Langlotz pone como ejemplo una herramienta teórica de IA capaz de detectar el 95 % de los nódulos pulmonares en una TC torácica, mientras que se sabe que los radiólogos detectan el 90 %. “Algunos dirían: ‘Vaya, la IA es mejor que los radiólogos, por lo tanto deberíamos sustituir a todos los radiólogos por la IA’”, afirma. “Pero yo te diré que el radiólogo va a detectar parte de ese 5 % que la máquina no ha detectado. Y eso se debe a que la inteligencia artificial y la inteligencia humana son tipos diferentes de inteligencia”.
La IA puede examinar cada píxel de una imagen sin cansarse ni distraerse y compararlo con todas las demás imágenes con las que se ha encontrado. Por el contrario, el conocimiento que tienen los radiólogos sobre las enfermedades les permite interpretar las imágenes de formas que la IA no puede.
“¿Cómo se garantiza que, cuando la IA y los radiólogos piensen de forma naturalmente diferente, el radiólogo acepte siempre que la IA tiene razón y descarte siempre que se equivoca?”, pregunta Nina Kottler, directora médica de IA de Mosaic Clinical Technologies. “No es necesariamente fácil, pero hay formas de hacerlo”.
Con el objetivo de crear un equipo ideal formado por la IA y el ser humano, los radiólogos de todo el mundo están trabajando para aprender a colaborar con la IA, de modo que tanto ellos como sus pacientes puedan aprovechar sus ventajas. Esa colaboración requiere hacer frente a los sesgos inconscientes que llevan a un médico a confiar demasiado en la IA o a descartar sus respuestas de forma inadecuada. Por lo tanto, para trabajar con estos sistemas de forma óptima, los radiólogos deben valorar la fiabilidad general de la IA sin dejar de ser capaces de detectar sus errores.
“Ayuda saber un poco cómo funcionan estos sistemas para poder entender mejor cuándo un algoritmo puede estar llevándote por mal camino”, afirma Langlotz.
Siempre que un ser humano o una máquina comete un error de tipo “sí/no” en la interpretación de una imagen médica, hay dos formas posibles de equivocarse: un falso negativo pasa por alto la presencia de una enfermedad, mientras que un falso positivo detecta una cuando en realidad no existe.
En el caso de las enfermedades poco frecuentes —y la mayoría de las enfermedades son relativamente poco frecuentes—, cualquier diagnóstico tenderá a generar muchos falsos positivos, simplemente porque se encuentra con un gran número de personas que no padecen la enfermedad, lo que le da más oportunidades de emitir falsas alarmas. Un médico debe ser capaz de reconocer y descartar estos falsos positivos, sin dejar de identificar correctamente los diagnósticos acertados de la máquina, que son relativamente poco frecuentes. Confiar demasiado en los resultados de la máquina —ya sean positivos o negativos— se denomina sesgo de automatización.
Pero también es importante evitar aceptar falsos negativos. Por ejemplo, un sistema de IA podría pasar por alto la presencia de sangre en el cerebro en una tomografía computarizada o una resonancia magnética cuando en realidad está ahí. Confiar en este tipo de descuidos se denomina complacencia de la automatización.
“Ambos son problemas derivados de permitir que la IA modifique el nivel de sospecha del radiólogo sin que este se dé cuenta”, afirma Kottler. Con el tiempo, las personas pueden empezar a confiar demasiado en las respuestas de la IA. Un estudio reveló que incluso los radiólogos experimentados experimentaban grandes caídas en la precisión de su interpretación de las mamografías cuando tomaban sus decisiones bajo la influencia de predicciones incorrectas de la IA.
