La Inteligencia Artificial ya no solo promete velocidad en los hospitales: también empieza a ofrecer algo igual de crítico en medicina: confianza. Microsoft Research ha desarrollado MAIRA-2, un modelo de investigación capaz de redactar informes radiológicos a partir de radiografías de tórax, pero con una diferencia clave frente a otros sistemas: cada frase del informe queda anclada a la zona exacta de la imagen de la que procede.

Es decir, no solo genera el texto del informe preliminar, sino que explica de dónde sale cada conclusión. Un avance que apunta directamente al gran reto de la IA en salud: ser útil sin convertirse en una “caja negra”.

Cuando cada minuto cuenta: radiología bajo presión

En un entorno clínico real, un paciente que necesita una radiografía de tórax debe esperar a que un radiólogo analice con precisión pulmones, corazón y estructuras óseas, y redacte un informe detallado que después revisará el especialista. Ese informe es el documento que sostiene decisiones urgentes: diagnósticos, tratamientos, derivaciones o intervenciones.

En ese contexto, automatizar parte del proceso puede reducir tiempos y carga de trabajo, pero también eleva el nivel de exigencia: si una IA se equivoca, el coste puede ser crítico.

Por eso, el enfoque de MAIRA-2 no se centra solo en acelerar, sino en hacerlo con trazabilidad clínica.

MAIRA-2: informes radiológicos “con pruebas”

Según explica Microsoft, MAIRA-2 puede generar informes radiológicos preliminares utilizando los mismos datos visuales que analiza un radiólogo, lo que podría traducirse en:

• Menor carga cognitiva para los profesionales.
• Mayor consistencia y precisión en borradores iniciales.
• Flujos de trabajo más ágiles en servicios con alta demanda.

Pero la verdadera novedad está en su “modo explicable”: cada frase está vinculada a una región específica de la radiografía, permitiendo que el radiólogo valide rápidamente si el razonamiento del modelo se sostiene en evidencia visual real.

Este detalle marca una diferencia importante: en medicina, la IA no puede limitarse a “acertar”, necesita poder justificarse.

PadChest-GR: el dataset español que abre un nuevo estándar en transparencia clínica

Para que un modelo como MAIRA-2 pueda funcionar con precisión y explicabilidad, era necesario un tipo de conjunto de datos que prácticamente no existía. Y ahí entra en juego PadChest-GR, descrito como el primer dataset público y multilingüe diseñado específicamente para generar informes radiológicos fundamentados a partir de radiografías de tórax.

El dataset ha sido creado por:

• Universidad de Alicante
• MedBravo
• Hospital Universitario Sant Joan d’Alacant
• En colaboración con Microsoft Research

Qué incluye PadChest-GR y por qué importa

PadChest-GR contiene 4.555 radiografías de tórax con hallazgos descritos en español e inglés, y añade un elemento decisivo:
cada hallazgo va acompañado de una anotación espacial, es decir, un recuadro que marca su posición exacta en la imagen, tanto en hallazgos positivos como negativos.

Además, incorpora descripciones en lenguaje clínico, lo que lo convierte en el primer benchmark público para evaluar modelos que generen informes basados completamente en imágenes, pero con trazabilidad.

En la práctica, esto abre la puerta a herramientas capaces de:

• Mejorar la interpretabilidad médica
• Facilitar la validación rápida por especialistas
• Aumentar la claridad del informe para médicos y pacientes

Así se construyó: IA generativa, validación clínica y control de calidad

El desarrollo de PadChest-GR se diseñó como un proceso técnico y clínico en varias capas. Microsoft explica que para la curación de datos se utilizó Azure OpenAI Service con GPT-4 con el objetivo de extraer conclusiones clínicas a partir de informes médicos no estructurados.

Después, se realizó:

1. Traducción al inglés de hallazgos positivos y negativos
2. Vinculación con etiquetas existentes de PadChest
3. Selección de un subconjunto con distribución realista de casos relevantes
4. Validación manual en Centaur Labs por radiólogos del Hospital Sant Joan d’Alacant
5. Creación de cuadros delimitadores (bounding boxes) para hallazgos positivos
6. Armonización y estandarización final de las anotaciones

El resultado: un dataset que prioriza lo que más escasea en IA médica aplicada: estructura clínica + contexto + verificación humana.

Un proyecto con liderazgo español en Microsoft Research

Detrás de MAIRA y esta línea de investigación está Javier Álvarez-Valle, director sénior de Imagen Biomédica en Microsoft Research, originario de Asturias y con una carrera centrada en aplicar tecnología a salud con impacto real.

Antes de liderar MAIRA, participó en Project InnerEye, iniciativa de código abierto desarrollada junto con Cambridge University Hospitals NHS Foundation Trust. De esa base tecnológica surgió OSAIRIS, el primer sistema de IA en la nube implantado en el NHS del Reino Unido para planificación de radioterapia.

Según el proyecto, esta innovación permitió ofrecer tratamientos aproximadamente 2,5 veces más rápido, reduciendo tiempos de espera en pacientes con cáncer.

Álvarez-Valle resume el enfoque del nuevo avance con una idea clara:

“La transparencia en la IA no se trata solo de velocidad, sino de confianza. Los hallazgos localizados convierten a la IA generativa en un copiloto en el que los clínicos pueden apoyarse”.

Además, el equipo colabora con profesionales de Mayo Clinic en el desarrollo de modelos fundacionales multimodales para radiografías de tórax y en estudios clínicos para evaluar cómo estas herramientas pueden mejorar procesos reales, especialmente gracias a la localización de hallazgos.

Radiología más rápida, pero sobre todo más segura

En el corto plazo, MAIRA-2 y PadChest-GR apuntan a algo muy concreto: hacer que la IA sea más útil para el clínico y menos opaca. La clave no es que “genere informes”, sino que lo haga con:

• Evidencia visual localizable
• Transparencia verificable
• Menos fricción en la validación médica

Porque cuando un sistema puede explicar sus resultados, la IA deja de ser un experimento y empieza a convertirse en una herramienta clínica real.

Y ese es, probablemente, el paso decisivo para que la Inteligencia Artificial en hospitales escale de verdad: no solo precisión, también confianza.