Las imágenes sintéticas ayudan a entrenar IA, pero no sustituyen a los datos reales

Una promesa útil, con una condición

Las imágenes sintéticas pueden ampliar conjuntos de entrenamiento cuando los datos clínicos son escasos o difíciles de compartir. Pero su valor no debe confundirse con una equivalencia automática respecto a datos reales.

El trabajo, publicado en JMIR AI el 15 de octubre de 2026, revisa 160 estudios sobre datos sintéticos en imagen médica. La combinación de imágenes sintéticas y reales tendió a ser más provechosa que sustituir completamente las segundas.

La señal en segmentación

En los estudios de segmentación que comparaban entrenamiento exclusivamente sintético con datos reales, la variación mediana del índice Dice —una medida de solapamiento entre la segmentación automatizada y una referencia— fue de −10,2%.

Los resultados fueron heterogéneos y los autores no realizaron un metaanálisis; la mediana debe leerse como un indicador descriptivo, no como una estimación universal del efecto.

Privacidad y validez no son lo mismo

La generación sintética puede apoyar la investigación y reducir algunas barreras para compartir datos. Sin embargo, cada conjunto debe evaluarse para detectar sesgos, pérdida de información clínicamente relevante y posibles riesgos de reidentificación. Que una imagen resulte visualmente plausible no demuestra su calidad.

Una agenda de implementación responsable

Los centros sanitarios pueden pedir documentación sobre el origen de los datos, el propósito del conjunto sintético, las pruebas de rendimiento por subgrupos y los límites de reutilización.

Participan autores vinculados a CatSalut y Fundació TIC Salut Social. No se atribuyen mejoras clínicas ni garantías de privacidad a las imágenes sintéticas.