Teachable Machine es una de las herramientas de inteligencia artificial que incorporaría sin dudar al ciclo de Técnico Superior en Imagen para el Diagnóstico y Medicina Nuclear. Es gratuita, no requiere programar y permite que el alumnado entrene su propio modelo de IA en una sola sesión de clase. Pero lo que de verdad me convence, como docente de FP formada en tecnología educativa, no es lo fácil que resulta, sino todo lo que el alumnado aprende cuando el modelo se equivoca.
En este artículo te explico qué es Teachable Machine, por qué es una buena herramienta para la FP sanitaria, cómo la implantaría a lo largo del curso y seis actividades concretas para radiología, resonancia magnética, TC y Proyecto Intermodular.
Teachable Machine (teachablemachine.withgoogle.com) es una aplicación web gratuita de Google para entrenar modelos de machine learning sin escribir código. Funciona desde el navegador y ofrece tres tipos de proyecto:
Imagen: clasifica fotografías o capturas de webcam en las categorías que tú defines.
Sonido: reconoce sonidos o palabras.
Postura (pose): detecta posiciones del cuerpo a través de la cámara.
El funcionamiento siempre es el mismo: creas clases, aportas ejemplos, entrenas el modelo y lo pruebas con ejemplos nuevos. Utiliza aprendizaje por transferencia sobre una red neuronal ya entrenada, así que con unas decenas de imágenes por clase se obtienen resultados en pocos minutos.
Por qué usar Teachable Machine en el ciclo de Imagen para el Diagnóstico
El alumnado de Imagen para el Diagnóstico va a trabajar rodeado de algoritmos: reconstrucción de imagen en TC, priorización de estudios urgentes, segmentación automática, detección de hallazgos. Necesita entender cómo aprende una máquina y por qué falla. Estas son las cinco razones por las que implementaría Teachable Machine en el aula.
1. Pone el objetivo de aprendizaje por delante de la tecnología (TPACK)
En tecnología educativa hay una regla básica: la herramienta va detrás del objetivo, nunca delante. Teachable Machine integra contenido técnico, metodología activa y una tecnología sencilla. Para entrenar un buen modelo hay que dominar la técnica radiológica: etiquetar es estudiar.
2. Transforma la tarea en lugar de sustituirla (modelo SAMR)
Su valor no está en hacer lo mismo que en papel, sino en redefinir la actividad: el alumnado deja de reconocer imágenes y pasa a enseñar a una máquina a reconocerlas. Eso exige analizar, justificar y anticipar errores.
3. Es accesible para todo el grupo (DUA)
Es gratuita, no pide cuenta ni conocimientos de programación. En grupos de FP heterogéneos, esto permite aplicar el Diseño Universal para el Aprendizaje: nadie se queda fuera por la tecnología.
4. Cuida la privacidad de los datos
El entrenamiento se realiza en el propio navegador y las imágenes no se envían a Google mientras se trabaja. Solo se suben datos si se guarda el proyecto en Google Drive o se publica el modelo con un enlace. En formación sanitaria, este punto es fundamental.
5. Convierte el error de la IA en contenido de aprendizaje
Cuando el modelo falla aparecen los temas que importan: sesgos, calidad de los datos, seguridad del paciente y supervisión humana. Es la puerta perfecta para trabajar el Reglamento Europeo de Inteligencia Artificial, que considera de alto riesgo muchos sistemas sanitarios, y el papel del técnico superior como profesional que valida.
Cómo implantar Teachable Machine en FP: plan en tres fases
No la introduciría de golpe, sino de forma progresiva a lo largo del curso:
Fase piloto (primer trimestre). Una sesión de exploración en Fundamentos físicos y equipos o en Anatomía por la imagen, con un conjunto de imágenes preparado por el docente.
Fase de integración (segundo trimestre). Actividades en los módulos técnicos (radiología simple, resonancia magnética, TC y ecografía) vinculadas a resultados de aprendizaje y evaluadas con rúbrica.
Fase de proyecto (tercer trimestre). Propuesta abierta para el Proyecto Intermodular, con la posibilidad de colaborar con alumnado de informática para integrar el modelo exportado en una web.
6 actividades con Teachable Machine para Imagen para el Diagnóstico
Ordenadas de menor a mayor complejidad, para adaptarlas al momento del curso y al nivel del grupo.
1. Clasificar modalidades de imagen médica
Módulos: Fundamentos físicos y equipos; Anatomía por la imagen. Nivel SAMR: aumento.
Cinco clases: radiología simple, TC, RM, ecografía y gammagrafía. Tras entrenar, el grupo analiza las confusiones: ¿qué características físicas de cada técnica explican su aspecto?
2. Reconocer proyecciones radiográficas
Módulos: Técnicas de radiología simple; Anatomía por la imagen. Nivel SAMR: modificación.
Tórax PA y lateral, mano PA y oblicua, rodilla AP y lateral. Para etiquetar hay que aplicar los criterios de calidad de cada proyección: rotación, superposición y centrado.
3. Distinguir secuencias de resonancia magnética: T1, T2 y FLAIR
Módulos: Técnicas de imagen por resonancia magnética. Nivel SAMR: modificación.
Antes de entrenar, cada grupo formula una hipótesis sobre qué tejido será hiperintenso en cada secuencia. Después comprueban si el modelo las distingue y, si falla, por qué.
4. Detectar artefactos en RM, TC y ecografía
Módulos: Técnicas de RM; Técnicas de TC y ecografía; Fundamentos físicos y equipos. Nivel SAMR: modificación.
Clases: sin artefacto, movimiento, metálico/susceptibilidad y aliasing. El producto final incluye una ficha por artefacto con su causa física y cómo corregirlo desde la consola.
5. Practicar el posicionamiento del paciente con el modelo de postura
Módulos: Técnicas de radiología simple; Atención al paciente. Nivel SAMR: redefinición.
Por parejas, con roles de “paciente” y “técnico”, entrenan la posición correcta para un tórax PA frente a los errores más frecuentes. Obliga a verbalizar criterios y a cuidar la comunicación con el paciente.
6. Laboratorio de sesgos en inteligencia artificial
Módulos: Proyecto Intermodular; Atención al paciente; IPE. Nivel SAMR: redefinición.
Un clasificador “tórax normal / neumonía” entrenado con un conjunto desequilibrado a propósito: el modelo acierta en las pruebas… por los motivos equivocados. Descubrirlo enseña más sobre sesgos que cualquier explicación teórica.
Sesión tipo de 50 minutos con Teachable Machine
Activación (5 min). “¿Cómo creéis que aprende una IA a reconocer una neumonía?”. Recogida de ideas previas.
Datos (10 min). Cada grupo recibe una carpeta de imágenes anonimizadas y organizadas por clases.
Crear el proyecto (5 min). Get Started → Image Project → Standard image model.
Entrenar (5 min). Train Model y revisión de la matriz de confusión en Under the hood.
Probar y “romper” el modelo (15 min). Imágenes nuevas, rotadas, de baja calidad o de otra región anatómica. Registro de fallos en una plantilla común.
Metacognición (10 min). ¿Qué he aprendido de la técnica? ¿Qué limita al modelo? ¿Lo usaría con un paciente real?
Buenas prácticas: protección de datos y uso ético
Ninguna imagen de paciente real identificable, tampoco del centro de prácticas. Solo bancos públicos con licencia para uso educativo (Kaggle, MedMNIST, The Cancer Imaging Archive), revisando las condiciones de cada uno.
Revisar los metadatos. Recortar nombres, fechas o números de historia de las capturas de visores.
Dejar claro que no es un producto sanitario. Son modelos didácticos que no orientan diagnósticos.
No publicar modelos con enlace salvo necesidad, porque se alojan en servidores de Google.
Evaluar el proceso, no la precisión del modelo. Rúbrica con justificación del etiquetado, análisis de errores, conexión con el módulo, reflexión ética y comunicación de resultados, más autoevaluación y coevaluación.
Limitaciones de Teachable Machine
Recomendar una herramienta también es saber dónde se queda corta. Teachable Machine trabaja con imágenes 2D en formatos comunes (no con DICOM ni con volúmenes), sus modelos son sencillos y depende de un servicio de Google. Nada de esto le resta valor en el aula: no sirve para hacer radiología, sino para entender la IA que el alumnado encontrará en la radiología.
Conclusión: una herramienta de IA con sentido pedagógico
Si das clase en Imagen para el Diagnóstico y quieres introducir la inteligencia artificial con sentido pedagógico, Teachable Machine es un buen punto de partida. Es gratuita, se aprende en una tarde y genera aprendizajes que van más allá de la tecnología: anatomía, física, técnica, pensamiento crítico y ética profesional en una misma actividad.
La tecnología educativa no consiste en llenar el aula de pantallas, sino en elegir la herramienta que pone a pensar al alumnado. Esta lo consigue.
¿Te animas a probarla? Cuéntamelo en @sanidadedtech.
Preguntas frecuentes sobre Teachable Machine en FP
¿Teachable Machine es gratuito? Sí. Es gratuito y funciona desde el navegador, sin instalar nada.
¿Hace falta saber programar para usar Teachable Machine? No. Todo se hace con clics. Solo hace falta programar si quieres integrar el modelo exportado en una aplicación.
¿Se pueden usar imágenes de pacientes en Teachable Machine? No es recomendable. Usa siempre imágenes anonimizadas de repositorios públicos con licencia para uso educativo.
¿Teachable Machine sirve para diagnosticar? No. Es una herramienta didáctica para entender el aprendizaje automático, no un producto sanitario.
¿En qué módulos de Imagen para el Diagnóstico encaja mejor? En los módulos técnicos (radiología simple, RM, TC y ecografía), en Fundamentos físicos y equipos y en el Proyecto Intermodular.
