DAMO RADAR representa un nuevo enfoque para la inteligencia artificial aplicada al diagnóstico por imágenes. El modelo de Alibaba DAMO Academy puede analizar estructuras anatómicas abdominales y detectar múltiples enfermedades mediante un único sistema de IA.
La inteligencia artificial médica está avanzando desde modelos diseñados para identificar una sola enfermedad hacia sistemas capaces de analizar diferentes órganos y patologías dentro de un mismo estudio. Uno de los ejemplos más destacados es DAMO RADAR, un modelo de IA para imágenes médicas desarrollado por Alibaba DAMO Academy junto con instituciones médicas y de investigación.
Según la información del estudio, DAMO RADAR puede identificar 18 estructuras anatómicas y 146 enfermedades abdominales utilizando un único modelo. La investigación fue publicada en Science en septiembre de 2026.
DAMO RADAR en cifras: principales resultados
¿Por qué el abdomen es uno de los mayores retos para la IA médica?
La interpretación de imágenes abdominales mediante tomografía computarizada es especialmente compleja porque una sola exploración puede incluir numerosos órganos y sistemas. El hígado, la vesícula biliar, el páncreas, el bazo, los riñones, el aparato digestivo y otras estructuras aparecen dentro de un mismo estudio.
Además, muchas estructuras están compuestas principalmente por tejidos blandos con densidades relativamente similares. Esto obliga al radiólogo a prestar atención a diferencias sutiles para encontrar lesiones o alteraciones.
El problema se vuelve todavía más complejo cuando un paciente presenta diferentes lesiones simultáneamente. En ese escenario, una tecnología capaz de analizar varios órganos dentro de un mismo modelo puede tener ventajas frente a sistemas diseñados exclusivamente para una enfermedad.
De los modelos especializados a una IA médica generalista
Tradicionalmente, buena parte de la inteligencia artificial aplicada a las imágenes médicas se ha desarrollado mediante aprendizaje supervisado. Este enfoque requiere que especialistas etiqueten las imágenes para entrenar modelos destinados a determinadas enfermedades.
El problema es la escala. Existen miles de enfermedades y cada modelo especializado requiere datos, anotaciones médicas, validación y recursos computacionales. De acuerdo con la investigación, desarrollar un modelo específico puede requerir entre dos y tres años.
DAMO RADAR plantea una estrategia diferente: utilizar la relación natural entre las imágenes de tomografía y los informes médicos generados durante la atención clínica.
¿Cómo funciona DAMO RADAR?
El modelo utiliza un enfoque basado en aprendizaje contrastivo visión-lenguaje. En lugar de depender exclusivamente de anotaciones realizadas manualmente por médicos sobre cada imagen, aprende de la relación entre las imágenes de tomografía computarizada y los textos de los informes radiológicos.
Sin embargo, analizar una tomografía abdominal completa como una única imagen no era suficiente. Una exploración puede contener cientos de cortes y una lesión puede ocupar una zona muy pequeña. La información relevante podría quedar diluida entre grandes cantidades de tejido normal.
Para solucionar este problema, los investigadores desarrollaron un sistema de alineación detallada a nivel de órgano.
Localización
La IA identifica los diferentes órganos presentes en la imagen abdominal.
Descomposición
El estudio completo se divide conceptualmente en unidades correspondientes a diferentes órganos.
Alineación
Cada unidad anatómica se relaciona con las descripciones correspondientes del informe médico.
Interpretación
El sistema aprende representaciones que permiten relacionar imágenes y hallazgos clínicos.
El papel del aprendizaje contrastivo adaptativo
Otra innovación descrita en la investigación es el uso de un modelo contrastivo adaptativo. En los sistemas contrastivos convencionales, las características de diferentes pacientes pueden tratarse como representaciones separadas.
En medicina, esa estrategia no siempre refleja la realidad clínica. Por ejemplo, dos pacientes diferentes pueden presentar hígados sanos y, por tanto, compartir características relevantes. De la misma manera, diferentes pacientes con una misma enfermedad pueden presentar patrones de imagen relacionados.
DAMO RADAR ajusta dinámicamente las relaciones entre las muestras utilizando conocimiento médico, con el objetivo de obtener representaciones más relevantes desde el punto de vista clínico.
¿Qué resultados obtuvo DAMO RADAR en las pruebas?
El modelo fue evaluado en diferentes escenarios, incluyendo una cohorte interna, varios centros médicos externos, tomografías procedentes de emergencias y casos en los que se utilizaron resultados patológicos como referencia.
| Tipo de validación | Muestra | AUC |
|---|---|---|
| Cohorte interna consecutiva | Casi 39.000 casos | 0,913 |
| 8 centros médicos externos | Más de 24.000 casos | 0,874–0,912 |
| Tomografías de emergencia | 27.000 casos | 0,904 |
| Cuatro tipos de cáncer con referencia patológica | Casos con estándar patológico | 0,891–0,984 |
El AUC (área bajo la curva ROC) es una métrica utilizada para evaluar la capacidad de un modelo de distinguir entre diferentes categorías. Un valor de 0,5 equivale aproximadamente al rendimiento de una clasificación aleatoria, mientras que un valor de 1 representa una discriminación perfecta.
Un resultado importante: rendimiento en tomografías de emergencia
Uno de los resultados destacados corresponde a las imágenes procedentes de servicios de emergencia. Estos estudios pueden presentar condiciones diferentes a las de exploraciones realizadas en circunstancias controladas.
En emergencias, las limitaciones de tiempo pueden afectar el uso de contraste y la cooperación del paciente puede ser menor. A pesar de que los datos de emergencia no formaron parte de los objetivos de entrenamiento descritos, DAMO RADAR obtuvo un AUC de 0,904 en 27.000 casos.
El resultado sugiere una capacidad de generalización del modelo en un escenario clínico diferente al utilizado directamente durante su entrenamiento, según los resultados presentados en la investigación.
DAMO RADAR y la detección de cuatro tipos de cáncer
Los investigadores también evaluaron el sistema utilizando cuatro tipos de cáncer: cáncer de hígado, cáncer de páncreas, cáncer gástrico y cáncer colorrectal.
En esta evaluación se utilizó un estándar de referencia especialmente exigente: resultados obtenidos mediante biopsia patológica.
Los valores de AUC registrados para estos cuatro tipos de cáncer estuvieron entre 0,891 y 0,984, de acuerdo con los resultados descritos en el estudio.
DAMO RADAR frente a radiólogos: ¿qué mostró la comparación?
Una parte especialmente relevante de la investigación fue la comparación entre el modelo de inteligencia artificial y especialistas humanos.
En las pruebas participaron 26 radiólogos procedentes de 14 hospitales. Los especialistas analizaron los mismos casos utilizados para evaluar el modelo.
Según los resultados publicados, DAMO RADAR obtuvo un rendimiento superior al de 23 de los 26 radiólogos participantes y quedó ligeramente por debajo de tres radiólogos senior.
Los experimentos de colaboración humano-IA mostraron además que la asistencia del sistema aumentó aproximadamente un 10 % la sensibilidad diagnóstica de los médicos y redujo en más de 30 % el tiempo promedio de lectura.
La combinación de un médico junior con asistencia de IA llegó incluso a superar la sensibilidad de los radiólogos senior trabajando de manera independiente.
¿DAMO RADAR podría reemplazar a los radiólogos?
Los resultados no significan que la inteligencia artificial vaya a eliminar el papel de los especialistas en radiología. El enfoque descrito para DAMO RADAR es el de una herramienta de asistencia y apoyo educativo.
La interpretación médica requiere contexto clínico, experiencia, razonamiento y responsabilidad profesional. Por ello, el potencial identificado por los investigadores está relacionado con ayudar a los médicos a encontrar lesiones, reducir omisiones y acelerar la lectura de estudios.
Un modelo de inteligencia artificial para imágenes médicas no debe interpretarse como sustituto automático de una evaluación médica profesional. Los resultados de una IA deben integrarse dentro del proceso clínico correspondiente y ser interpretados por profesionales capacitados.
La IA como herramienta para formar a nuevos radiólogos
La incorporación de inteligencia artificial también plantea un desafío: la dependencia excesiva de los médicos en formación.
Si un profesional junior utiliza permanentemente la respuesta de una IA antes de desarrollar su propio razonamiento diagnóstico, podría reducirse la oportunidad de aprender a interpretar las imágenes de manera independiente.
Por ese motivo, una de las propuestas descritas por el equipo consiste en utilizar DAMO RADAR como una especie de herramienta de enseñanza individual.
El médico en formación podría elaborar primero su propio informe y, posteriormente, utilizar la IA para comprobar qué lesiones pudo haber pasado por alto o qué interpretaciones necesitan revisión.
Este enfoque convertiría cada estudio en una oportunidad de aprendizaje, permitiendo comparar el razonamiento humano con una segunda referencia generada por inteligencia artificial.
¿Por qué la publicación de DAMO RADAR en Science es importante?
La investigación tiene una importancia que va más allá del propio modelo. El trabajo plantea que los sistemas de inteligencia artificial médica generalistas pueden ser estudiados como una cuestión científica y no únicamente como herramientas de ingeniería.
Durante años, gran parte de la investigación en imágenes médicas se centró en desarrollar modelos especializados para enfermedades concretas. DAMO RADAR representa una transición hacia sistemas que pueden abordar múltiples estructuras y enfermedades dentro de una misma arquitectura.
Esta evolución podría ser especialmente importante en medicina porque los errores tienen consecuencias potencialmente graves y la precisión requerida es extremadamente alta.
¿Puede mejorar DAMO RADAR con más datos?
Los resultados de escalabilidad presentados en el estudio muestran que el rendimiento del modelo continúa aumentando a medida que crece el volumen de datos utilizado, sin observarse una saturación clara en la curva analizada.
Esto apunta a que el enfoque podría tener margen para continuar mejorando mediante conjuntos de datos más grandes y diversos.
Además, el enfoque de alineación a nivel de órgano podría tener potencial para trasladarse a otras modalidades de imágenes médicas. La investigación menciona como posibles áreas futuras tecnologías como MRI, PET y ecografía, siempre que exista suficiente información para entrenar y adaptar los sistemas.
DAMO RADAR: modelo, código y marco técnico de código abierto
Uno de los aspectos destacados del proyecto es que el equipo de investigación abrió el modelo, el código y el marco técnico utilizados en el desarrollo.
Esto permite que otros equipos puedan estudiar la arquitectura, reproducir los experimentos, realizar mejoras o explorar adaptaciones para diferentes contextos de investigación.
La disponibilidad abierta también puede facilitar que la comunidad científica investigue cómo trasladar el enfoque generalista a otras modalidades de diagnóstico por imágenes.
Conclusión: una nueva etapa para la inteligencia artificial médica
DAMO RADAR muestra cómo la inteligencia artificial aplicada a la radiología puede evolucionar desde modelos diseñados para una enfermedad específica hacia sistemas capaces de analizar múltiples órganos y patologías con una sola arquitectura.
Sus resultados incluyen un AUC de 0,913 en una cohorte interna de casi 39.000 casos, valores de entre 0,874 y 0,912 en ocho centros externos y un AUC de 0,904 en 27.000 casos de tomografía de emergencia.
Más allá de las cifras, el principal cambio conceptual está en la posibilidad de utilizar la IA como una herramienta que acompaña al radiólogo: puede ayudar a detectar lesiones, reducir el tiempo de lectura y servir como instrumento de formación para profesionales en etapas iniciales de su carrera.
El desarrollo también apunta hacia un futuro en el que los modelos médicos generalistas puedan extenderse a diferentes órganos, enfermedades y modalidades de imagen, aunque su utilidad clínica concreta dependerá de la validación correspondiente y de su integración responsable en los sistemas sanitarios.
Preguntas frecuentes sobre DAMO RADAR
DAMO RADAR es un modelo de inteligencia artificial para imágenes médicas desarrollado por Alibaba DAMO Academy y colaboradores. Está diseñado para analizar imágenes abdominales y reconocer múltiples estructuras anatómicas y enfermedades mediante un único modelo.
El estudio señala que el modelo puede identificar 146 enfermedades abdominales y analizar 18 estructuras anatómicas.
En la cohorte interna de casi 39.000 casos obtuvo un AUC de 0,913. En ocho centros médicos externos, los valores estuvieron entre 0,874 y 0,912.
El enfoque descrito en la investigación es utilizar la IA como herramienta de apoyo y enseñanza para los médicos, no como sustituto automático del radiólogo.
La investigación evaluó cuatro tipos de cáncer: hígado, páncreas, estómago y colorrectal. Los valores de AUC estuvieron entre 0,891 y 0,984.
Según la información proporcionada, el equipo de investigación abrió el modelo, el código y el marco técnico para permitir su reproducción, estudio y adaptación.