Diez años después de que Geoffrey Hinton, Nobel de IA, augurara que los radiólogos serían reemplazados por máquinas en cinco años, la realidad desmiente ese vaticinio: el número de profesionales crecerá más de un 26 % en las próximas tres décadas. Sin embargo, el diagnóstico de Hinton sobre la irrupción tecnológica sí se ha cumplido: según datos de 2026, alrededor de tres cuartos de los 1.400 dispositivos médicos con IA aprobados por la FDA corresponden a radiología. Algunas herramientas aceleran la redacción de informes o priorizan imágenes urgentes; otras detectan anomalías imperceptibles para el ojo humano, como pólipos en colonoscopias asistidas por IA, según un análisis de 43 ensayos clínicos.
La tasa de error humano en imagen diagnóstica oscila entre el 3 % y el 5 %, lo que se traduce en unos 40 millones de errores anuales en el mundo. El reto actual no es enfrentar a humanos contra máquinas, sino diseñar sistemas colaborativos. Los radiólogos deben evaluar cada decisión algorítmica —mayoritariamente correcta— y detectar los casos puntuales en los que la IA falla. Esa tarea exige un cambio mental, señala Paul Yi, de St. Jude, porque las redes neuronales son "cajas negras" cuyo razonamiento resulta opaco, a diferencia de los algoritmos basados en reglas.
El texto también aborda los sesgos cognitivos que dificultan esa cooperación: el sesgo de automatización, que lleva a confiar en exceso en la máquina, y la complacencia automatizada, que hace pasar por buenos los falsos negativos. Expertos como Curtis Langlotz, de Stanford, y Nina Kottler, de Mosaic Clinical Technologies, subrayan que la clave está en combinar la precisión técnica de la IA con la experiencia y flexibilidad del radiólogo para reducir errores en beneficio del paciente.