Un análisis en The Lancet Digital Health explora cómo la IA generativa impulsa la investigación médica y plantea retos éticos y técnicos.
Un artículo publicado en The Lancet Digital Health analiza cómo la inteligencia artificial (IA) generativa está transformando el campo de la imagen médica. Esta tecnología, conocida por su capacidad de crear imágenes sintéticas realistas, abre nuevas oportunidades para la investigación, la educación y la práctica clínica. Sin embargo, también plantea retos relacionados con la privacidad de los pacientes, la transparencia y el riesgo de sesgos en los datos.
Los modelos generativos actuales han permitido la creación de conjuntos de datos sintéticos que imitan de manera fiel los estudios médicos reales. Estos datos ofrecen beneficios clave como aumentar la diversidad de los registros disponibles, preservar la privacidad al evitar la exposición directa de información sensible, y generar recursos útiles para entrenar algoritmos de diagnóstico o para la formación de profesionales de la salud.
Entre sus aplicaciones destacan la mejora de clasificadores en radiología, la creación de imágenes para enfermedades raras, la edición de estudios para fines educativos y la simulación de fenómenos biológicos complejos. Incluso se ha explorado su uso para predecir la progresión de tumores o recrear imágenes postoperatorias como herramienta de planificación quirúrgica.
El artículo subraya que la calidad de estas imágenes debe evaluarse con métricas técnicas y con la participación de expertos clínicos, quienes siguen siendo el estándar de referencia para determinar su realismo y utilidad. Asimismo, los autores señalan la necesidad de desarrollar métricas específicas para el ámbito médico que garanticen la validez clínica de las imágenes generadas.
No obstante, este importante avance también implica múltiples desafíos, por ejemplo, existen preocupaciones por la posibilidad de que los modelos reproduzcan datos originales y revelen información sensible, así como por la dificultad de identificar con precisión qué conjuntos de datos se usaron en su entrenamiento. También se alerta acerca del riesgo de que los sesgos presentes en los datos reales se trasladen o amplifiquen en los sintéticos, afectando la equidad en la atención médica.
