Desarrollador crea analizador de resonancia magnética de la columna con Python y Gemini

Diez horas diarias frente a la pantalla, dolor crónico en la región lumbar y otra cita con el neurólogo— una historia familiar para cientos de miles de desarrolladores en todo el mundo. Pero uno de ellos decidió no simplemente aguantar, sino escribir su propia herramienta para analizar imágenes de resonancia magnética de la columna vertebral. Así nació Spine Advisor, una aplicación de escritorio en Python que decodifica imágenes médicas en cuestión de segundos utilizando el modelo multimodal Gemini 3 Flash.

La historia del proyecto, publicada en Habr, comienza de manera banal y reconocible. El autor es un programador en ejercicio que ha ignorado las señales de su propio cuerpo durante años. Cuando los ocasionales "dolores punzantes" se convirtieron en una incomodidad constante, las visitas al médico se volvieron regulares, y junto con ellas, se acumuló un montón de imágenes de resonancia magnética. Cada vez el especialista gastaba tiempo comparando resultados, explicando la dinámica e interpretando conclusiones. El desarrollador se planteó una pregunta lógica: ¿sería posible descargar al menos parte de esta rutina en un modelo de lenguaje?

Resultó que era posible. Spine Advisor funciona como un diario digital de la columna con un asistente de IA incorporado. El usuario carga imágenes de resonancia magnética y el modelo multimodal Gemini 3 Flash analiza las imágenes, destacando patrones clave— protrusiones, hernias, cambios en los discos intervertebrales. La aplicación permite comparar resultados a lo largo del tiempo, monitoreando el progreso del tratamiento de una visita a otra. Esencialmente, es un rastreador médico personal que habla en un lenguaje comprensible para el paciente, en lugar de dejarlo solo con la terminología impenetrable de los informes radiológicos.

La elección técnica del autor merece especial atención. Gemini 3 Flash es un modelo multimodal relativamente nuevo de Google que funciona bien en el análisis de imágenes, manteniendo una alta velocidad y costos razonables de API. Para una aplicación de escritorio dirigida a usuarios comunes, este es un compromiso razonable entre la calidad de la interpretación y el costo. La elección de Python como lenguaje principal también no es accidental: un rico ecosistema de bibliotecas para trabajar con imágenes médicas, desde pydicom hasta nibabel, lo hace el estándar de facto en ML médico.

Sin embargo, el proyecto plantea preguntas que van mucho más allá de una sola aplicación. Estamos siendo testigos de la formación de una nueva clase de herramientas médicas— creadas no por corporaciones con presupuestos multimillonarios para certificación, sino por los propios pacientes para resolver sus propios problemas. Esto es simultáneamente inspirador y preocupante.

Por un lado, los modelos multimodales realmente han alcanzado un nivel en el que son capaces de extraer información significativa de imágenes médicas. La investigación de los últimos dos años muestra que los grandes modelos de lenguaje en varias tareas radiológicas se acercan a la precisión de médicos internos. Por otro lado, ninguno de estos modelos es un dispositivo médico certificado, y sus interpretaciones no deben reemplazar el diagnóstico profesional.

Para su crédito, el autor posiciona Spine Advisor precisamente como una herramienta auxiliar, no como un reemplazo para el médico. La aplicación ayuda al paciente a prepararse para una visita, formular preguntas y rastrear cambios— pero la última palabra sigue siendo del especialista. Esta es una salvedad importante que los entusiastas de la IA médica a menudo olvidan. Los reguladores de todo el mundo, desde la FDA hasta Roszdravnadzor, aún no han desarrollado un enfoque unificado para tales herramientas "para pacientes", y el estatus legal de aplicaciones similares sigue siendo una zona gris.

Sin embargo, la tendencia es clara. A medida que los modelos multimodales se vuelven más baratos y accesibles, y las APIs de los principales proveedores simplifican la integración, la barrera de entrada para crear asistentes médicos con IA está cayendo rápidamente. Hoy un desarrollador arma un analizador de resonancia magnética en una semana. Mañana, herramientas similares podrían convertirse en un complemento estándar de los historiales médicos electrónicos. La cuestión es solo si los marcos regulatorios se mantendrán al ritmo de la tecnología— o si los pacientes armados con Python y claves de API se encontrarán nuevamente un paso adelante del sistema de salud.