Aplicaciones de la inteligencia artificial en la detección temprana de lesiones pulmonares mediante tomografía computarizada de tórax
Autor principal: Isaías José Núñez Pérez
Vol. XX; nº 14; 835
Applications of artificial intelligence in the early detection of lung lesions using chest computed tomography
Fecha de recepción: 22 de junio de 2025
Fecha de aceptación: 20 de julio de 2025
Incluido en Revista Electrónica de PortalesMedicos.com, Volumen XX. Número 14 – Segunda quincena de Julio de 2025 – Página inicial: Vol. XX; nº 14; 835
Autores:
Isaías José Núñez Pérez, Médico general, investigador Independiente. Heredia, Costa Rica. Orcid: https://orcid.org/0009-0004-0157-6711. Código Médico: 18051
Vanessa Sánchez Rivera, Médico general, investigadora Independiente. Heredia, Costa Rica. Orcid: https://orcid.org/0000-0001-5725-4528. Código Médico: 18100
Resumen
En última instancia, la inteligencia artificial ha transformado radicalmente el dominio de las imágenes médicas, particularmente en la evaluación de las tomografías computarizadas del tórax, al ofrecer instrumentos sofisticados para la detección, el diagnóstico y el seguimiento de diversas afecciones pulmonares. Los fundamentos tecnológicos, incluidos el aprendizaje automático y el aprendizaje profundo, han facilitado la creación de redes neuronales convolucionales diseñadas específicamente para el análisis de imágenes. Estas redes tienen la capacidad de discernir patrones complejos y mejorar la precisión del diagnóstico, lo que en ocasiones supera el rendimiento interpretativo de los radiólogos.
En entornos clínicos, estas tecnologías han demostrado una eficacia considerable en la identificación de lesiones pulmonares, especialmente aquellas que son difíciles de detectar, como las opacidades vidriadas, que aumentan la sensibilidad diagnóstica en más de un veinte por ciento. Además, los sistemas de inteligencia artificial son capaces de evaluar la probabilidad de malignidad de una lesión, lo que promueve una toma de decisiones clínicas más precisa y oportuna.
La integración de estos algoritmos en las instituciones sanitarias ha simplificado los flujos de trabajo operativos, reduciendo la duración de los análisis y priorizando los casos que requieren una intervención inmediata. Sin embargo, siguen existiendo obstáculos importantes, como la alta incidencia de falsos positivos, la variabilidad en la calidad de las imágenes, los sesgos presentes en los conjuntos de datos de capacitación y la limitada capacidad interpretativa de ciertos modelos, que pueden impedir su amplia integración clínica.
Palabras clave
Detección temprana, tomografía computarizada, nódulos pulmonares, redes neuronales, aprendizaje profundo, sensibilidad diagnóstica.
Abstract
Artificial intelligence has revolutionized the field of medical imaging, especially in the analysis of chest CT scans, by providing advanced tools for the detection, diagnosis, and monitoring of various lung diseases. Technological foundations such as machine learning and deep learning have enabled the development of convolutional neural networks specifically designed for image processing. These networks are capable of identifying complex patterns and improving diagnostic accuracy, in some cases surpassing the performance of radiologists.
In clinical practice, these technologies have proven highly useful for identifying lung lesions, particularly difficult-to-detect nodules such as ground-glass nodules, increasing diagnostic sensitivity by more than 20 percent. Furthermore, artificial intelligence systems can estimate the probability that a lesion is malignant, facilitating more accurate and timely decision-making.
The implementation of these algorithms in hospital systems has optimized workflow by reducing analysis time and prioritizing cases requiring urgent care. However, significant challenges remain, such as the high frequency of false positives, variability in image quality, biases in training data, and the limited explanatory power of some models, which may hinder their widespread clinical adoption.
Keywords
Early detection, computed tomography, pulmonary nodules, neural networks, deep learning, diagnostic sensitivity.
Introducción
La detección temprana de las lesiones pulmonares constituye un componente esencial en el manejo clínico de enfermedades respiratorias de alta prevalencia, como el cáncer de pulmón y la tuberculosis. Identificar estas lesiones en fases incipientes posibilita la intervención médica oportuna, lo cual repercute directamente en la disminución de la mortalidad y en la mejora del pronóstico general del paciente. Además, la detección precoz permite optimizar los recursos sanitarios, al reducir la necesidad de tratamientos más agresivos y costosos en estadios avanzados1,2.
No obstante, uno de los grandes obstáculos que persiste en el diagnóstico por imagen es la dependencia del juicio subjetivo del observador humano. La interpretación de tomografías computarizadas de tórax puede variar considerablemente entre distintos profesionales, lo que incrementa el riesgo de errores diagnósticos, especialmente en la identificación de lesiones de pequeño tamaño. Esta subjetividad conlleva una elevada incidencia de falsos positivos, que a su vez genera procedimientos diagnósticos y terapéuticos innecesarios, exponiendo al paciente a riesgos adicionales y elevando los costos del sistema sanitario2. Por ejemplo, en programas de cribado con tomografía computarizada de baja dosis, utilizados ampliamente para detectar cáncer pulmonar en poblaciones de riesgo, las tasas de falsos positivos continúan siendo preocupantemente altas1.
En este contexto, la inteligencia artificial (IA) ha emergido como una herramienta tecnológica disruptiva con la capacidad de superar muchas de estas limitaciones. Los sistemas de IA, particularmente aquellos basados en algoritmos de aprendizaje profundo, son capaces de emular procesos cognitivos humanos para analizar y clasificar patrones complejos en imágenes médicas. Esta capacidad permite no solo reducir la carga de trabajo del radiólogo, sino también mejorar la precisión diagnóstica, incluso en casos que desafían la sensibilidad humana. De hecho, algunos modelos de IA han demostrado un desempeño comparable al de expertos en la detección de enfermedades pulmonares, como la tuberculosis, y han potenciado significativamente la precisión en el diagnóstico temprano de cáncer pulmonar3,4.
Asimismo, el uso de estas herramientas no se restringe exclusivamente a radiólogos experimentados. Se ha observado que su implementación puede elevar el rendimiento diagnóstico de médicos no especializados en imagenología, al mejorar la sensibilidad y disminuir la tasa de derivaciones erróneas en entornos clínicos más generales5.
El objetivo de este trabajo es analizar la utilidad de la IA en la detección precoz de lesiones pulmonares mediante tomografía computarizada de tórax, evaluando su capacidad para mejorar la precisión diagnóstica, reducir la variabilidad subjetiva de la interpretación humana y disminuir las tasas de falsos positivos, con el fin de optimizar el abordaje clínico de enfermedades respiratorias como el cáncer de pulmón y la tuberculosis.
Metodología
Para avanzar en esta investigación sobre la eficacia de la IA en la identificación preliminar de lesiones pulmonares mediante tomografía computarizada de tórax, se realizó una revisión exhaustiva de la literatura existente con el objetivo de analizar las aplicaciones actuales de los algoritmos de IA en el análisis de imágenes pulmonares, así como evaluar su precisión diagnóstica, capacidades de detección temprana y posible impacto en la práctica clínica. Esta revisión abarcó elementos críticos, incluida la eficacia de los marcos de aprendizaje profundo, la distinción entre lesiones benignas y malignas, las tasas de falsos positivos y negativos y la incorporación de dichas tecnologías en entornos clínicos auténticos.
Para garantizar la integridad y pertinencia de la información seleccionada, se consultaron prestigiosas bases de datos científicas, como PubMed, Scopus y Web ofScience, debido a su reputación y a su amplia cobertura en los campos de la medicina, la radiología y la IA aplicada. Se delinearon parámetros rigurosos de inclusión y exclusión. Se incluyeron los estudios publicados entre 2020 y 2025, en inglés o español, que examinaron el papel de la IA en la tomografía computarizada de tórax para identificar lesiones pulmonares como nódulos, neoplasias malignas o tuberculosis. Se excluyeron sistemáticamente las investigaciones que arrojaron resultados no concluyentes, publicaciones duplicadas o que no fueron revisadas por pares. La búsqueda empleó palabras clave específicas, tales como:
Detección temprana, tomografía computarizada, nódulos pulmonares, redes neuronales, aprendizaje profundo, sensibilidad diagnóstica.
La búsqueda preliminar arrojó 24 fuentes pertinentes, que incluían artículos de investigación originales, revisiones sistemáticas, análisis comparativos y documentos técnicos de organizaciones internacionales centrados en la salud digital y el diagnóstico por imágenes. Se llevó a cabo una evaluación crítica de estas fuentes para extraer datos sobre la precisión de los modelos, las métricas de validación empleadas, su desempeño en relación con los radiólogos humanos y las ramificaciones clínicas observadas en escenarios prácticos.
El análisis se llevó a cabo utilizando metodologías cualitativas y comparativas. Los resultados se sintetizaron y clasificaron temáticamente, lo que facilitó la identificación de las ventajas, limitaciones y desafíos asociados con la implementación de la IA en el diagnóstico precoz mediante tomografía computarizada. Este enfoque metodológico ofrece una perspectiva estructurada del conjunto actual de conocimientos, subrayando tanto el potencial transformador de estas tecnologías como las consideraciones éticas, técnicas y clínicas necesarias para su integración efectiva.
Fundamentos de la IA en imagenología médica
La IA se ha convertido en un instrumento revolucionario en el ámbito del diagnóstico por imágenes, particularmente en la evaluación de las tomografías computarizadas de tórax. En este ámbito, es imprescindible comprender las definiciones y clasificaciones de la IA utilizada en las imágenes médicas. Un elemento fundamental es el aprendizaje automático, un subconjunto de la IA dedicado al desarrollo de algoritmos que permiten a las computadoras aprender de conjuntos de datos extensos y generar predicciones o clasificaciones basadas en patrones previamente reconocidos6. De esta metodología surge el aprendizaje profundo, un subconjunto más avanzado que emplea redes neuronales de múltiples capas, expertas en procesar estructuras de datos complejas, lo que resulta particularmente beneficioso en el análisis automatizado de imágenes médicas7.
Entre las arquitecturas de aprendizaje profundo más notables se encuentran las redes neuronales convolucionales (CNN), diseñadas específicamente para la evaluación de imágenes. Estas redes extraen características jerárquicas de las imágenes, lo que permite identificar, clasificar y segmentar las lesiones pulmonares con una precisión excepcional. En el campo de la radiología torácica, las CNN han recibido una amplia aceptación debido a su eficacia en tareas como la detección de nódulos, la estimación del volumen tumoral y la diferenciación entre enfermedades benignas y malignas, y en ocasiones muestran un rendimiento que iguala o supera al de los radiólogos humanos7.
El avance de la IA en el campo de la radiología torácica ha sido rápido y significativo. En la actualidad, los sistemas de IA se emplean no solo para la detección y el diagnóstico, sino también para la vigilancia longitudinal de enfermedades pulmonares como el cáncer, la tuberculosis o la neumonía. Además, se han desarrollado plataformas inteligentes que pueden crear informes automatizados, evaluar la progresión de la enfermedad y cuantificar con precisión los hallazgos, todo lo cual mejora la pronta toma de decisiones basada en datos objetivos8.
A diferencia de la interpretación radiológica tradicional, la IA ofrece numerosas ventajas. Una ventaja principal es la mejora de la precisión diagnóstica y la eficiencia operativa, lo que reduce el tiempo necesario para interpretar los estudios y reduce la variabilidad entre los observadores6. Además, estos sistemas pueden priorizar de forma autónoma los casos urgentes, clasificar los hallazgos en función de su gravedad y ayudar a los profesionales a tomar decisiones clínicas, optimizando así la gestión del flujo de trabajo9. Esta capacidad para analizar imágenes de forma rápida y exhaustiva, junto con su potencial para descubrir hallazgos sutiles en una fase temprana, convierte a la IA en un activo inestimable para mejorar los resultados clínicos mediante intervenciones más oportunas y específicas8.
Detección de lesiones pulmonares: aplicaciones clínicas de la IA
La utilización de la IA en la identificación de los nódulos pulmonares representa uno de los avances más prometedores en el ámbito de las imágenes torácicas, ya que conlleva importantes ramificaciones para la identificación temprana del carcinoma de pulmón. Numerosos estudios han demostrado que los sistemas de IA mejoran notablemente la sensibilidad diagnóstica mediante la detección de nódulos pulmonares de dimensiones variables. Según una investigación reciente, la sensibilidad de detección aumentó en general en un 20,7%, y en concreto, en los nódulos de vidrio esmerilado, que suelen ser más difíciles de identificar con las metodologías tradicionales10, un aumento específico del 18,5%.
Además de la mera detección, los algoritmos inteligentes han demostrado ser capaces de predecir la probabilidad de neoplasia maligna en los nódulos, lo que ha permitido alcanzar una precisión diagnóstica cercana al 75,77%. Este atributo los hace particularmente ventajosos para el tratamiento de los nódulos subsólidos, cuya caracterización presenta considerables dificultades para los profesionales11. Además, numerosos estudios han indicado que estos avances tecnológicos pueden reducir la incidencia de falsos positivos sin socavar de manera significativa la sensibilidad, aunque la especificidad sigue siendo una limitación pertinente que habrá que seguir perfeccionando en desarrollos posteriores12,13.
Desde una perspectiva práctica, el uso de algoritmos de IA en los sistemas de cribado por tomografía computarizada de dosis bajas ha contribuido a mejorar la eficacia de estos procedimientos al reducir la duración del análisis y aumentar la sensibilidad diagnóstica. Se ha registrado que algunos sistemas pueden alcanzar de forma autónoma parámetros de alta sensibilidad sin supervisión humana directa10. Entre los modelos evaluados se encuentran soluciones tanto comerciales como experimentales, como CADx, Google Health y Aidoc, cuya implementación ha demostrado una mejora notable en la detección de lesiones sospechosas. Sin embargo, este aumento de la sensibilidad se ha traducido simultáneamente en un aumento de las tasas de falsos positivos, lo que puede provocar exámenes innecesarios e inducir ansiedad entre los pacientes13.
No obstante, el camino hacia la plena incorporación de estas herramientas en la práctica clínica habitual sigue tropezando con importantes obstáculos. Los principales problemas se refieren a la generalización de los modelos, los impedimentos técnicos para su aplicación efectiva en diversos entornos clínicos y el continuo escepticismo de algunos profesionales de la salud con respecto a la confiabilidad de los sistemas automatizados14. Si bien se ha demostrado que las lecturas aumentadas por IA pueden ser más rápidas y sensibles que las realizadas únicamente por radiólogos, el aumento de la incidencia de falsos positivos requiere una perspectiva crítica y el fomento de nuevas investigaciones destinadas a mejorar la especificidad y minimizar la necesidad de un seguimiento innecesario13.
Precisión diagnóstica y validación clínica
El examen de la precisión diagnóstica de la IA en comparación con la de los radiólogos se ha investigado ampliamente en numerosos estudios, lo que subraya el potencial de la IA como recurso complementario en las imágenes torácicas. En términos de sensibilidad y especificidad diagnósticas, se han documentado mejoras notables cuando los radiólogos trabajan en conjunto con sistemas de IA. Por ejemplo, en la identificación de fracturas costales, la sensibilidad mejoró significativamente, pasando del 69,2% al 94,2%, mientras que la especificidad se mantuvo en el 100%, un indicador comparable al proceso convencional de doble lectura realizado por los radiólogos, que alcanzó una sensibilidad del 98,2%15. Del mismo modo, en la detección del cáncer de pulmón, la IA aumentó la sensibilidad diagnóstica tanto para los médicos generalistas como para los radiólogos, con aumentos de 0,47 a 0,60 y de 0,51 a 0,60, respectivamente16. En el contexto del diagnóstico de embolia pulmonar, la IA alcanzó una sensibilidad del 92,6%, superando marginalmente el 90% de sensibilidad reportado por los radiólogos; sin embargo, estos últimos mostraron una especificidad superior, registrando un 99,1% frente al 95,8% de la IA16.
En cuanto a los valores predictivos, la eficacia de la IA ha mostrado una variabilidad en función de la afección específica evaluada. En el caso del cáncer de pulmón, se observó una mejora del valor predictivo positivo (VPP), que pasó de 0,75 a 0,82 en los médicos generalistas y de 0,76 a 0,80 en los radiólogos, lo que indica un aumento en la fiabilidad de los diagnósticos positivos cuando se utiliza la IA como complemento16. Por el contrario, en la identificación de la embolia pulmonar incidental, el VPP de la IA se registró a una tasa inferior del 86,8% en comparación con el 97,3% observado en las evaluaciones clínicas tradicionales, lo que pone de relieve las limitaciones persistentes encontradas en ciertos contextos de diagnóstico18
Además de sus capacidades de diagnóstico, la validación clínica de los sistemas de IA se ha visto reforzada por investigaciones multicéntricas que han demostrado su eficacia en diversos entornos clínicos. Un ejemplo digno de mención es un estudio que mostró avances significativos en la detección de nódulos pulmonares en las radiografías de tórax facilitados por la IA, lo que benefició especialmente a los profesionales menos experimentados16. Esta solidez ha permitido la incorporación efectiva de algoritmos en los sistemas de comunicación y almacenamiento de imágenes de los hospitales, mejorando así la eficiencia de los protocolos de detección, como lo demuestra un ensayo clínico en el que la tomografía computarizada, aumentada con IA, mejoró la sensibilidad en la identificación de los nódulos pulmonares en un 20,7%10.
La eficiencia de los flujos de trabajo clínicos se ha mejorado mediante la integración de estas tecnologías. Las investigaciones han demostrado que la IA reduce notablemente la duración de las notificaciones y aumenta la competencia de los lectores a la hora de interpretar las radiografías de tórax, especialmente en los casos relacionados con el neumotórax y la detección de nódulos19. Además, los sistemas de IA permiten la priorización automática de los estudios con hallazgos preocupantes, lo que agiliza su evaluación urgente por parte de los radiólogos y acorta los plazos de diagnóstico en circunstancias críticas, como se ha demostrado en contextos de emergencia recientes20.
Ventajas, limitaciones y desafíos actuales
La incorporación de la IA en la tomografía computarizada (TC) de tórax ha generado una multitud de beneficios clínicos, diagnósticos y operativos que están revolucionando el marco convencional de la evaluación radiológica. Una ventaja destacada es la disminución de la incidencia de errores interpretativos por parte de los radiólogos. Los sistemas basados en la IA han demostrado su capacidad para mejorar la eficacia de los profesionales, ya que mejoran notablemente la sensibilidad a la hora de identificar los hallazgos críticos, como el neumotórax y los nódulos pulmonares, lo que facilita un reconocimiento más preciso y oportuno de los trastornos torácicos19.
Además, la IA proporciona análisis objetivos y reproducibles, lo que representa un avance significativo con respecto a la variabilidad entre observadores que caracteriza la interpretación humana. En el ámbito de las enfermedades pulmonares intersticiales, por ejemplo, los algoritmos de IA permiten la adquisición de información pronóstica estandarizada, lo que enriquece el proceso de toma de decisiones clínicas y mejora la precisión de las evaluaciones de la progresión patológica21.
Además, las tecnologías de aprendizaje profundo han facilitado mejoras notables en la calidad de las imágenes radiológicas. Estos avances no solo mejoran la claridad visual de las tomografías computarizadas, sino que también permiten realizar análisis automatizados que refinan la caracterización de las afecciones cardiovasculares concurrentes, lo que aumenta la relevancia diagnóstica de los exámenes torácicos más allá del ámbito respiratorio. La síntesis de imágenes de alta resolución con algoritmos de procesamiento inteligente constituye un instrumento sólido para la evaluación simultánea de múltiples facetas clínicas22.
Sin embargo, a pesar de estos avances, la integración de la IA en la práctica clínica habitual se enfrenta a importantes desafíos que requieren una resolución exhaustiva. Uno de los principales obstáculos es la aparición de falsos positivos y falsos negativos, en particular en la identificación de los nódulos pulmonares, donde los algoritmos pueden clasificar erróneamente las entidades benignas en función de las lesiones, lo que genera una ansiedad innecesaria en los pacientes y genera intervenciones diagnósticas adicionales23.
Además, los obstáculos técnicos relacionados con la calidad de la imagen, la variabilidad de los conjuntos de datos de entrenamiento y la necesidad apremiante de desarrollar una IA explicable plantean importantes preocupaciones. Comprender el fundamento de las conclusiones algorítmicas es vital para fomentar la confianza de los profesionales de la salud, especialmente en los escenarios en los que los hallazgos conllevan importantes consecuencias terapéuticas21.
Por el contrario, los sesgos incrustados en los algoritmos representan otro riesgo crítico. Cuando los modelos se entrenan con conjuntos de datos que no reflejan con precisión las diversas poblaciones clínicas, su eficacia puede disminuir notablemente en diferentes contextos. Esta limitación subraya la necesidad de estrategias sólidas destinadas a mitigar los sesgos y garantizar un rendimiento equitativo en grupos de pacientes heterogéneos23.
En última instancia, las cuestiones éticas, reglamentarias y de privacidad se presentan como componentes fundamentales en el discurso sobre la aplicación de la IA en el ámbito de las imágenes médicas. La protección de la información de los pacientes, su preservación y la utilización juiciosa de los datos acumulados son factores fundamentales necesarios para el despliegue seguro de estas tecnologías21. Además, desde un punto de vista regulatorio, es imperativo establecer un marco regulatorio sólido que sustente la legitimidad científica y clínica de las aplicaciones de la IA. Solo mediante un proceso de validación meticuloso y transparente se puede garantizar la aprobación y la integración segura de estos sistemas en el sector médico24.
Conclusiones
La inteligencia artificial se ha convertido en un mecanismo revolucionario en las imágenes médicas torácicas, que mejora notablemente la sensibilidad diagnóstica para la identificación de lesiones pulmonares, especialmente en el caso de nódulos difíciles, como los que se caracterizan por la opacidad del vidrio esmerilado. Su capacidad para analizar conjuntos de datos extensos con una rapidez y precisión notables permite detectar anomalías sutiles que pueden pasarse por alto en las interpretaciones tradicionales.
La integración de los marcos de inteligencia artificial en los flujos de trabajo clínicos ha perfeccionado el paradigma del diagnóstico, aliviando la carga para los radiólogos, disminuyendo la duración de los análisis y priorizando los casos urgentes. Estos sistemas, además de automatizar tareas monótonas, contribuyen a la objetividad de la toma de decisiones médicas, lo que resulta particularmente ventajoso en entornos en los que el personal especializado es escaso.
A pesar de sus ventajas, la inteligencia artificial encuentra obstáculos tanto técnicos como éticos que dificultan su integración clínica integral. Estos desafíos incluyen la aparición de falsos positivos, los sesgos inherentes a los conjuntos de datos de capacitación, la complejidad a la hora de dilucidar las determinaciones algorítmicas y las dudas sobre la confidencialidad de la información médica. Abordar estos problemas requerirá validaciones clínicas metódicas, marcos regulatorios sólidos y enfoques de diseño que enfaticen la transparencia y la equidad.
Referencias
1. Espinoza J, Dong L. Artificial Intelligence Tools for Refining Lung Cancer Screening. Journal Of Clinical Medicine [Internet]. 27 de noviembre de 2020;9(12):3860. Disponible en: https://doi.org/10.3390/jcm9123860
2. Fahmy D, Kandil H, Khelifi A, Yaghi M, Ghazal M, Sharafeldeen A, et al. How AI Can Help in the Diagnostic Dilemma of Pulmonary Nodules. Cancers [Internet]. 6 de abril de 2022;14(7):1840. Disponible en: https://doi.org/10.3390/cancers14071840
3. Yan C, Wang L, Lin J, Xu J, Zhang T, Qi J, et al. A fully automatic artificial intelligence–based CT image analysis system for accurate detection, diagnosis, and quantitative severity evaluation of pulmonary tuberculosis. European Radiology [Internet]. 29 de noviembre de 2021;32(4):2188-99. Disponible en: https://doi.org/10.1007/s00330-021-08365-z
4. Kwak S, Kim EK, Kim MH, Lee EH, Shin HJ. Incidentally found resectable lung cancer with the usage of artificial intelligence on chest radiographs. PLoS ONE [Internet]. 10 de marzo de 2023;18(3):e0281690. Disponible en: https://doi.org/10.1371/journal.pone.0281690
5. Lee H, Jin K, Oh S, Kang S, Lee S, Jeong I, et al. Artificial Intelligence Solution for Chest Radiographs in Respiratory Outpatient Clinics: Multicenter Prospective Randomized Clinical Trial. Annals Of The American Thoracic Society [Internet]. 12 de diciembre de 2022;20(5):660-7. Disponible en: https://doi.org/10.1513/annalsats.202206-481oc
6. Avanzo M, Stancanello J, Pirrone G, Drigo A, Retico A. The Evolution of Artificial Intelligence in Medical Imaging: From Computer Science to Machine and Deep Learning. Cancers [Internet]. 1 de noviembre de 2024;16(21):3702. Disponible en: https://doi.org/10.3390/cancers16213702
7. Chassagnon G, Vakalopolou M, Paragios N, Revel MP. Deep learning: definition and perspectives for thoracic imaging. European Radiology [Internet]. 6 de diciembre de 2019;30(4):2021-30. Disponible en: https://doi.org/10.1007/s00330-019-06564-3
8. Choe J, Lee SM, Hwang HJ, Lee SM, Yun J, Kim N, et al. Artificial Intelligence in Lung Imaging. Seminars In Respiratory And Critical Care Medicine [Internet]. 29 de septiembre de 2022;43(06):946-60. Disponible en: https://doi.org/10.1055/s-0042-1755571
9. Currie G, Rohren E. Intelligent imaging: Applications of machine learning and deep learning in radiology. Veterinary Radiology & Ultrasound [Internet]. 1 de diciembre de 2022;63(S1):880-8. Disponible en: https://doi.org/10.1111/vru.13144
10. Chao HS, Tsai CY, Chou CW, Shiao TH, Huang HC, Chen KC, et al. Artificial Intelligence Assisted Computational Tomographic Detection of Lung Nodules for Prognostic Cancer Examination: A Large-Scale Clinical Trial. Biomedicines [Internet]. 6 de enero de 2023;11(1):147. Disponible en: https://doi.org/10.3390/biomedicines11010147
11. Zhang L, Shao Y, Chen G, Tian S, Zhang Q, Wu J, et al. An artificial intelligence-assisted diagnostic system for the prediction of benignity and malignancy of pulmonary nodules and its practical value for patients with different clinical characteristics. Frontiers In Medicine [Internet]. 22 de diciembre de 2023;10. Disponible en: https://doi.org/10.3389/fmed.2023.1286433
12. Quanyang W, Yao H, Sicong W, Linlin Q, Zewei Z, Donghui H, et al. Artificial intelligence in lung cancer screening: Detection, classification, prediction, and prognosis. Cancer Medicine [Internet]. 1 de abril de 2024;13(7). Disponible en: https://doi.org/10.1002/cam4.7140
13. Geppert J, Asgharzadeh A, Brown A, Stinton C, Helm EJ, Jayakody S, et al. Software using artificial intelligence for nodule and cancer detection in CT lung cancer screening: systematic review of test accuracy studies. Thorax [Internet]. 25 de septiembre de 2024;thorax-221662. Disponible en: https://doi.org/10.1136/thorax-2024-221662
14. Liu J, Yang I, Tsai E. Artificial Intelligence (AI) for Lung Nodules, From the AJR Special Series on AI Applications. American Journal Of Roentgenology [Internet]. 11 de mayo de 2022;219(5):703-12. Disponible en: https://doi.org/10.2214/ajr.22.27487
15. Sun L, Fan Y, Shi S, Sun M, Ma Y, Zhang K, et al. AI-assisted radiologists vs. standard double reading for rib fracture detection on CT images: A real-world clinical study. PLoS ONE [Internet]. 24 de enero de 2025;20(1):e0316732. Disponible en: https://doi.org/10.1371/journal.pone.0316732
16. Ueda D, Yamamoto A, Shimazaki A, Walston SL, Matsumoto T, Izumi N, et al. Artificial intelligence-supported lung cancer detection by multi-institutional readers with multi-vendor chest radiographs: a retrospective clinical validation study. BMC Cancer [Internet]. 18 de octubre de 2021;21(1). Disponible en: https://doi.org/10.1186/s12885-021-08847-9
17. Cheikh A, Gorincour G, Nivet H, May J, Seux M, Calame P, et al. How artificial intelligence improves radiological interpretation in suspected pulmonary embolism. European Radiology [Internet]. 22 de marzo de 2022;32(9):5831-42. Disponible en: https://doi.org/10.1007/s00330-022-08645-2
18. Batra K, Xi Y, Al-Hreish KM, Kay FU, Browning T, Baker C, et al. Detection of Incidental Pulmonary Embolism on Conventional Contrast-Enhanced Chest CT: Comparison of an Artificial Intelligence Algorithm and Clinical Reports. American Journal Of Roentgenology [Internet]. 13 de julio de 2022;219(6):895-902. Disponible en: https://doi.org/10.2214/ajr.22.27895
19. Ahn J, Ebrahimian S, McDermott S, Lee S, Naccarato L, Di Capua JF, et al. Association of Artificial Intelligence–Aided Chest Radiograph Interpretation With Reader Performance and Efficiency. JAMA Network Open [Internet]. 31 de agosto de 2022;5(8):e2229289. Disponible en: https://doi.org/10.1001/jamanetworkopen.2022.29289
20. Duncan SF, McConnachie A, Blackwood J, Stobo DB, Maclay JD, Wu O, et al. Radiograph accelerated detection and identification of cancer in the lung (RADICAL): a mixed methods study to assess the clinical effectiveness and acceptability of Qure.ai artificial intelligence software to prioritise chest X-ray (CXR) interpretation. BMJ Open [Internet]. 1 de septiembre de 2024;14(9):e081062. Disponible en: https://doi.org/10.1136/bmjopen-2023-081062
21. Felder F, Walsh S. Exploring computer-based imaging analysis in interstitial lung disease: opportunities and challenges. ERJ Open Research [Internet]. 18 de mayo de 2023;9(4):00145-2023. Disponible en: https://doi.org/10.1183/23120541.00145-2023
22. Yang D. Application of Artificial Intelligence to Cardiovascular Computed Tomography. Korean Journal Of Radiology [Internet]. 1 de enero de 2021;22(10):1597. Disponible en: https://doi.org/10.3348/kjr.2020.1314
23. Sourlos N, Wang J, Nagaraj Y, Van Ooijen P, Vliegenthart R. Possible Bias in Supervised Deep Learning Algorithms for CT Lung Nodule Detection and Classification. Cancers [Internet]. 10 de agosto de 2022;14(16):3867. Disponible en: https://doi.org/10.3390/cancers14163867
24. Oikonomou E, Siddique M, Antoniades C. Artificial intelligence in medical imaging: A radiomic guide to precision phenotyping of cardiovascular disease. Cardiovascular Research [Internet]. 23 de enero de 2020;116(13):2040-54. Disponible en: https://doi.org/10.1093/cvr/cvaa021
Declaración de buenas prácticas: Los autores de este manuscrito declaran que:
Todos ellos han participado en su elaboración y no tienen conflictos de intereses
La investigación se ha realizado siguiendo las Pautas éticas internacionales para la investigación relacionada con la salud con seres humanos elaboradas por el Consejo de Organizaciones Internacionales de las Ciencias Médicas (CIOMS) en colaboración con la Organización Mundial de la Salud (OMS).
El manuscrito es original y no contiene plagio.
El manuscrito no ha sido publicado en ningún medio y no está en proceso de revisión en otra revista.
Han obtenido los permisos necesarios para las imágenes y gráficos utilizados.
Han preservado las identidades de los pacientes.