisión bibliográfica
Año de residencia recomendado: R2-R4
Martin Santamaría Boado
Hospital Universitario de Cruces
martinstboado@gmail.com
cbseram.com 
Deja un comentario