Taller Práctico Viernes 11 de septiembre de 2026 · 3:00 PM – 5:30 PM

Taller Práctico de IA
en Radiología

El taller permitió correr el primer modelo de inteligencia artificial sobre imágenes médicas reales — sin necesidad de programar, en el computador de cada asistente

Los Cobos Medical Center, Bogotá 100 asistentes presenciales Actividad incluida en la inscripción presencial al simposio
Reporte de calcio coronario (CAC) generado con IA durante el taller — IV Simposio de Imágenes Diagnósticas
✨ IV Simposio de Imágenes Diagnósticas — 11 de septiembre 2026
Evento finalizado
Post-evento

Gracias a nuestros conferencistas

El taller práctico fue posible gracias a la generosidad y el conocimiento de quienes lo lideraron.

LN
Cum Laude RSNA 2025
Leonard Nürnberg
Research Scholar · AIM Program · Harvard Medical School
Creador de mhub.ai
Gracias por viajar hasta Bogotá y demostrar en vivo que correr IA sobre imágenes médicas está al alcance de cualquier médico.
MA
Organizador
Dr. Miguel Angarita
Radiólogo · Los Cobos Medical Center
Fundador OpenRad.ai · @angaritarad
Gracias por liderar el taller y acompañar a cada asistente hasta ver su primer modelo funcionando.
Dr. Diego Jaramillo Hernández
Conferencista
Dr. Diego Jaramillo Hernández
Imagen Cardiaca · Los Cobos Medical Center
Especialista en Imagen Cardiaca Avanzada · EACVI nivel 3 CCT
Gracias por compartir tu experiencia y perspectiva clínica durante el simposio.
MM
Conferencista
Dra. Michela Moreno
Radióloga · Los Cobos Medical Center
Especialista en Imagen Corporal
Gracias por contribuir al evento con tu expertise en imagen corporal y enriquecer la discusión clínica del taller.
Próxima edición

Esperamos verte el próximo año

El IV Simposio fue un éxito. Te esperamos en 2027 para la próxima edición.

Descargas

Recursos del taller

Todo lo que se usó en la sesión, disponible para seguir practicando.

📁
Casos de nódulo pulmonar

Carpeta de Dropbox con los estudios usados en el taller

Descargar →
🔬
mhub.ai

La plataforma open-source del taller — corre más modelos

Explorar →
📚
Curso AngaritaRad-AI

Continúa lo aprendido en el taller

Acceder →
🏥
angaritarad.com

Agentes de IA para radiología

Visitar →
Lo que se logró

Los asistentes lograron instalar y dejar funcionando en sus propios computadores:

Un modelo de IA que analiza estudios de imágenes de su especialidad
Los mismos modelos que usan los investigadores del Mass General Brigham y Harvard.
Las imágenes de los pacientes nunca salen del computador
100% local. Sin subir datos a ningún servidor. Sin nube.
Sin suscripciones ni costos adicionales
mhub.ai es open-source y gratuito. Los modelos AIM de Harvard también.
30 días de acceso a la comunidad AngaritaRad
Soporte post-taller, modelos adicionales y configuraciones compartidas por otros médicos.
Instructor internacional

Tu instructor viene desde Harvard

LN
Leonard Nürnberg
Research Scholar — Artificial Intelligence in Medicine (AIM) Program
Mass General Brigham · Harvard Medical School
Boston, EE.UU. / Países Bajos
Cum Laude RSNA 2025 AIM Program · Harvard Creador de mhub.ai

Leonard Nürnberg es investigador del programa AIM (Artificial Intelligence in Medicine) del Mass General Brigham — Harvard Medical School, especializado en aplicaciones de deep learning en imagen cardiovascular e investigación oncológica. Es además doctor en el programa PhD de la Universidad de Maastricht (GROW School for Oncology), Países Bajos.

Es el creador de mhub.ai, plataforma open-source que empaqueta los mejores modelos de IA para imagen médica del mundo en un formato que cualquier médico puede instalar y correr — sin servidor, sin programar, sin costo.

En el RSNA 2025 (el mayor congreso mundial de radiología) su trabajo fue reconocido con el premio Cum Laude.

Ver perfil oficial en AIM · Harvard
La herramienta

mhub.ai

Creada en el AIM Program · Harvard Medical School

mhub.ai es una plataforma open-source que permite correr modelos de inteligencia artificial de vanguardia sobre imágenes médicas directamente en tu computador. Los modelos incluidos son los mismos que usan los investigadores del Mass General Brigham y Harvard — validados, publicados, y listos para usar en la práctica clínica.

mhub.ai
100% local
Tus imágenes nunca salen de tu equipo
Open-source
Sin licencias ni suscripciones
Modelos validados en Harvard / MGH
Investigación publicada, no demos de marketing
Compatible con Mac y Windows
No se requiere GPU dedicada
Stack

Herramientas que se utilizaron

Claude Desktop
Asistente conversacional de IA · Anthropic
Docker Desktop
Motor que corre los modelos de IA · localmente
Terminal / PowerShell
Mac: Terminal · Windows: PowerShell
mhub.ai
Plataforma de modelos de IA para imagen médica · AIM Harvard
Caso real

El caso que se procesó en vivo

LIDC-IDRI-0001 · Dataset público · National Cancer Institute

$ Analiza el TAC en mi carpeta Descargas ✓ Docker Desktop — Running ✓ Carpeta DICOM encontrada: LIDC-IDRI-0001/ (133 cortes) ✓ Modelo gc_grt123_lung_cancer — listo → Ejecutando análisis... ──────────────────────── ANÁLISIS IA — CT Tórax ──────────────────────── Probabilidad del caso: 88.1% ● RIESGO ALTO Nódulos detectados: 4 Nódulo #0 87.9% malignidad → SOSPECHOSO Coords: (56.0, 86.3, −112.0) mm Nódulo #1 0.7% malignidad → Benigno probable Nódulo #2 0.3% malignidad → Benigno probable Nódulo #3 0.4% malignidad → Benigno probable ⚠ Requiere validación por radiólogo certificado ──────────────────────── Reporte guardado en: ~/Desktop/AngaritaRad_20260911_143022/

Este es el resultado real del modelo gc_grt123_lung_cancer sobre el dataset LIDC-IDRI-0001 del National Cancer Institute. El mismo caso que todos los participantes van a procesar en el taller.

Modelos

El modelo utilizado

Detección de nódulos pulmonares · Probabilidad de malignidad por nódulo
  • Entrenado en LIDC-IDRI (>1.000 TAC anotados por 4 radiólogos cada uno)
  • Ganador del Data Science Bowl 2017 en Kaggle — grupo DIAG, Radboud UMC
  • AUC > 0.85 en validación externa independiente
  • Output: probabilidad de malignidad por nódulo + coordenadas 3D en mm
  • Optimizado para TAC de tórax sin contraste
  • Caso demo: LIDC-IDRI-0001 → 88.1% probabilidad de cáncer del caso
Equipamiento

Equipamiento utilizado

Equipos aceptados
Mac con macOS Ventura 13 o superior
PC con Windows 10 u 11 (64 bits)
Especificaciones técnicas
8 GB de RAM (16 GB recomendado)
15 GB de disco libre
Tu cargador
Conexión WiFi (la del evento está disponible)
Nada de esto fue necesario
Conocimientos de programación
GPU ni servidor
Cuenta en servicios de nube
100% guiado en vivo

Leonard Nürnberg guía cada paso desde cero. Si tu equipo cumple los requisitos mínimos, saldrás del taller con todo funcionando.

Verificar antes del evento: docker --version
Instructores

Instructores del evento

LN
Cum Laude RSNA 2025
Leonard Nürnberg
Research Scholar · AIM Program · Harvard Medical School
Creador de mhub.ai
Conferencia 10:50 AM · Taller 3:00 – 5:00 PM
MA
Speaker
Dr. Miguel Angarita
Radiólogo · Los Cobos Medical Center
Fundador OpenRad.ai · @angaritarad
Conferencia 8:40 AM · Taller 3:00 – 5:00 PM
Registro cerrado

Evento finalizado

El IV Simposio y su taller práctico se realizaron el 11 de septiembre de 2026 en Los Cobos Medical Center. Gracias a todos los asistentes.

Ver recursos del taller →

Tecnología y aval académico

MHub.ai — Plataforma de modelos de IA para imágenes médicas Universidad El Bosque — Aval académico