Anatomical Accuracy of Generative AI for Congenital Heart Disease Illustrations: Gemini NanoBanana Versus ChatGPT Models in a Blinded Comparative Study

Un estudio comparativo ciego reveló que, aunque los sistemas de IA generativa producen ilustraciones visualmente atractivas de cardiopatías congénitas, carecen de precisión anatómica suficiente para fines educativos sin supervisión experta, siendo el modelo Gemini NanoBanana superior a las versiones de ChatGPT pero aún inferior a las imágenes modificadas por humanos.

Lo esencial

Aquí tienes una explicación sencilla y creativa de este estudio, imaginada como si fuera una historia para contar en una cafetería:

🎨 El Gran Concurso de Dibujos del Corazón: ¿Puede la IA pintar mejor que un experto?

Imagina que tienes que enseñar a un grupo de estudiantes cómo funciona un corazón humano, pero no solo un corazón normal, sino uno con problemas complejos (como si fuera un motor de coche con piezas rotas o conectadas al revés). Para hacerlo, necesitas dibujos perfectos.

Los autores de este estudio decidieron poner a prueba a los "nuevos artistas" de la inteligencia artificial (IA) contra los "artistas humanos" tradicionales.

🏆 Los Participantes

• Los Artistas Humanos: Dibujos creados por expertos médicos y luego modificados por ellos. Son como los planos arquitectónicos oficiales: precisos, pero a veces tardan en hacerse.
• Gemini NanoBanana (La IA de Google): Un artista nuevo y rápido que promete dibujar cualquier cosa al instante.
• ChatGPT-5 y ChatGPT-Images (La IA de OpenAI): Otros dos artistas muy populares que también prometen magia instantánea.

🎯 La Prueba: "El Reto de la Precisión"

Los investigadores pidieron a estas IAs que dibujaran 20 tipos diferentes de corazones con defectos (desde problemas simples hasta monstruosos y complejos). Les dijeron: "Dibuja esto para estudiantes de medicina, con etiquetas correctas dentro de la imagen".

Luego, tomaron 20 médicos (10 expertos en corazones y 10 médicos generales) y les mostraron todos los dibujos sin decirles quién los hizo. Les preguntaron cuatro cosas:

1. ¿El dibujo es anatómicamente correcto? (¿Están los tubos y válvulas en su sitio?)
2. ¿Las etiquetas (el texto) tienen sentido?
3. ¿Es bonito a la vista?
4. ¿Sirve para enseñar en clase tal cual está?

📉 Los Resultados: ¡La IA es bonita, pero miente!

Aquí es donde la historia se pone interesante. Los resultados fueron como un examen sorpresa donde la mayoría de la clase suspendió:

1. El "Efecto Belleza" (La trampa):
   Las imágenes de la IA, especialmente las de Gemini, eran muy bonitas. Parecían obras de arte modernas, coloridas y atractivas. Si solo miraras la portada de un libro, pensarías: "¡Qué genial!".

   • Analogía: Es como un pastel de cumpleaños decorado con flores de plástico. Se ve espectacular, pero si intentas comerlo, te das cuenta de que no es comestible.

2. El Desastre Anatómico (La realidad):
   Cuando los expertos miraron el interior del dibujo:

   • ChatGPT fue un desastre total. El 86% de sus dibujos estaban tan equivocados que eran como "alucinaciones". Dibujaban válvulas donde no existen, tubos conectados al revés o corazones con tres ventrículos. Era como si un niño de 5 años intentara dibujar un avión de guerra: se parece vagamente, pero no vuela.
   • Gemini fue mejor, pero aún así falló en casi la mitad de los casos.
   • Los Humanos ganaron por goleada. Sus dibujos eran los únicos que los expertos podían usar sin tener que corregirlos.

3. La Etiqueta Mentira:
   La IA no solo dibujaba mal, sino que escribía mal. Poner una etiqueta que dijera "Aorta" en un tubo que en realidad era la "Vena Cava" es como ponerle una etiqueta de "Manzanas" a una caja de zapatos. Confunde al estudiante y le enseña la anatomía incorrecta.

🧠 ¿Qué aprendimos de esto?

• La IA es un "Boceto", no el "Producto Final":
  Imagina que la IA es un asistente de dibujo muy rápido pero un poco distraído. Puede hacer un borrador en 10 segundos que se ve bien de lejos, pero si lo usas para enseñar medicina, el estudiante aprenderá la anatomía equivocada.

  • Conclusión: No puedes usar estas imágenes tal cual en un libro de texto. Tienes que tener a un experto humano revisándolas, borrando los errores y corrigiendo las etiquetas.

• Los Expertos ven lo que los demás no ven:
  Los médicos especialistas en corazones fueron mucho más críticos que los médicos generales. Los generales decían: "¡Qué bonito!", mientras que los expertos decían: "¡Oye, ese vaso sanguíneo está conectado al revés!".

  • Lección: Cuanto más sabes del tema, más fácil es detectar las mentiras bonitas de la IA.

• La Complejidad es el enemigo:
  Cuanto más complejo era el defecto del corazón (como un corazón con múltiples problemas), peor dibujaba la IA. En los casos simples, a veces acertaba, pero en los casos difíciles, alucinaba totalmente.

💡 El Mensaje Final para la Vida Real

Este estudio nos dice que la Inteligencia Artificial es una herramienta poderosa, pero peligrosa si no la vigilamos.

En medicina, no podemos permitirnos errores. Si un estudiante aprende la anatomía de un corazón con un dibujo de IA incorrecto, podría cometer un error grave en una cirugía real en el futuro.

La recomendación de los autores es clara:
Usa la IA para generar ideas rápidas o para hacer borradores, pero nunca la uses como la fuente final de verdad. Siempre necesitas a un "jefe de cocina" (el médico experto) que pruebe el plato antes de servirlo a los clientes.

En resumen: La IA puede pintar corazones que se ven increíbles, pero a menudo son corazones de mentira. Para enseñar medicina, necesitamos corazones reales, dibujados por manos humanas.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo de investigación original, traducido y estructurado en español según sus secciones clave.

Título del Estudio

Precisión Anatómica de la IA Generativa para Ilustraciones de Cardiopatías Congénitas: Estudio Ciego Comparativo entre Gemini NanoBanana y Modelos ChatGPT

---

1. Planteamiento del Problema

Las imágenes anatómicas son fundamentales en la educación médica, especialmente en cardiopatías congénitas (CC), donde la comprensión de las relaciones espaciales tridimensionales es crítica. Tradicionalmente, estas ilustraciones provienen de atlas, cadáveres o software 3D especializado, recursos que a menudo son costosos, limitados en disponibilidad o difíciles de personalizar.

La Inteligencia Artificial Generativa (IA Generativa) ha surgido como una herramienta prometedora para crear ilustraciones médicas a demanda. Sin embargo, existe una preocupación significativa sobre la fidelidad anatómica de estas imágenes. En dominios complejos como la cardiología, errores sutiles en la orientación de vasos o la estructura de las cámaras pueden enseñar anatomía incorrecta, llevando a los estudiantes a internalizar modelos mentales erróneos. Hasta la fecha, ha habido una falta de evidencia comparativa rigurosa sobre la precisión de los modelos de texto a imagen más avanzados (como ChatGPT-5, ChatGPT-Images y Gemini) en la generación de ilustraciones de CC, y si estos pueden cumplir con los estándares educativos.

2. Metodología

El estudio se diseñó como una evaluación comparativa ciega (los evaluadores no conocían la fuente de las imágenes) para analizar la precisión anatómica, la utilidad educativa y la calidad visual.

• Diseño de la Muestra:

  • Se incluyeron 20 tipos comunes de cardiopatías congénitas más el corazón humano normal (21 categorías en total).
  • Se generaron un total de 168 imágenes (8 imágenes por categoría).
  • Fuentes de Imágenes:
    1. ChatGPT-5: 3 imágenes por categoría.
    2. Gemini NanoBanana: 3 imágenes por categoría.
    3. ChatGPT-Images: 1 imagen por categoría (modelo lanzado en diciembre de 2025).
    4. Referencia Humana Modificada: 1 imagen por categoría, derivada de fuentes anatómicas de acceso abierto y procesada mediante una tercera IA para armonizar el estilo visual y mantener el cegamiento (sin revelar la fuente humana).
  • Prompt Estandarizado: "Dibuja una ilustración médica precisa de [CC/Corazón normal] diseñada para estudiantes de medicina, con etiquetas de texto claras y correctas dentro de la imagen para aclarar las estructuras anatómicas".

• Evaluadores:

  • Participaron 20 médicos divididos en dos grupos: 10 expertos en cardiopatías congénitas (cardiólogos pediátricos y consultores) y 10 profesionales de la salud no especialistas (medicina interna, enfermería, etc.).
  • Total de evaluaciones realizadas: 2,940 (168 imágenes × 20 evaluadores, aunque el texto menciona 3,360 en la sección de metodología, los resultados se basan en 2,940 evaluaciones válidas).

• Criterios de Evaluación:
  Las imágenes se calificaron en cuatro dominios (escala de 1 a 3 puntos cada uno, puntuación total de 4 a 12):

  1. Precisión Anatómica: (Precisa, Parcialmente correcta, Fabricada/Incorrecta).
  2. Utilidad de las Etiquetas: (Útil, Intermedia, Inútil/Incorrecta).
  3. Atractivo Visual: (Atractiva, Intermedia, No atractiva).
  4. Idoneidad para Educación Médica: (Usable tal cual, Usable tras modificación, No usable).

• Análisis Estadístico: Se utilizaron pruebas chi-cuadrado, Mann-Whitney U, Kruskal-Wallis y un modelo lineal generalizado mixto (GLM) para identificar predictores de calidad.

3. Contribuciones Clave

• Validación Empírica de Modelos Específicos: Es uno de los primeros estudios que compara directamente modelos de vanguardia (incluyendo versiones futuras simuladas como ChatGPT-5 y Gemini NanoBanana) en un dominio médico altamente especializado y de alto riesgo.
• Enfoque en la "Fidelidad Espacial": Más allá de la estética, el estudio prioriza la corrección estructural y la relación espacial de las estructuras cardíacas, un punto crítico a menudo ignorado en evaluaciones generales de IA.
• Análisis de Sesgo por Experiencia: Evalúa cómo la experiencia clínica (expertos vs. no expertos) influye en la detección de errores en la IA, revelando que los no expertos tienden a ser menos críticos.
• Marco de Trabajo para la Integración Educativa: Propone un flujo de trabajo donde la IA se utiliza como "borrador" sujeto a revisión experta, en lugar de un recurso educativo independiente.

4. Resultados

Precisión Anatómica y Calidad General

• Imágenes Humanas Modificadas: Lograron la mayor precisión anatómica (48.3% calificadas como precisas) y la mayor idoneidad educativa "tal cual" (37.9%).
• Gemini NanoBanana: Fue el mejor modelo de IA, con un 22.7% de imágenes precisas y un 13.1% de idoneidad educativa "tal cual". Su puntuación mediana de calidad general fue 8/12.
• ChatGPT-5 y ChatGPT-Images: Mostraron un rendimiento muy deficiente. La gran mayoría de sus imágenes fueron calificadas como fabricadas o incorrectas (86.3% para ChatGPT-5 y 85.2% para ChatGPT-Images). Solo un 2.8% y 3.3% respectivamente fueron consideradas precisas. Su puntuación mediana de calidad fue 4/12.

Utilidad de las Etiquetas

• Las etiquetas generadas por la IA fueron frecuentemente incorrectas o ambiguas.
• Las imágenes humanas tuvieron el 39.5% de etiquetas útiles.
• NanoBanana logró un 24.4% de etiquetas útiles.
• ChatGPT-5 y ChatGPT-Images tuvieron tasas de etiquetas "no útiles" del 86.5% y 80% respectivamente.

Atractivo Visual vs. Utilidad Educativa

• Paradoja Estética: Las imágenes de Gemini NanoBanana fueron las más valoradas en atractivo visual (34.6% calificadas como atractivas), superando incluso a las imágenes humanas modificadas (16.4%).
• Sin embargo, este alto atractivo no se tradujo en precisión. Esto indica un riesgo de "confianza excesiva" en imágenes visualmente persuasivas pero anatómicamente erróneas.

Análisis Multivariable

• La fuente de la imagen fue el predictor más fuerte de la calidad general.
• Comparado con las imágenes humanas (referencia), las imágenes de ChatGPT-5 mostraron una reducción del 43% en la calidad ajustada (RR = 0.57), mientras que NanoBanana mostró una reducción mucho menor del 6% (RR = 0.94), acercándose más al estándar humano pero sin igualarlo.
• Los expertos cardiológicos fueron significativamente más críticos que los no especialistas, asignando puntuaciones de calidad más bajas y detectando más errores, especialmente en anomalías complejas.

5. Significado y Conclusiones

El estudio concluye que, aunque la IA generativa puede producir imágenes visualmente convincentes, actualmente no es lo suficientemente precisa para su uso independiente en la educación sobre cardiopatías congénitas.

• Riesgo Educativo: El uso de estas imágenes sin supervisión experta puede reforzar conceptos erróneos debido a la combinación de alta fidelidad visual y baja precisión anatómica.
• Diferenciación de Modelos: Existe una brecha significativa entre modelos; Gemini NanoBanana superó claramente a los modelos basados en ChatGPT en este dominio, pero ninguno alcanzó el estándar de las ilustraciones curadas por humanos.
• Recomendación de Uso: La IA debe integrarse en flujos de trabajo supervisados por expertos. Su papel ideal es el de un "prototipo rápido" o una herramienta para generar variaciones visuales que luego deben ser revisadas, corregidas y validadas por cardiólogos y especialistas en ilustración médica antes de su uso educativo.
• Gobernanza: Se insta a las instituciones a establecer políticas claras que exijan revisión humana, transparencia sobre el origen de las imágenes y validación rigurosa antes de la integración curricular.

En resumen, la IA generativa es una herramienta prometedora pero limitada en la medicina de alta precisión; su valor reside en la asistencia al experto, no en la sustitución del juicio clínico y la precisión anatómica humana.