En los últimos años, la inteligencia artificial (IA) se presenta, a nuestro juicio, como una promesa transformadora para la radiología en África. En un continente donde, además, la escasez de radiólogos, la sobrecarga asistencial y las limitaciones presupuestarias son realidades cotidianas, los sistemas de apoyo diagnóstico automatizado parecen ofrecer, efectivamente, una solución casi inevitable. Sin duda, más precisión, menor tiempo de interpretación, mejor priorización de casos urgentes y reducción de costos. La historia, francamente, resulta convincente.
No obstante, hay una verdad incómoda que rara vez se discute en los foros de innovación con suficiente claridad: la mayoría de los modelos de IA no viajan bien.
En efecto, gran parte de los sistemas desarrollados en Europa, Asia o Norteamérica han sido entrenados con datos que, lamentablemente, no reflejan la diversidad clínica, genética y epidemiológica africana. Siempre hemos sostenido que aplicarlos sin adaptación local no es simplemente una cuestión técnica; a nuestro parecer, constituye un riesgo estructural. Es un hecho incontestable que cuando los datos de entrenamiento no representan a la población donde se implementa el sistema, el rendimiento cae. Y cuando el rendimiento cae en el ámbito de la Salud, las consecuencias no son solamente estadísticas, sino humanas.
Desde nuestro punto de vista, el problema central no es la ausencia de talento ni la falta de interés en innovar. Principalmente, es la escasez de datos locales bien curados, estandarizados y anotados, pues los repositorios africanos suelen estar fragmentados entre instituciones, con protocolos heterogéneos y con capacidades de almacenamiento variables. Este fraccionamiento dificulta, inevitablemente, la agregación y amplifica el riesgo de sesgos algorítmicos. En este contexto, importar soluciones “prête à l’emploi” sin adaptación contextual aumenta, sin duda, la probabilidad de bajo rendimiento clínico y abandono prematuro.
Por consiguiente, la discusión no debería centrarse únicamente en qué algoritmo es más sofisticado, sino en qué ecosistema lo sostiene. Los modelos de aprendizaje profundo requieren, indiscutiblemente, grandes volúmenes de imágenes anotadas para alcanzar niveles clínicamente aceptables de sensibilidad y especificidad. Sin datos representativos de la diversidad africana, cualquier herramienta será inherentemente frágil.
No obstante, esta escasez también puede convertirse, potencialmente, en una oportunidad estratégica. Incentivar la creación de bases de datos locales mediante desafíos temáticos, protocolos estrictos de calidad, anonimización rigurosa y aprobación ética institucional no solo fortalece la investigación; además, construye soberanía digital sanitaria.
A nuestro modo de ver, la pregunta ya no es si África puede usar IA —esa capacidad está demostrada— sino si puede permitirse depender exclusivamente de datos y modelos externos.
En este escenario, el aprendizaje federado surge, ciertamente, como una alternativa razonable. En lugar de centralizar datos —algo complejo desde el punto de vista regulatorio, ético y logístico—, el modelo se entrena de manera distribuida. Cada hospital conserva sus datos localmente y comparte únicamente actualizaciones del modelo. De esta manera, la privacidad del paciente se preserva mientras el sistema aprende de múltiples contextos clínicos.
La evidencia preliminar en entornos subsaharianos muestra que el entrenamiento federado puede superar, efectivamente, a modelos aislados en tareas como el diagnóstico de tuberculosis en radiografías de tórax. Lo más interesante, a nuestro parecer, es que incluso conjuntos de datos de calidad inconstante pueden contribuir al aprendizaje colectivo sin deteriorar necesariamente el rendimiento global. En regiones donde ningún centro posee grandes volúmenes de datos por sí solo, es cierto que la colaboración distribuida no es la opción más sofisticada, sino, más bien, una necesidad pragmática.
Por supuesto, el aprendizaje federado no es una panacea. Requiere conectividad estable, coordinación institucional, protección frente a posibles ataques de inversión de modelo y capacidades técnicas locales. Sin embargo, ofrece algo crucial: una arquitectura que pretende afrontar, claramente, las limitaciones estructurales del continente en lugar de ignorarlas.
Y aquí aparece, inevitablemente, otro punto crítico: la infraestructura.
Sin suministro eléctrico fiable, conectividad estable y acceso razonable a recursos computacionales, incluso el mejor diseño algorítmico se vuelve irrelevante. Por otro lado, la brecha no es solo tecnológica, sino también formativa. La escasez de profesionales capacitados en gestión de datos, anotación, validación y gobernanza de IA limita, evidentemente, la sostenibilidad de cualquier iniciativa. Están emergiendo programas de formación, pero la escala aún es insuficiente.
Se requiere, por lo tanto, invertir en centros de investigación en IA sanitaria, fomentar colaboraciones academia–industria y diseñar plataformas híbridas adaptadas al contexto local. Esto no es un lujo; a nuestro juicio, es la única vía para evitar la dependencia perpetua.
No obstante, el debate no puede quedarse en la técnica. La implementación de IA en imagen médica en África tiene lugar, claramente, en contextos donde la desigualdad sanitaria es ya profunda. Los marcos éticos deben apoyarse en principios clásicos —autonomía, beneficencia, no maleficencia y justicia—, pero aplicados con sensibilidad contextual. Un sistema que funcione bien en promedio, pero peor en subpoblaciones vulnerables, puede ampliar, efectivamente, las brechas existentes.
Además, la historia del desarrollo tecnológico en África ha estado marcada, lamentablemente, por dinámicas extractivas: datos que salen del continente, innovación que ocurre en otros lugares y soluciones que regresan como productos cerrados. La IA médica no puede repetir, necesariamente, ese patrón. Por consiguiente, las alianzas deben ser transparentes, equitativas y orientadas al fortalecimiento de capacidades locales. En este sentido, creemos que Canarias puede desempeñar un papel clave, aportando experiencia, colaboración académica y conexión estratégica entre contextos africanos y europeos.
La lección más importante que podemos extraer es que la IA en radiología no es un producto; es un sistema sociotécnico. Su éxito depende, esencialmente, de datos representativos, infraestructura funcional, formación especializada, regulación contextualizada y, desde luego, liderazgo institucional. Depende también de la confianza social. Sin confianza, está claro, no hay adopción sostenible.
África no necesita simplemente importar algoritmos. Necesita construir ecosistemas de IA diseñados para su realidad clínica, sus limitaciones estructurales y sus prioridades sanitarias. Esto implica, innegablemente, pasar de una lógica de consumo tecnológico a una de co-creación. Del mismo modo, consideramos que Canarias puede desempeñar un papel clave, contribuyendo activamente a la formación, la colaboración en investigación y el desarrollo de soluciones contextualizadas que generen un círculo virtuoso, beneficiando tanto a los sistemas africanos como a la comunidad científica canaria.
Por lo que hemos comentado hasta ahora, podemos deducir que la transformación no será inmediata ni lineal. En este sentido, requerirá inversión sostenida, marcos regulatorios claros y voluntad política. Pero precisamente porque el desafío es, a la vez, organizativo, ético y cultural —no solo técnico—, la oportunidad es, a nuestro juicio, mayor. Es indudable que construir IA desde el contexto puede generar soluciones más robustas, más justas y más sostenibles, en el medio y largo plazo.
Finalmente, la pregunta que nos hacemos no es si la IA transformará el ejercicio de la radiología africana. Es quién definirá, legítimamente, cómo lo hará.
Y esa respuesta debería construirse, indudablemente, en África, con apoyo estratégico de Canarias para que la solución sea sostenible y llegue a todos.
Artículo de los autores doctores Isidro Miguel Martín Pérez y Sebastián Eustaquio Martín Pérez