Cuando la IA se equivoca en mamografía, el radiólogo tiende a equivocarse con ella
La inteligencia artificial puede mejorar la eficiencia diagnóstica en mamografía, pero ese mismo apoyo puede llevar al radiólogo a buscar menos, ver menos y confiar más en lo que el sistema sugiere que en lo que sus propios ojos encuentran.
El fenómeno tiene nombre —sesgo de automatización— y aunque era reconocido como riesgo potencial del uso de IA en medicina, sus efectos concretos sobre el comportamiento visual del radiólogo no habían sido medidos con rigor.
Un estudio publicado en Radiology, la revista de la RSNA, lo hace por primera vez en el contexto del cribado de cáncer de mama.
Dos lecturas, seis semanas de distancia y una cámara para el ojo
El equipo del Dr. Adnan G. Taib, de la Universidad de Nottingham, diseñó un análisis retrospectivo en el que diez radiólogos especializados en mama leyeron el mismo conjunto de mamografías de dos vistas en dos sesiones separadas por seis semanas: una sin apoyo de IA y otra con las sugerencias de un sistema que, sobre el conjunto evaluado, generó 26 verdaderos positivos, 14 falsos negativos, 14 falsos positivos y 6 verdaderos negativos.
Cámaras de seguimiento ocular registraron los patrones de fijación visual de cada lector durante ambas sesiones, convirtiendo la mirada en datos objetivos y cuantificables.
La caída de sensibilidad más pronunciada ocurrió donde más importaba
El impacto del sesgo de automatización fue especialmente claro en los casos donde la IA erró con un falso negativo.
La sensibilidad de los radiólogos para detectar cáncer que el sistema había clasificado como normales cayó del 71% al 39% cuando leían con apoyo artificial: ante una sugerencia incorrecta de normalidad, los lectores pasaron por alto más de la mitad de los hallazgos que habrían identificado sin asistencia.
La especificidad para los casos con falsos positivos, en cambio, subió del 21% al 39%, lo que indica que la confianza en la señal de alarma del sistema también modificó el criterio diagnóstico de los lectores.
Una sensibilidad del 71% sin IA que cae al 39% con IA en casos de falso negativo: los radiólogos no compensaron el error del sistema, sino que lo amplificaron.
El ojo siguió a la IA en lugar de precederla
Los datos de seguimiento ocular revelan el mecanismo detrás de los números. Los radiólogos fijaron menos su mirada en estudios que el sistema catalogó como normales, aunque esos estudios contuvieran hallazgos posteriormente diagnosticados como malignos.
Las duraciones de fijación también fueron más cortas cuando la IA sugirió un falso positivo, en comparación con la lectura no asistida.
Los tiempos totales de lectura sí aumentaron con más sugerencias del sistema —de 25 segundos sin señales a 34 segundos con cuatro o más—, pero ese tiempo adicional no se destinó a explorar el estudio de forma autónoma: se gastó en procesar lo que la IA ya había indicado.
Más minutos leyendo, pero menos búsqueda visual propia. El tiempo que la IA agrega al flujo no es tiempo de revisión independiente: es tiempo de procesamiento de la sugerencia.
Lo que este hallazgo señala para la formación en imagen con IA
En un editorial que acompaña al estudio, Paola Clauser, de la Universidad Médica de Viena, señala que la evidencia disponible sugiere que los lectores menos experimentados son más propensos al sesgo de automatización, mientras que los más experimentados tienen mayor capacidad para identificar sugerencias incorrectas.
El estudio de Taib y sus colegas confirma ese gradiente y añade una dimensión conductual que va más allá de la interpretación: el problema no reside únicamente en aceptar una conclusión errónea del sistema, sino en que la presencia de esa conclusión modifica el patrón de búsqueda visual antes de que el radiólogo haya formado su propio criterio.
El equipo sugiere que los sistemas de IA deberían diseñarse y calibrarse para compensar ese efecto, en lugar de asumirlo como ineludible.
Para más detalles puede visitar Radiology.
0 comentarios