> ## Content Index > Fetch the complete content index at: https://fomoera.com/llms.txt > Use this file to discover other available public pages before exploring further. # Alibaba abre RADAR: su IA para tomografías abdominales superó a 23 de 26 radiólogos - URL: https://fomoera.com/alibaba-radar-tomografias-abdominales/ - Published: 2026-09-20T10:30:49.000Z - Updated: 2026-09-20T10:30:49.000Z - Description: Alibaba publicó el código de RADAR, un modelo de visión-lenguaje para tomografías abdominales. El estudio en Science reporta un AUC de 0.913 en 146 hallazgos y mejoras cuando los radiólogos lo usan como asistente. - Author: Gerardo Pavez - Tags: Tecnología y Ciencia, IA Alibaba abrió el código de RADAR, un modelo de visión-lenguaje desarrollado por su academia DAMO para analizar tomografías computarizadas abdominales con contraste. El sistema fue evaluado en casi 40,000 exámenes y alcanzó un AUC medio de 0.913 en 146 hallazgos de 18 estructuras anatómicas, una cobertura que incluye enfermedades y signos de imagen relacionados con cáncer. En una prueba con 26 radiólogos, solo tres obtuvieron un AUC superior al del modelo sin asistencia, mientras que el apoyo de RADAR elevó la sensibilidad diagnóstica de los especialistas en 10.0% y redujo el tiempo de lectura por caso en 30.7%. El resultado es relevante como herramienta de apoyo, pero no demuestra que la IA pueda sustituir a un radiólogo ni que mejore por sí sola los resultados de los pacientes. ## La cifra de 146 se refiere a hallazgos, no a tipos de cáncer El trabajo, publicado el 17 de septiembre en [Science](https://www.science.org/doi/10.1126/science.aec6129?ref=fomoera.com), describe a RADAR como un modelo generalista para tomografías abdominales con contraste. Sus 146 objetivos son hallazgos clínicamente relevantes distribuidos en 18 estructuras anatómicas. La categoría incluye enfermedades y signos observables en las imágenes, por lo que no equivale a una lista de 146 cánceres distintos ni a una prueba independiente para cada tipo de tumor. El modelo obtuvo un AUC medio de 0.913 en casi 40,000 estudios. El AUC, o área bajo la curva ROC, mide qué tan bien un sistema separa casos positivos y negativos cuando cambia el umbral de decisión. No significa que RADAR haya acertado el 91.3% de los diagnósticos ni sustituye métricas clínicas como sensibilidad, especificidad, falsos positivos y falsos negativos. ## RADAR aprendió de tomografías y reportes radiológicos El sistema fue entrenado con más de 400,000 exámenes de tomografía abdominal con contraste y 15 millones de pares de imagen y texto orientados por anatomía. En lugar de depender de anotaciones manuales creadas para cada enfermedad, el método utiliza los reportes clínicos que ya acompañaban a los estudios. La idea es asociar regiones concretas de la imagen con las descripciones correspondientes del informe. Así, el modelo puede relacionar las características locales del hígado, el páncreas, los riñones y otras estructuras con los hallazgos descritos por el radiólogo, en vez de tratar toda la tomografía y todo el reporte como un único bloque de información. El [repositorio de GitHub](https://github.com/alibaba-damo-academy/damo-radar?ref=fomoera.com) incluye código para entrenamiento, inferencia y preprocesamiento, además de instrucciones para evaluar el sistema con el conjunto externo MERLIN. Los pesos preentrenados aparecen en la [ficha de RADAR en Hugging Face](https://huggingface.co/radar-generalist/RADAR?ref=fomoera.com). El código del repositorio está bajo Apache 2.0, mientras que los pesos figuran bajo CC BY-NC-SA 4.0\. La diferencia importa porque el lanzamiento no establece una única licencia comercial para todos los componentes ni equivale, por sí mismo, a autorización para uso clínico. ## La comparación con radiólogos apunta a la asistencia La prueba incluyó a 26 radiólogos de 14 instituciones, con participantes sénior y júnior de hospitales de distinto perfil. En la sesión sin asistencia, solo tres obtuvieron un AUC superior al de RADAR, de acuerdo con la explicación del estudio publicada por [ConnectSci](https://connectsci.au/news/news-parent/10121/AI-assistant-helps-radiologists-diagnose-abdominal?ref=fomoera.com). La cifra de “23 de 26” describe esa comparación específica de desempeño promedio. No significa que la IA haya reemplazado a 23 médicos, que haya ganado cada caso individual o que pueda emitir diagnósticos autónomos en cualquier tomografía. En una segunda sesión, realizada al menos un mes después y con los estudios presentados en orden aleatorio, los radiólogos trabajaron con la ayuda de RADAR. La sensibilidad diagnóstica general aumentó 10.0% y el tiempo promedio de lectura por caso cayó 30.7%. La especificidad bajó ligeramente, de 98.8% a 98.2%, una variación que muestra el intercambio entre encontrar más anomalías y generar más resultados positivos que después deben revisarse. El beneficio fue especialmente visible entre los radiólogos júnior, cuyo desempeño llegó a igualar o superar al de especialistas sénior en esa evaluación. Ese resultado respalda un papel de segunda lectura o apoyo durante la elaboración del informe, no la eliminación de la supervisión médica. ## El código abierto no cierra la validación clínica El estudio incluyó evaluaciones multicéntricas y distintos escenarios clínicos, pero los propios investigadores señalaron que todavía hacen falta estudios prospectivos en más regiones, equipos y poblaciones antes de una implementación clínica. La publicación de los pesos permite que otros grupos examinen el modelo y prueben su rendimiento con datos independientes, pero esa posibilidad no reemplaza la validación local ni demuestra que el sistema mejore los resultados de los pacientes en la práctica cotidiana. RADAR está diseñado para tomografías abdominales con contraste. La evidencia presentada no convierte automáticamente el modelo en una herramienta para resonancias, radiografías, otras partes del cuerpo o estudios con protocolos diferentes. Su aporte más concreto por ahora es combinar una cobertura amplia de hallazgos con un lanzamiento que permite inspeccionar y reproducir parte del trabajo. La noticia, por tanto, no es que Alibaba haya creado una máquina que reemplace a los radiólogos. Es que un modelo generalista para imagen médica alcanzó resultados competitivos en una evaluación amplia y quedó disponible para investigación, mientras la prueba de que pueda funcionar de forma segura y consistente en hospitales todavía depende de estudios posteriores. *Fuentes:* [1](https://www.science.org/doi/10.1126/science.aec6129?ref=fomoera.com), [2](https://github.com/alibaba-damo-academy/damo-radar?ref=fomoera.com), [3](https://connectsci.au/news/news-parent/10121/AI-assistant-helps-radiologists-diagnose-abdominal?ref=fomoera.com), [4](https://huggingface.co/radar-generalist/RADAR?ref=fomoera.com)