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

Taller Práctico de IA
en Radiología

Corre tu primer modelo de inteligencia artificial sobre imágenes médicas reales — sin programar, en tu propio computador

Los Cobos Medical Center, Bogotá Cupos presenciales limitados Incluido en la inscripción presencial al simposio
Visualización 3D de calcificaciones coronarias generada por DeepCAC2 — modelo MHub.ai
Imagen real generada por DeepCAC2, uno de los modelos de MHub.ai. Visualización 3D de calcificaciones coronarias en tomografía cardíaca — el tipo de análisis que se demostrará en vivo al inicio del taller.
Inscribirme al simposio → Ver programa completo →
Lo que te llevas

Al terminar el taller tendrás instalado y funcionando en tu propio computador:

Un modelo de IA que analiza estudios de imágenes de tu especialidad
Los mismos modelos que usan los investigadores del Mass General Brigham y Harvard.
Las imágenes de tus pacientes nunca salen de tu 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 usarás

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 vamos a procesar 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

Los 4 modelos disponibles

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
Segmentación de hígado y lesiones en TAC
  • Basado en nnU-Net — arquitectura de referencia en segmentación de imagen médica
  • Segmenta el parénquima hepático y lesiones focales
  • Output: máscara de segmentación NIFTI + volumen en cc
  • Aplicaciones: planificación quirúrgica, seguimiento de lesiones, estimación de volumen hepático
Segmentación de tumores cerebrales en RMN
  • Basado en nnU-Net — validado en BraTS Challenge (benchmark mundial)
  • Segmenta tumor completo, núcleo necrótico y zona de realce con contraste
  • Output: segmentación en 3 subregiones + volúmenes por región
  • Aplicaciones: seguimiento de gliomas, evaluación de respuesta a tratamiento
Segmentación de próstata en RMN multiparamétrica
  • Segmenta zona periférica y zona transicional por separado
  • Output: volúmenes por zona + geometría para planificación
  • Aplicaciones: planificación de biopsia guiada por imagen, estadificación local
Equipamiento

Qué necesitas traer

Equipos aceptados
Mac con macOS Ventura 13 o superior
PC con Windows 10 u 11 (64 bits)
Requisitos mínimos
8 GB de RAM (16 GB recomendado)
15 GB de disco libre
Tu cargador
Conexión WiFi (la del evento está disponible)
No necesitas nada de esto
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 taller

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

El taller es presencial.
Los cupos son limitados.

Incluido en la inscripción presencial al simposio. Los primeros inscritos reciben acceso gratuito al módulo 0 del curso academy.openrad.ai.

Inscribirme al simposio → Ver programa completo →
100 cupos presenciales Certificado U. El Bosque Almuerzo incluido

Tecnología y aval académico

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