Avances de la inteligencia artificial en radiología: Innovaciones, aplicaciones y desafíos en el diagnóstico por imágenes
Autora principal: Dr. Michelle Chacón Jiménez
Vol. XX; nº 08; 410
Advances in artificial intelligence in radiology: Innovations, applications, and challenges in diagnostic imaging
Fecha de recepción: 1 de abril de 2025
Fecha de aceptación: 22 de abril de 2025
Incluido en Revista Electrónica de PortalesMedicos.com Volumen XX. Número 08 Segunda quincena de abril de 2025 – Página inicial: Vol. XX; nº 08; 410
Autores:
Dr. Michelle Chacón Jiménez
Médico general, investigadora Independiente. San José, Costa Rica.
Orcid: 0009-0006-1207-6485
Código Médico 18520
Dr. Deilyn Karina Brenes García
Médico general, investigadora Independiente. Alajuela, Costa Rica.
Orcid: 0009-0009-1276-3359
Código Médico 18926
Dr. José Manuel Picado Torres
Médico general, investigador Independiente. Guanacaste, Costa Rica.
Orcid: 0009-0008-0242-3820
Código Médico 18517
Dr. Joseph Elyakim
Médico general, investigador Independiente. San José, Costa Rica.
Orcid: 0009-0009-0314-8645
Código Médico 19243
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.
Palabras clave:Algoritmos predictivos, interpretación radiológica, modelado generativo, análisis de datos, precisión diagnóstica, optimización clínica.
Key words:Predictive algorithms, radiological interpretation, generative modeling, data analysis, diagnostic accuracy, clinical optimization.
Resumen:
La inteligencia artificial ha transformado la radiología mediante el desarrollo de algoritmos avanzados de aprendizaje automático y redes neuronales profundas, optimizando la detección y el diagnóstico de patologías en imágenes médicas. Su capacidad para analizar grandes volúmenes de datos permite mejorar la precisión diagnóstica, reducir los errores humanos y optimizar los flujos de trabajo clínicos. En particular, las redes neuronales convolucionales han demostrado una alta eficacia en la clasificación y segmentación de imágenes médicas, lo que ha sido clave en la detección temprana de cáncer y enfermedades neurológicas.
Los modelos generativos, como las redes generativas de confrontación, han mejorado la calidad de las imágenes médicas sintéticas utilizadas en el entrenamiento de sistemas de IA. Además, la combinación de inteligencia artificial con modalidades de imagen como la tomografía computarizada y la resonancia magnética ha permitido una optimización en la reconstrucción de imágenes, reduciendo la dosis de radiación sin comprometer la calidad diagnóstica. En radiología intervencionista, la IA ha facilitado la planificación y ejecución de procedimientos guiados por imágenes, aumentando la precisión y seguridad en biopsias y drenajes.
A pesar de sus múltiples beneficios, la implementación de la inteligencia artificial en radiología enfrenta desafíos como la necesidad de grandes volúmenes de datos para el entrenamiento de modelos, la falta de estandarización y las preocupaciones éticas sobre la privacidad de los pacientes. No obstante, la integración efectiva de la inteligencia artificial con los sistemas de salud digitales y su aplicación en la educación médica sugieren un futuro prometedor en la optimización de la práctica radiológica.
Abstract:
Artificial intelligence has transformed radiology through the development of advanced machine learning algorithms and deep neural networks, optimizing the detection and diagnosis of pathologies in medical images. Its ability to analyze large volumes of data improves diagnostic accuracy, reduces human error, and optimizes clinical workflows. In particular, convolutional neural networks have demonstrated high effectiveness in classifying and segmenting medical images, which has been key in the early detection of cancer and neurological diseases.
Generative models, such as generative adversarial networks, have improved the quality of synthetic medical images used in training AI systems. Furthermore, the combination of artificial intelligence with imaging modalities such as computed tomography and magnetic resonance imaging has enabled optimization of image reconstruction, reducing radiation dose without compromising diagnostic quality. In interventional radiology, AI has facilitated the planning and execution of image-guided procedures, increasing the accuracy and safety of biopsies and drainage procedures.
Despite its many benefits, the implementation of artificial intelligence in radiology faces challenges such as the need for large volumes of data for model training, a lack of standardization, and ethical concerns about patient privacy. However, the effective integration of artificial intelligence with digital health systems and its application in medical education suggest a promising future for optimizing radiology practice.
Introducción:
La inteligencia artificial ha emergido como un pilar fundamental en la transformación de la medicina, con un impacto particularmente relevante en el campo de la radiología. La incorporación de algoritmos avanzados ha permitido la automatización de tareas diagnósticas, optimizando la detección de patologías y facilitando una atención médica más eficiente. Desde sus primeras aplicaciones en el análisis de imágenes hasta el desarrollo de modelos de aprendizaje profundo, la inteligencia artificial ha evolucionado hasta convertirse en una herramienta indispensable para mejorar la precisión y rapidez en la interpretación de estudios radiológicos. Esta evolución ha sido impulsada por el acceso a bases de datos masivas, la mejora de los algoritmos de aprendizaje automático y el incremento en la capacidad computacional, lo que ha permitido el desarrollo de sistemas que superan las limitaciones humanas en la identificación y caracterización de enfermedades (1; 2)
El papel de la inteligencia artificial en la radiología moderna se fundamenta en su capacidad para procesar grandes volúmenes de datos con rapidez y precisión. Tecnologías como las redes neuronales convolucionales han revolucionado la interpretación de imágenes médicas, permitiendo la identificación automatizada de anomalías en radiografías, tomografías computarizadas y resonancias magnéticas (1). Este tipo de algoritmos es capaz de detectar patrones sutiles en los estudios de imagen que podrían pasar desapercibidos en la evaluación convencional, mejorando así la detección temprana de enfermedades y reduciendo la variabilidad en la interpretación diagnóstica. Además, la inteligencia artificial ha facilitado la implementación de la medicina personalizada, al analizar biomarcadores radiológicos que permiten ajustar los tratamientos a las características individuales de cada paciente (2).
La evolución de la inteligencia artificial en la radiología ha sido un proceso progresivo, desde los primeros sistemas expertos hasta la actual implementación de modelos avanzados de aprendizaje profundo. Inicialmente, los sistemas basados en reglas permitían el procesamiento básico de imágenes médicas, pero su capacidad para identificar patologías estaba limitada por la necesidad de programación explícita. Con el avance de la tecnología, se han desarrollado modelos de redes neuronales profundas capaces de detectar y clasificar imágenes médicas con alta precisión (3). Un área de aplicación particularmente prometedora ha sido la mamografía, donde los algoritmos de inteligencia artificial han demostrado un desempeño equivalente o incluso superior al de los radiólogos en la detección de cáncer de mama (4).
El crecimiento exponencial de la inteligencia artificial en la radiología ha sido impulsado por la disponibilidad de bases de datos de imágenes médicas, bibliotecas de código abierto y avances en hardware computacional. Herramientas como TensorFlow y PyTorch han permitido a los investigadores desarrollar modelos de aprendizaje profundo con mayor facilidad, acelerando la adopción de la inteligencia artificial en la práctica clínica (3).
El objetivo de esta revisión es analizar los avances recientes en la aplicación de la inteligencia artificial en radiología, destacando su impacto en la precisión diagnóstica, la optimización de los flujos de trabajo y la personalización del tratamiento médico. Se pretende explorar la evolución de los algoritmos de aprendizaje automático y aprendizaje profundo en la interpretación de imágenes médicas, así como su integración en la práctica clínica para mejorar la detección temprana de enfermedades y reducir la variabilidad en el diagnóstico.
Metodología:
Para el desarrollo de esta investigación sobre el impacto del microbioma cutáneo en enfermedades dermatológicas, se llevó a cabo una revisión bibliográfica exhaustiva con el objetivo de analizar la relación entre la microbiota de la piel, el sistema inmunológico y la barrera cutánea, así como evaluar las estrategias terapéuticas basadas en el microbioma. Esta revisión incluyó aspectos clave como la composición del microbioma cutáneo, su papel en la homeostasis de la piel, los desequilibrios microbianos asociados con diversas enfermedades y las intervenciones terapéuticas emergentes.
Para garantizar la calidad y relevancia de la información seleccionada, se consultaron bases de datos científicas reconocidas, como PubMed, Scopus y Web ofScience, debido a su prestigio y amplia cobertura en temas de microbiología, dermatología e inmunología. Se establecieron rigurosos criterios de inclusión y exclusión. Se incluyeron estudios publicados entre 2020 y 2025, en inglés o español, que abordaran la composición del microbioma cutáneo, sus variaciones en diferentes patologías dermatológicas y los avances en terapias microbioma-dirigidas. Se excluyeron investigaciones con datos incompletos, publicaciones duplicadas o aquellas sin revisión por pares. Para la búsqueda, se utilizaron palabras clave como: Algoritmos predictivos, interpretación radiológica, modelado generativo, análisis de datos, precisión diagnóstica, optimización clínica.
La búsqueda inicial identificó 21 fuentes relevantes, entre las cuales se incluyeron artículos originales, revisiones sistemáticas, estudios clínicos y documentos de organismos especializados en dermatología y microbiología. A partir de estas fuentes, se realizó un análisis detallado para extraer información sobre la diversidad microbiana en piel sana y enferma, los mecanismos de interacción entre la microbiota y el sistema inmunológico, así como los efectos de los tratamientos dirigidos a modular el microbioma en distintas patologías.
El análisis se llevó a cabo utilizando enfoques cualitativos y comparativos. Se sintetizaron los hallazgos y se organizaron en categorías temáticas, lo que permitió identificar patrones microbianos en enfermedades específicas, correlaciones con la inflamación cutánea y el impacto de terapias innovadoras. Este enfoque integral ofrece una visión estructurada del estado actual del conocimiento sobre el microbioma cutáneo y sus implicaciones clínicas, destacando oportunidades para futuras investigaciones y el desarrollo de estrategias terapéuticas más precisas en dermatología.
Principios de la inteligencia artificial en radiología:
El aprendizaje automático ha revolucionado la radiología al permitir el análisis avanzado de imágenes médicas a través de algoritmos que identifican patrones y mejoran su rendimiento con el tiempo. En este contexto, los modelos de aprendizaje automático se emplean en tareas como la clasificación y segmentación de imágenes médicas, facilitando una evaluación más precisa y automatizada de las patologías. Estos sistemas tienen la capacidad de procesar grandes volúmenes de datos, optimizando su precisión a medida que reciben más información, lo que los convierte en herramientas esenciales en la práctica radiológica (3).
Dentro del aprendizaje automático, las redes neuronales profundas, en particular las redes neuronales convolucionales, han demostrado una eficacia notable en el análisis de imágenes médicas. Estas redes pueden extraer y aprender automáticamente características jerárquicas sin necesidad de intervención humana directa, lo que permite detectar anomalías con mayor precisión. Su aplicación ha sido fundamental en la detección del cáncer de mama y otras patologías, donde han demostrado ser herramientas diagnósticas altamente sensibles y específicas (4; 5).
Los modelos generativos han surgido como una innovación clave en la radiología basada en inteligencia artificial, proporcionando soluciones para el aumento de datos y la generación de imágenes médicas sintéticas. Entre estos, las redes generativas de confrontación han demostrado su utilidad al generar instancias sintéticas de datos, lo que contribuye a mejorar la robustez de los modelos de inteligencia artificial en el análisis radiológico (Huang et al., 2024). De manera similar, los modelos basados en la difusión se han convertido en herramientas poderosas para la creación de imágenes médicas de alta calidad, útiles para el entrenamiento y validación de sistemas de inteligencia artificial. Estas tecnologías permiten generar datos adicionales sin comprometer la integridad de los estudios clínicos, lo que resulta beneficioso en contextos donde la disponibilidad de imágenes de entrenamiento es limitada (5).
En comparación con los métodos tradicionales de análisis de imágenes, la inteligencia artificial ofrece ventajas sustanciales. Tradicionalmente, la interpretación de imágenes médicas ha dependido en gran medida de la experiencia y criterio del radiólogo, lo que puede dar lugar a variaciones en los diagnósticos y a errores humanos. La evaluación manual de imágenes es un proceso que consume tiempo y que está sujeto a la fatiga del especialista, lo que puede afectar la detección temprana de enfermedades (3). En contraste, los sistemas de inteligencia artificial tienen la capacidad de procesar grandes volúmenes de datos de manera rápida y uniforme, reduciendo la probabilidad de omisión de anomalías y mejorando la precisión del diagnóstico. Además, estos modelos permiten realizar análisis automatizados en tiempo real, lo que optimiza los flujos de trabajo clínicos y permite a los radiólogos centrarse en la toma de decisiones más complejas (6; 7).
Aplicaciones clínicas de la inteligencia artificial en radiología:
Los avances en inteligencia artificial han transformado el campo de la radiología al permitir la detección automatizada de imágenes con una precisión significativamente mayor que los métodos tradicionales. Los algoritmos de aprendizaje profundo han demostrado ser altamente eficaces en la identificación de anomalías en diversas modalidades de imagen, como radiografías, tomografías computarizadas y resonancias magnéticas. Un estudio reciente demostró que los radiólogos asistidos por inteligencia artificial mejoraron en un 25% la sensibilidad en la detección de fracturas costales en tomografías computarizadas en comparación con la doble lectura convencional, manteniendo una especificidad equivalente (8). De manera similar, los modelos de aprendizaje profundo han reducido significativamente los errores diagnósticos en las radiografías de tórax, aumentando la velocidad del diagnóstico y mejorando la calidad de la atención médica (9).
Dentro de la tomografía computarizada, la inteligencia artificial ha sido clave en la detección temprana de enfermedades pulmonares y neurológicas. Su capacidad para identificar hallazgos clínicamente relevantes no detectados, como nódulos pulmonares y neumotórax en radiografías de tórax, ha sido fundamental para un diagnóstico precoz (10). Además, la inteligencia artificial permite la reducción de la dosis de radiación al optimizar la reconstrucción de imágenes, lo que mejora la seguridad del paciente sin comprometer la calidad del diagnóstico (11).
En el ámbito de la resonancia magnética, las tecnologías de inteligencia artificial han optimizado los tiempos de adquisición de imágenes, permitiendo procesos más rápidos y eficientes. Los modelos avanzados de reconstrucción mejoran la resolución de las imágenes, lo que contribuye a diagnósticos más precisos. Asimismo, la inteligencia artificial ha demostrado su utilidad en la identificación de enfermedades neurológicas, donde modelos de aprendizaje profundo han sido empleados para clasificar la positividad del amiloide en imágenes por emisión de positrones cerebrales, lo que resulta esencial para el diagnóstico temprano de la enfermedad de Alzheimer (12).
En radiología intervencionista, la inteligencia artificial ha optimizado la planificación y ejecución de procedimientos guiados por imágenes, como biopsias y drenajes, aumentando la precisión y reduciendo las complicaciones. Su integración en los flujos de trabajo permite a los radiólogos tomar decisiones más informadas, mejorando la seguridad y la eficacia de los procedimientos (13; 14).
El uso de inteligencia artificial en mamografía y detección del cáncer de mama ha permitido mejorar la identificación de lesiones sospechosas y aumentar la precisión de los estudios. Los modelos predictivos basados en IA han demostrado ser útiles en la evaluación del riesgo de cáncer de mama, facilitando la detección temprana y la personalización del tratamiento (11). Además, la inteligencia artificial ha contribuido a reducir los falsos positivos y negativos, optimizando la eficacia de las pruebas de detección y mejorando los resultados clínicos de los pacientes (13).
La evaluación de patologías óseas y musculoesqueléticas ha sido otra área beneficiada por la inteligencia artificial. Su capacidad para detectar fracturas, artritis y enfermedades degenerativas con mayor precisión ha mejorado la interpretación de estudios convencionales de radiografía y densitometría ósea. La inteligencia artificial puede identificar cambios sutiles en la estructura ósea que podrían pasar desapercibidos en la evaluación humana, facilitando un diagnóstico más oportuno y preciso (8). Asimismo, la integración de la inteligencia artificial en la radiología musculoesquelética permite una clasificación más eficaz de las patologías, lo que contribuye a un tratamiento más adecuado y a una mejor atención al paciente (11).
Beneficios y desafíos en la implementación de la inteligencia artificial en radiología:
La integración de la inteligencia artificial en radiología ha demostrado beneficios significativos en términos de eficiencia y precisión diagnóstica. Uno de los principales impactos de la inteligencia artificial es la reducción del tiempo de diagnóstico, lo que mejora sustancialmente la eficiencia en los departamentos de radiología. Se ha observado que el uso de la inteligencia artificial disminuye el tiempo de lectura en un 27,20 % y reduce la carga de lectura hasta en un 61,72 % cuando se emplea como segundo lector o como herramienta de preselección (15).
Otro beneficio clave de la inteligencia artificial en radiología es la reducción del error humano y la mejora en la precisión diagnóstica. Los radiólogos asistidos por inteligencia artificial han demostrado un incremento del 25 % en la sensibilidad para la detección de fracturas costales en comparación con el método convencional de doble lectura, sin comprometer la especificidad del diagnóstico (8).
Además de mejorar la precisión, la inteligencia artificial ha transformado los flujos de trabajo en los departamentos de radiología. La sinergia entre los profesionales de la salud y los sistemas de inteligencia artificial ha permitido agilizar la interpretación de imágenes médicas, lo que optimiza el uso de los recursos disponibles y contribuye a una atención más eficiente para los pacientes. La automatización de procesos repetitivos y el análisis avanzado de imágenes han permitido que los radiólogos se concentren en la toma de decisiones clínicas más complejas y en la interacción con los pacientes, mejorando así la calidad general del servicio (15).
Sin embargo, a pesar de sus múltiples beneficios, la implementación de la inteligencia artificial en radiología enfrenta desafíos importantes. Uno de los principales retos es la necesidad de grandes volúmenes de datos para entrenar los modelos de inteligencia artificial con precisión y confiabilidad. La recopilación y el etiquetado de datos requieren esfuerzos sustanciales y una infraestructura adecuada, lo que puede representar un obstáculo significativo para su adopción en entornos clínicos (6).
Otro desafío crítico es la falta de estandarización en la aplicación de la inteligencia artificial en radiología. A pesar del desarrollo acelerado de nuevas herramientas y algoritmos, la ausencia de protocolos uniformes dificulta su implementación clínica. Esta brecha entre el desarrollo tecnológico y la aplicación práctica genera incertidumbre en los profesionales de la salud y limita la adopción generalizada de la inteligencia artificial en la práctica radiológica (Kemper et al., 2024).
Además, el uso de la inteligencia artificial en radiología plantea importantes cuestiones éticas y de privacidad. La gestión de datos médicos involucra información sensible de los pacientes, por lo que es fundamental garantizar la protección de la privacidad y la seguridad de los datos. La implementación de la inteligencia artificial en entornos clínicos debe cumplir con estrictos marcos regulatorios y políticas de seguridad para evitar vulneraciones y fortalecer la confianza en estos sistemas (16).
Futuro de la inteligencia artificial en radiología:
Los modelos generativos y las redes neuronales convolucionales están revolucionando la radiología diagnóstica al optimizar el análisis de imágenes médicas y mejorar la eficiencia en la toma de decisiones clínicas. Los modelos de inteligencia artificial generativa han demostrado ser herramientas clave en la reducción de la carga de trabajo asociada con los registros médicos electrónicos, permitiendo un procesamiento más ágil de la información y mejorando la gestión de datos clínicos. Además, estas tecnologías respaldan las simulaciones clínicas, ofreciendo un entorno en el que los profesionales pueden entrenar y perfeccionar sus habilidades sin poner en riesgo a los pacientes. Asimismo, los modelos generativos facilitan la educación médica individualizada y proporcionan apoyo en la toma de decisiones clínicas, asegurando que los profesionales de la salud cuenten con información precisa y actualizada para ofrecer un diagnóstico oportuno (17).
Por su parte, las redes neuronales convolucionales han demostrado un impacto significativo en la interpretación de imágenes médicas, mejorando la precisión en la detección de patologías y agilizando los procesos de diagnóstico. Estas redes, diseñadas específicamente para el procesamiento de imágenes, han permitido la automatización de tareas repetitivas, optimizando los flujos de trabajo en los departamentos de radiología. Al aplicar algoritmos avanzados de aprendizaje profundo, las redes neuronales convolucionales pueden analizar y clasificar imágenes médicas con un nivel de precisión equiparable al de los radiólogos expertos, lo que contribuye a una toma de decisiones más rápida y precisa (18). Además, la combinación de estas tecnologías con modelos basados en transformadores y otros enfoques de aprendizaje profundo ha marcado un cambio paradigmático en la radiología, con un impacto que podría superar el de revoluciones tecnológicas anteriores (19).
Para garantizar una implementación efectiva de la inteligencia artificial en la radiología, es fundamental lograr una integración fluida con los sistemas de salud digitales. Esta integración requiere un flujo de trabajo bien estructurado, validación rigurosa y pruebas en entornos clínicos reales para asegurar su fiabilidad y aplicabilidad. La adopción de estrategias de gestión multimodal ha facilitado la implementación de inteligencia artificial en la práctica clínica, permitiendo la personalización de intervenciones y la predicción de resultados específicos para cada paciente (20).
Uno de los factores clave en el éxito de la inteligencia artificial en radiología es la colaboración entre radiólogos y científicos especializados en inteligencia artificial. Esta cooperación garantiza que las herramientas desarrolladas sean comprensibles y reproducibles en la práctica clínica, fortaleciendo la confianza en la tecnología y permitiendo su implementación de manera eficaz. La transparencia y la explicabilidad de los algoritmos son aspectos esenciales que contribuyen a su aceptación en entornos clínicos y a la mejora de los resultados en el diagnóstico por imágenes (21).
Más allá de su impacto en la práctica clínica, la inteligencia artificial ha demostrado ser una herramienta valiosa en la educación y formación médica. Los modelos generativos han revolucionado la enseñanza en la radiología, proporcionando herramientas avanzadas para la investigación y el análisis de imágenes. Estos modelos permiten la creación de escenarios simulados, en los que los profesionales pueden adquirir experiencia en el diagnóstico y la interpretación de imágenes médicas sin necesidad de recurrir a pacientes reales. Asimismo, la inteligencia artificial ha permitido el desarrollo de experiencias de aprendizaje personalizadas, adaptadas a las necesidades y niveles de conocimiento de cada estudiante (17).
En el ámbito de la radiología intervencionista, el aumento de datos facilitado por la inteligencia artificial ha potenciado la investigación y el desarrollo de nuevas técnicas diagnósticas y terapéuticas. La implementación de algoritmos de inteligencia artificial en este campo ha permitido optimizar los procedimientos guiados por imágenes, mejorando la precisión de las intervenciones y reduciendo los tiempos de recuperación de los pacientes. Además, la inteligencia artificial ha facilitado la creación de herramientas de entrenamiento para los profesionales, ofreciendo soluciones innovadoras que enriquecen la formación médica y mejoran la calidad de la atención brindada en el ámbito hospitalario (18).
Conclusiones:
La inteligencia artificial ha demostrado ser una herramienta clave en la radiología al mejorar la detección de patologías en imágenes médicas, reduciendo los errores diagnósticos y optimizando los flujos de trabajo clínicos. Su capacidad para analizar grandes volúmenes de datos con rapidez y precisión permite a los radiólogos concentrarse en la toma de decisiones más complejas, lo que mejora la eficiencia en la atención médica.
La integración de la inteligencia artificial con técnicas de imagen como la tomografía computarizada y la resonancia magnética ha permitido optimizar la reconstrucción de imágenes, reducir la exposición a radiación y mejorar la detección temprana de enfermedades como el cáncer y patologías neurológicas. Además, su implementación en radiología intervencionista ha facilitado la planificación de procedimientos guiados por imágenes, aumentando la precisión en biopsias y tratamientos mínimamente invasivos.
A pesar de sus beneficios, la implementación de la inteligencia artificial enfrenta desafíos importantes, como la necesidad de grandes volúmenes de datos para el entrenamiento de modelos, la falta de protocolos estandarizados y las preocupaciones sobre la privacidad de los pacientes. Sin embargo, su integración con los sistemas de salud digitales y su uso en la educación médica representan un camino prometedor para mejorar la práctica radiológica y ofrecer diagnósticos más precisos y personalizados.
Referencias:
- Bednarek A, Gumiężna K, Baruś P, Kochman J, Tomaniak M. Artificial Intelligence in Imaging for Personalized Management of Coronary Artery Disease. JournalOfClinical Medicine [Internet]. 13 de enero de 2025;14(2):462. Disponible en: https://doi.org/10.3390/jcm14020462
- Chang L, Liu J, Zhu J, Guo S, Wang Y, Zhou Z, et al. Advancing precision medicine: the transformative role of artificial intelligence in immunogenomics, radiomics, and pathomics for biomarker discovery and immunotherapy optimization. CancerBiology And Medicine [Internet]. 2 de enero de 2025;1-15. Disponible en: https://doi.org/10.20892/j.issn.2095-3941.2024.0376
- 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
- Singh S, Healy NA. The top 100 most-cited articles on artificial intelligence in breast radiology: a bibliometric analysis. InsightsIntoImaging [Internet]. 12 de diciembre de 2024;15(1). Disponible en: https://doi.org/10.1186/s13244-024-01869-4
- Huang Y, Gomaa A, Höfler D, Schubert P, Gaipl U, Frey B, et al. Principles of artificial intelligence in radiooncology. StrahlentherapieUndOnkologie [Internet]. 6 de agosto de 2024; Disponible en: https://doi.org/10.1007/s00066-024-02272-0
- Kemper E, Erenstein H, Boverhof BJ, Redekop K, Andreychenko AE, Dietzel M, et al. ESR Essentials: how to get to valuable radiology AI: the role of early health technology assessment—practice recommendations by the European Society of Medical Imaging Informatics. EuropeanRadiology [Internet]. 5 de diciembre de 2024; Disponible en: https://doi.org/10.1007/s00330-024-11188-3
- Zhao B, Cao B, Xia T, Zhu L, Yu Y, Lu C, et al. Multiparametric MRI for Assessment of the Biological Invasiveness and Prognosis of Pancreatic Ductal Adenocarcinoma in the Era of Artificial Intelligence. JournalOfMagneticResonanceImaging [Internet]. 9 de enero de 2025; Disponible en: https://doi.org/10.1002/jmri.29708
- 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
- Anderson P, Tarder-Stoll H, Alpaslan M, Keathley N, Levin DL, Venkatesh S, et al. Deep learning improves physician accuracy in the comprehensive detection of abnormalities on chest X-rays. ScientificReports [Internet]. 24 de octubre de 2024;14(1). Disponible en: https://doi.org/10.1038/s41598-024-76608-2
- Topff L, Steltenpool S, Ranschaert ER, Ramanauskas N, Menezes R, Visser JJ, et al. Artificial intelligence-assisted double reading of chest radiographs to detect clinically relevant missed findings: a two-centre evaluation. EuropeanRadiology [Internet]. 11 de marzo de 2024;34(9):5876-85. Disponible en: https://doi.org/10.1007/s00330-024-10676-w
- Yeasmin M, Amin M, Joti TJ, Aung Z, Azim MA. Advances of AI in image-based computer-aided diagnosis: A review. Array [Internet]. 6 de julio de 2024;23:100357. Disponible en: https://doi.org/10.1016/j.array.2024.100357
- Bryan R, Forghani R. Artificial Intelligence in Radiology: Not If, But How and When. Radiology [Internet]. 1 de junio de 2024;311(3). Disponible en: https://doi.org/10.1148/radiol.241222
- Brady A, Allen B, Chong J, Kotter E, Kottler N, Mongan J, et al. Developing, purchasing, implementing and monitoring AI tools in radiology: practical considerations. A multi-society statement from the ACR, CAR, ESR, RANZCR & RSNA. InsightsIntoImaging [Internet]. 22 de enero de 2024;15(1). Disponible en: https://doi.org/10.1186/s13244-023-01541-3
- Dunnick N. Short Term Gain or Long Term Success? AcademicRadiology [Internet]. 29 de febrero de 2024;31(4):1229-30. Disponible en: https://doi.org/10.1016/j.acra.2024.02.033
- Chen M, Wang Y, Wang Q, Shi J, Wang H, Ye Z, et al. Impact of human and artificial intelligence collaboration on workload reduction in medical image interpretation. Npj Digital Medicine [Internet]. 30 de noviembre de 2024;7(1). Disponible en: https://doi.org/10.1038/s41746-024-01328-w
- Bukhari S, Jiang S, Gupta A. Reply to “No Boundaries: Ethical and Practical Challenges of Implementing Artificial Intelligence in Radiology in Diverse Health Systems”. American JournalOfRoentgenology [Internet]. 26 de diciembre de 2024; Disponible en: https://doi.org/10.2214/ajr.24.32529
- Janumpally R, Nanua S, Ngo A, Youens K. Generative artificial intelligence in graduate medical education. Frontiers In Medicine [Internet]. 10 de enero de 2025;11. Disponible en: https://doi.org/10.3389/fmed.2024.1525604
- Lesaunier A, Khlaut J, Dancette C, Tselikas L, Bonnet B, Boeken T. Artificial intelligence in interventional radiology: Current concepts and future trends. Diagnostic And InterventionalImaging [Internet]. 11 de septiembre de 2024;106(1):5-10. Disponible en: https://doi.org/10.1016/j.diii.2024.08.004
- Zaharchuk G, Mei J. The Future of Artificial Intelligence in Clinical Radiology: Savior or False Hope? American JournalOfNeuroradiology [Internet]. 1 de diciembre de 2024;45(12):1838-44. Disponible en: https://doi.org/10.3174/ajnr.a8550
- Jiang S, Bukhari SMA, Krishnan A, Bera K, Sharma A, Caovan D, et al. Deployment of Artificial Intelligence in Radiology: Strategies for Success. American Journal Of Roentgenology [Internet]. 30 de octubre de 2024; Disponible en: https://doi.org/10.2214/ajr.24.31898
- Linguraru M, Bakas S, Aboian M, Chang PD, Flanders AE, Kalpathy-Cramer J, et al. Clinical, Cultural, Computational, and Regulatory Considerations to Deploy AI in Radiology: Perspectives of RSNA and MICCAI Experts. Radiology Artificial Intelligence [Internet]. 1 de julio de 2024;6(4). Disponible en: https://doi.org/10.1148/ryai.240225