El papel de la inteligencia artificial en el diagnóstico por imágenes: Oportunidades, desafíos y perspectivas futuras
Autor principal: Walter Eduardo Zúñiga Arceyut
Vol. XX; nº 16; 875
The role of artificial intelligence in diagnostic imaging: Opportunities, challenges, and prospects
Fecha de recepción: 16 de julio de 2025
Fecha de aceptación: 16 de agosto de 2025
Incluido en Revista Electrónica de PortalesMedicos.com, Volumen XX. Número 16 – Segunda quincena de Agosto de 2025 – Página inicial: Vol. XX; nº 16; 875
Autores:
Walter Eduardo Zúñiga Arceyut, Médico general, investigador Independiente. San José, Costa Rica. Orcid: https://orcid.org/0009-0009-0494-6454 Código Medico 19116
Mariangel Montero Jiménez, Médico general, investigadora Independiente. San José, Costa Rica. Orcid: https://orcid.org/0009-0008-7320-0763 Código Medico 19108
Luis Alberto Matarrita Rojas, Médico general, investigador Independiente. Puntarenas, Costa Rica. Orcid: https://orcid.org/0009-0008-2753-3815 Código Medico 19101
José Javier Inces Oreamuno, Médico general, investigador Independiente. Heredia, Costa Rica. Orcid: https://orcid.org/0009-0000-9926-8514 Código Medico 19237
Krista Yulieth Brenes Navarro, Médico general, investigadora Independiente. San José, Costa Rica. Orcid: https://orcid.org/0009-0002-4623-9933 Código Medico 19100
Resumen
La inteligencia artificial ha transformado el diagnóstico por imágenes, ofreciendo nuevas herramientas para mejorar la precisión, eficiencia y rapidez de los procesos diagnósticos. Su implementación se basa en algoritmos capaces de aprender y adaptarse mediante el análisis de grandes volúmenes de datos, lo que permite detectar patrones complejos y anomalías sutiles en múltiples modalidades, como la resonancia magnética, la tomografía computarizada o la radiografía. En este contexto, el aprendizaje profundo, una evolución del aprendizaje automático, ha demostrado especial eficacia en la clasificación y segmentación de imágenes médicas, facilitando diagnósticos más tempranos y certeros. Entre los principales beneficios clínicos se encuentran la reducción de la carga de trabajo de los radiólogos, la optimización de los tiempos de respuesta en situaciones de emergencia y la mejora de la accesibilidad al diagnóstico en regiones con escaso acceso a especialistas. Además, la inteligencia artificial ha contribuido a estandarizar procesos diagnósticos, disminuyendo la variabilidad interobservador. No obstante, su integración enfrenta desafíos importantes, como el sesgo algorítmico, la falta de transparencia de algunos modelos y la necesidad de validación clínica rigurosa. También existen preocupaciones éticas y legales relacionadas con la privacidad de los datos y la responsabilidad en caso de errores. La aceptación por parte de los profesionales de la salud depende en gran medida de la capacitación adecuada, la confianza en los sistemas y la existencia de marcos regulatorios claros. A pesar de estas limitaciones, experiencias exitosas han demostrado que, con un enfoque interdisciplinario y regulaciones apropiadas, la inteligencia artificial puede integrarse de manera efectiva y segura en la práctica médica moderna.
Palabras clave
Segmentación, redes neuronales, sobreajuste, validación clínica, aprendizaje profundo, sesgo algorítmico.
Abstract
Artificial intelligence has transformed diagnostic imaging, offering new tools to improve the accuracy, efficiency, and speed of diagnostic processes. Its implementation is based on algorithms capable of learning and adapting by analyzing large volumes of data, allowing the detection of complex patterns and subtle anomalies in multiple modalities, such as MRI, CT, and X-ray. In this context, deep learning, an evolution of machine learning, has proven particularly effective in classifying and segmenting medical images, facilitating earlier and more accurate diagnoses. The main clinical benefits include reduced workload for radiologists, optimized response times in emergency situations, and improved diagnostic accessibility in regions with limited access to specialists. Furthermore, artificial intelligence has contributed to standardizing diagnostic processes, reducing interobserver variability. However, its integration faces significant challenges, such as algorithmic bias, the lack of transparency of some models, and the need for rigorous clinical validation. There are also ethical and legal concerns related to data privacy and liability in the event of errors. Acceptance by healthcare professionals depends largely on adequate training, trust in the systems, and clear regulatory frameworks. Despite these limitations, successful experiences have shown that, with an interdisciplinary approach and appropriate regulations, artificial intelligence can be effectively and safely integrated into modern medical practice.
Keywords
Segmentation, neural networks, overfitting, clinical validation, deep learning, algorithmic bias.
Introducción
La inteligencia artificial (IA) se ha convertido en una herramienta fundamental en la evolución del diagnóstico por imágenes, transformando la forma en que se adquieren, procesan e interpretan los estudios médicos. Este avance tecnológico es parte de un proceso más amplio de innovación en medicina, que tuvo sus inicios con el descubrimiento de los rayos X y que, con el tiempo, se expandió gracias a la digitalización de las imágenes a finales del siglo XX (1). Actualmente, la inteligencia artificial representa un nuevo capítulo en esta evolución, impulsado por el desarrollo de algoritmos de aprendizaje automático, redes neuronales profundas y la disponibilidad de grandes conjuntos de datos clínicos, que han permitido un análisis más preciso y sofisticado de las imágenes médicas (2).
En el campo de la radiología, la inteligencia artificial ha adquirido un protagonismo creciente al facilitar tareas clave como la mejora de la calidad de imagen, la reducción de ruido, la detección automática de anomalías y la predicción de riesgos individuales en los pacientes. Estas capacidades tecnológicas no solo permiten optimizar los parámetros de adquisición y las técnicas de visualización, sino que también mejoran la toma de decisiones clínicas y la gestión personalizada de los pacientes (3; 4). Por ejemplo, se han desarrollado algoritmos capaces de automatizar procesos como la isocentración del paciente o la adaptación dinámica de la adquisición según el contexto clínico, lo que reduce la variabilidad humana y aumenta la eficiencia diagnóstica (4).
Además, el uso de inteligencia artificial en la radiología no se limita únicamente al ámbito de la medicina humana. Su aplicación en contextos veterinarios también ha mostrado resultados prometedores, lo que demuestra su versatilidad y su potencial de adopción transversal en distintas disciplinas clínicas. Este carácter adaptable resalta la naturaleza expansiva de la IA y anticipa una futura integración sistemática de estas tecnologías en diversos entornos de atención médica (3).
El propósito de esta revisión es analizar el papel emergente de la inteligencia artificial en el diagnóstico por imágenes, con énfasis en sus aplicaciones clínicas, beneficios potenciales y limitaciones actuales. Se busca describir cómo las tecnologías basadas en inteligencia artificial, en particular el aprendizaje automático y las redes neuronales profundas, están transformando los procesos diagnósticos en radiología al mejorar la calidad de las imágenes, facilitar la detección de anomalías y optimizar la toma de decisiones clínicas.
Metodología
Para el desarrollo de esta investigación sobre el papel de la inteligencia artificial en el diagnóstico por imágenes, se llevó a cabo una revisión bibliográfica exhaustiva con el objetivo de analizar las aplicaciones clínicas actuales, las oportunidades tecnológicas emergentes y las principales limitaciones en su implementación. Esta revisión incluyó aspectos clave como la evolución histórica de la inteligencia artificial en medicina, sus fundamentos técnicos en radiología, las implicaciones éticas y regulatorias, así como su impacto en la práctica clínica diaria y en la toma de decisiones diagnósticas.
Para garantizar la calidad y relevancia de la información seleccionada, se consultaron bases de datos científicas reconocidas como PubMed, Scopus y Web of Science, debido a su prestigio y su cobertura en áreas como radiología, informática médica, ingeniería biomédica e inteligencia artificial. Se establecieron criterios rigurosos de inclusión y exclusión: se seleccionaron únicamente estudios publicados entre 2020 y 2025, en inglés o español, que abordaran el uso de inteligencia artificial en imágenes médicas, su validación clínica, sus beneficios operativos y sus desafíos técnicos o éticos. Se excluyeron publicaciones duplicadas, documentos sin revisión por pares y estudios con información incompleta o desactualizada. Para la búsqueda se utilizaron palabras clave como: Segmentación, redes neuronales, sobreajuste, validación clínica, aprendizaje profundo, sesgo algorítmico.
La búsqueda inicial identificó 24 fuentes relevantes, entre las cuales se incluyeron artículos originales, revisiones sistemáticas, estudios clínicos, documentos técnicos y reportes de organismos especializados en radiología e informática médica. A partir de estas fuentes, se realizó un análisis cualitativo que permitió clasificar los hallazgos en categorías temáticas relacionadas con las aplicaciones clínicas, el rendimiento diagnóstico, las implicaciones éticas y las barreras de adopción tecnológica. Esta metodología permitió una síntesis crítica del estado actual del conocimiento, ofreciendo una perspectiva integral sobre las oportunidades y limitaciones de la inteligencia artificial en el diagnóstico por imágenes, y aportando bases para su desarrollo futuro en la práctica médica.
Fundamentos de la inteligencia artificial en imágenes médicas
La inteligencia artificial representa un campo amplio y dinámico que busca replicar funciones cognitivas humanas mediante máquinas. Este enfoque se fundamenta en algoritmos diseñados para procesar información, razonar, resolver problemas y aprender a partir de la experiencia. Sus primeras implementaciones en medicina, especialmente en el ámbito del diagnóstico por imágenes, se apoyaron en redes neuronales simples y árboles de decisión, herramientas capaces de modelar relaciones básicas entre variables clínicas y resultados diagnósticos (2).
Dentro del amplio espectro de la inteligencia artificial, el aprendizaje automático constituye un subconjunto particularmente relevante. En lugar de depender de instrucciones programadas de forma explícita, los algoritmos de aprendizaje automático son capaces de identificar patrones y realizar predicciones a partir del análisis de grandes volúmenes de datos. Esto permite que el sistema se optimice de forma progresiva, mejorando su precisión conforme se expone a más información (5). Una evolución avanzada de este paradigma es el aprendizaje profundo, que se basa en redes neuronales profundas o multilayered, capaces de procesar múltiples capas de abstracción y extraer patrones complejos, especialmente útiles en la interpretación automatizada de imágenes médicas (6).
A diferencia de la inteligencia artificial tradicional, que se apoya en reglas predefinidas y modelos basados en conocimiento explícito, el aprendizaje profundo permite una adaptación autónoma del sistema a través del análisis de datos no estructurados. Esta capacidad ha demostrado un rendimiento superior en tareas como la clasificación de imágenes médicas, la segmentación de estructuras anatómicas y la detección temprana de anomalías, superando incluso en algunos casos la precisión de los observadores humanos (2; 7).
Los algoritmos aplicados en radiología cumplen funciones específicas que potencian el proceso diagnóstico. En primer lugar, los algoritmos de clasificación permiten asignar una imagen a una categoría determinada, como por ejemplo diferenciar entre una radiografía pulmonar normal y una que presenta signos de neumonía. En segundo lugar, la segmentación de imágenes divide las estructuras visualizadas en regiones anatómicas significativas, como separar el tejido tumoral del tejido sano, lo que facilita la planificación terapéutica y la evaluación de la progresión de la enfermedad. Por último, la detección de anomalías permite identificar variaciones sutiles respecto a los patrones fisiológicos esperados, lo cual es fundamental para el diagnóstico precoz de condiciones como cánceres, hemorragias o enfermedades neurodegenerativas (7).
Aplicaciones actuales en diagnóstico por imágenes
La inteligencia artificial ha demostrado ser una herramienta valiosa en la radiología moderna, integrándose con éxito en múltiples modalidades de imagen médica. En el campo de la radiografía, su aplicación ha permitido avances significativos en la detección de enfermedades como la neumonía y en la identificación de fracturas óseas. Los modelos de aprendizaje profundo, especialmente las redes neuronales convolucionales, han alcanzado niveles de precisión notables en el diagnóstico de neumonía a partir de radiografías de tórax, superando en ocasiones el rendimiento de los radiólogos humanos en términos de sensibilidad y especificidad diagnóstica (8; 9). Paralelamente, se han desarrollado herramientas aprobadas por la Administración de Alimentos y Medicamentos (FDA, por sus siglas en inglés) para apoyar la detección de fracturas, particularmente útiles en entornos de urgencia, donde estas lesiones son comúnmente pasadas por alto (10).
En el caso de la tomografía computarizada, los algoritmos de inteligencia artificial se han empleado con eficacia para mejorar el diagnóstico de diversas afecciones, incluyendo el cáncer, lesiones cerebrales traumáticas y enfermedades cardiovasculares. Estas herramientas permiten una detección más temprana y precisa, mejorando la interpretación de hallazgos complejos y contribuyendo a una atención más oportuna. La utilidad de la inteligencia artificial fue particularmente evidente durante la pandemia por COVID-19, donde se utilizó para clasificar la gravedad de los pacientes, evaluar el compromiso pulmonar y predecir la evolución clínica con alta precisión diagnóstica en múltiples contextos poblacionales (11; 8).
En el ámbito de la resonancia magnética, la inteligencia artificial ha demostrado ser una aliada esencial en el análisis de imágenes cerebrales, especialmente en enfermedades neurológicas como la esclerosis múltiple, tumores cerebrales y trastornos neurodegenerativos. Las técnicas de aprendizaje profundo han optimizado la segmentación de estructuras cerebrales y la clasificación de patrones anormales, facilitando diagnósticos más tempranos y un seguimiento más preciso del curso de la enfermedad (11; 12).
Del mismo modo, en las áreas de la mamografía y la ecografía, la inteligencia artificial ha sido utilizada con fines diagnósticos en oncología y obstetricia. En la mamografía, los sistemas basados en inteligencia artificial han mejorado la detección de microcalcificaciones y otras anomalías sutiles asociadas al cáncer de mama, lo cual permite un diagnóstico más temprano y reduce las tasas de falsos negativos. En la ecografía, la inteligencia artificial ha optimizado la evaluación de la salud fetal y otros aspectos gineco-obstétricos, promoviendo una atención más precisa y personalizada (12).
Finalmente, la integración de estas tecnologías en los sistemas de archivo y comunicación de imágenes y en los sistemas de apoyo a la toma de decisiones clínicas ha facilitado una transformación estructural en los flujos de trabajo de los servicios de radiología. La capacidad de la inteligencia artificial para analizar imágenes en tiempo real y proporcionar alertas o recomendaciones clínicas ha mejorado la eficiencia operativa, reducido el tiempo de interpretación y contribuido a mejores resultados para los pacientes. Esta sinergia entre tecnología y práctica clínica representa un cambio de paradigma en el abordaje diagnóstico y terapéutico en radiología (13).
Oportunidades y beneficios clínicos
La inteligencia artificial ha demostrado un potencial considerable para transformar el diagnóstico por imágenes mediante una mejora sustancial en la precisión diagnóstica y la detección temprana de múltiples enfermedades. En particular, los algoritmos de redes neuronales convolucionales se han destacado por su capacidad para reconocer patrones complejos y extraer información relevante a partir de imágenes generadas por técnicas como la resonancia magnética, la tomografía computarizada y la tomografía por emisión de positrones. Esta habilidad ha permitido identificar patologías en estadios más tempranos, incrementando las posibilidades de intervención oportuna y mejorando el pronóstico de los pacientes (11). Además, la integración de estos sistemas en la práctica clínica ha fortalecido la toma de decisiones terapéuticas al facilitar la predicción de riesgos individuales y la mejora en la calidad de reconstrucción de las imágenes, lo que añade una capa de valor predictivo y personalizado a la atención médica (14).
Otro de los beneficios relevantes de la implementación de inteligencia artificial en radiología es la notable reducción de la carga de trabajo que experimentan los radiólogos. Herramientas como los chatbots visuales permiten asistir en la interpretación de imágenes, la redacción de informes y la toma de decisiones clínicas, promoviendo así una mayor eficiencia operativa y disminuyendo el agotamiento profesional en un entorno cada vez más demandante (15). A esta contribución se suma la capacidad de la inteligencia artificial para acelerar los tiempos de escaneo y procesar grandes volúmenes de datos con alta precisión, lo que representa una ventaja significativa frente a los métodos convencionales de análisis y diagnóstico (16).
En contextos de emergencia, la inteligencia artificial ha demostrado ser una herramienta crucial al facilitar análisis rápidos de imágenes que permiten una toma de decisiones más ágil. Esta rapidez en el procesamiento se traduce en intervenciones más tempranas, que son determinantes para mejorar los resultados clínicos en situaciones críticas como accidentes cerebrovasculares, traumatismos o complicaciones agudas (16). De manera similar, en regiones con escaso acceso a especialistas en radiología, los sistemas de diagnóstico por imágenes asistidos por inteligencia artificial ofrecen una solución eficaz, brindando apoyo diagnóstico a distancia y mejorando la equidad en la atención médica (11).
Además, uno de los aportes más prometedores de la inteligencia artificial en el diagnóstico por imágenes es su capacidad para promover la estandarización de los procesos diagnósticos. Al ofrecer interpretaciones objetivas y coherentes, la inteligencia artificial ayuda a reducir la variabilidad interobservador, lo que garantiza una mayor consistencia en los diagnósticos y mejora la calidad de los datos clínicos. Este enfoque uniforme no solo favorece la fiabilidad diagnóstica, sino que también fortalece la investigación clínica y el seguimiento longitudinal de los pacientes, al permitir comparaciones precisas a lo largo del tiempo y entre distintas instituciones (11).
Limitaciones y desafíos
Uno de los principales desafíos asociados al uso de la inteligencia artificial en el diagnóstico por imágenes es el sesgo algorítmico, que se origina principalmente en la falta de representatividad de los conjuntos de datos utilizados para entrenar los modelos. Muchos de estos conjuntos provienen de bases de datos públicas que no reflejan adecuadamente la diversidad de las poblaciones clínicas reales, lo que limita la capacidad de los modelos para generalizar sus resultados a distintos grupos demográficos o contextos clínicos. Como resultado, se corre el riesgo de que los algoritmos presenten un rendimiento inferior o incluso diagnósticos inexactos en pacientes que pertenecen a poblaciones subrepresentadas, lo que constituye una preocupación crítica en términos de equidad en la atención médica (17).
A esta limitación se suma la falta de transparencia inherente a muchos sistemas de inteligencia artificial, especialmente aquellos basados en aprendizaje profundo. Estos modelos son comúnmente descritos como «cajas negras» debido a que sus procesos de decisión no son fácilmente comprensibles ni interpretables por los profesionales de la salud. Esta opacidad genera desconfianza tanto en los clínicos como en los pacientes, y dificulta la integración de la tecnología en la práctica médica, donde la toma de decisiones debe estar claramente fundamentada y ser justificable ante los distintos actores del sistema sanitario (18).
Otro desafío técnico es el riesgo de sobreajuste de los modelos, es decir, la tendencia de la inteligencia artificial a aprender patrones específicos del conjunto de datos con el que fue entrenada, perdiendo así su capacidad de adaptarse a datos nuevos o contextos distintos. Esta limitación compromete la eficacia del modelo en escenarios clínicos variados, y resalta la importancia de realizar procesos de validación robustos que evalúen el rendimiento de la inteligencia artificial en entornos diversos y con poblaciones amplias. Sin estas validaciones, los sistemas pueden fallar al enfrentar imágenes que difieren ligeramente de las que han sido utilizadas durante el entrenamiento (19).
Además de los problemas técnicos, el uso de inteligencia artificial en imágenes médicas plantea importantes interrogantes éticos y legales. La privacidad de los datos es una de las preocupaciones centrales, dado que estos sistemas requieren grandes volúmenes de información sensible para funcionar adecuadamente. Es fundamental establecer mecanismos seguros que protejan la confidencialidad de los pacientes y aseguren el consentimiento informado para el uso de sus datos. Asimismo, surgen preguntas sobre la responsabilidad legal en caso de errores diagnósticos: si un sistema de inteligencia artificial falla, ¿quién es el responsable? ¿El desarrollador del algoritmo, el centro médico o el profesional que interpretó el resultado? Estas cuestiones aún carecen de respuestas claras y requieren marcos normativos sólidos que contemplen las nuevas dinámicas introducidas por la tecnología (18; 20).
Finalmente, para garantizar la seguridad y efectividad de estos sistemas, es imprescindible que atraviesen un proceso riguroso de validación clínica y aprobación por parte de los organismos regulatorios. Dicha validación debe demostrar no solo la precisión técnica del algoritmo, sino también su aplicabilidad en condiciones clínicas reales y diversas. Sin embargo, este proceso enfrenta importantes obstáculos, como la escasa diversidad de los datos utilizados en muchos estudios de validación, lo que impide evaluar adecuadamente el comportamiento del sistema en diferentes poblaciones. Superar estas limitaciones exige un esfuerzo conjunto entre desarrolladores, investigadores, autoridades regulatorias y profesionales de la salud para asegurar que la inteligencia artificial se integre de manera segura, ética y equitativa en la práctica médica (17; 20).
Aceptación clínica e integración en la práctica médica
La percepción de los profesionales de la salud frente a la inteligencia artificial en el ámbito del diagnóstico por imágenes es un factor determinante para su adopción e implementación exitosa. Un estudio realizado en Arabia Saudí reveló que, aunque el 45,2% de los profesionales de radiología reconocieron el impacto positivo que la inteligencia artificial podría tener en su práctica, un 58,6% también identificó como principal obstáculo la falta de conocimientos adecuados y la carencia de formación específica en esta tecnología. Esta situación refleja una brecha crítica entre el avance tecnológico y la capacitación del recurso humano, que puede limitar la aplicación práctica de herramientas basadas en inteligencia artificial, incluso cuando estas han demostrado beneficios potenciales (21).
Además de la falta de formación, existe entre los profesionales de la salud un temor persistente relacionado con la posible pérdida de autonomía profesional. Este sentimiento está vinculado a la idea de que las decisiones clínicas podrían pasar a depender excesivamente de sistemas automatizados, reduciendo el papel del juicio médico. Asimismo, se han señalado dificultades importantes en la integración de estos sistemas dentro de los flujos de trabajo clínico existentes, lo cual genera resistencia y preocupación por una posible interrupción de los procesos rutinarios en entornos hospitalarios ya sobrecargados (22).
Entre las barreras principales para la adopción de inteligencia artificial se encuentra la necesidad urgente de formación especializada. La mayoría de los planes de estudio en medicina aún no contemplan de forma integral la enseñanza de habilidades relacionadas con inteligencia artificial, lo que deja a los profesionales sin las herramientas necesarias para comprender, interpretar o utilizar estos sistemas de manera efectiva. Por ello, se propone el diseño de programas de formación que no solo aborden los aspectos técnicos de la tecnología, sino que también incluyan dimensiones éticas, legales y clínicas para fomentar una integración segura y consciente (23).
En cuanto a la confianza en la tecnología, esta continúa siendo limitada, especialmente por las preocupaciones sobre la posibilidad de errores diagnósticos y la falta de transparencia de los modelos de inteligencia artificial. La opacidad con la que operan muchos algoritmos, sumado a la dificultad para entender cómo se generan sus decisiones, puede minar la credibilidad de estos sistemas entre los profesionales sanitarios. De igual forma, la ausencia de un marco normativo claro que regule el uso de la inteligencia artificial en medicina contribuye a la inseguridad jurídica y ética. Expertos han sugerido la necesidad de establecer regulaciones tan rigurosas como las que se aplican a los productos farmacéuticos, a fin de garantizar que los sistemas de inteligencia artificial sean evaluados en términos de seguridad, eficacia y equidad antes de su implementación masiva (23).
A pesar de estos desafíos, existen ejemplos exitosos de integración clínica que demuestran el potencial de la inteligencia artificial cuando se implementa de manera estratégica y colaborativa. En campos como la reconstrucción de imágenes y la detección del cáncer, su uso ha mostrado mejoras evidentes en la eficiencia del flujo de trabajo y en la toma de decisiones clínicas, lo que redunda en una mejor gestión de los pacientes (14). Estos avances han sido posibles gracias a colaboraciones entre profesionales de la radiología y científicos de datos especializados en inteligencia artificial. Iniciativas como las promovidas por la Sociedad Radiológica de Norteamérica y el Congreso Internacional de Análisis y Reconocimiento de Imágenes Médicas han sido fundamentales para superar barreras culturales, tecnológicas y metodológicas, facilitando así una integración más armoniosa entre la inteligencia artificial y la práctica clínica cotidiana (24).
Conclusiones
La inteligencia artificial ha mejorado significativamente la precisión y eficiencia diagnóstica al permitir la detección temprana de enfermedades mediante el análisis automatizado y sofisticado de imágenes médicas, lo que se traduce en una atención más oportuna y personalizada.
Persisten desafíos técnicos, éticos y regulatorios que limitan su implementación generalizada, como el sesgo algorítmico, la falta de transparencia de los modelos y la necesidad de validación clínica rigurosa en poblaciones diversas.
La aceptación e integración exitosa de la inteligencia artificial en entornos clínicos requiere formación especializada para los profesionales de la salud, colaboración interdisciplinaria y la creación de marcos normativos que garanticen la seguridad, equidad y eficacia de estas tecnologías.
Referencias
1. Driver C, Bowles B, Bartholmai BJ, Greenberg‐Worisek AJ. Artificial Intelligence in Radiology: A Call for Thoughtful Application. Clinical And Translational Science [Internet]. 30 de octubre de 2019;13(2):216-8. Disponible en: https://doi.org/10.1111/cts.12704
2. 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
3. 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
4. Sharma P, Suehling M, Flohr T, Comaniciu D. Artificial Intelligence in Diagnostic Imaging. Journal Of Thoracic Imaging [Internet]. 20 de marzo de 2020;35(Supplement 1):S11-6. Disponible en: https://doi.org/10.1097/rti.0000000000000499
5. Gurgitano M, Angileri SA, Rodà GM, Liguori A, Pandolfi M, Ierardi AM, et al. Interventional Radiology ex-machina: impact of Artificial Intelligence on practice. La Radiologia Medica [Internet]. 16 de abril de 2021;126(7):998-1006. Disponible en: https://doi.org/10.1007/s11547-021-01351-x
6. Wagner M, Namdar K, Biswas A, Monah S, Khalvati F, Ertl-Wagner BB. Radiomics, machine learning, and artificial intelligence—what the neuroradiologist needs to know. Neuroradiology [Internet]. 18 de septiembre de 2021;63(12):1957-67. Disponible en: https://doi.org/10.1007/s00234-021-02813-9
7. Benameur N, Mahmoudi R. Deep Learning in Medical Imaging. En: Artificial intelligence [Internet]. 2023. Disponible en: https://doi.org/10.5772/intechopen.111686
8. Ginsburg AS, McCollum ED. Artificial intelligence and pneumonia: a rapidly evolving frontier. The Lancet Global Health [Internet]. 10 de noviembre de 2023;11(12):e1849-50. Disponible en: https://doi.org/10.1016/s2214-109x(23)00463-1
9. Hong GS, Jang M, Kyung S, Cho K, Jeong J, Lee GY, et al. Overcoming the Challenges in the Development and Implementation of Artificial Intelligence in Radiology: A Comprehensive Review of Solutions Beyond Supervised Learning. Korean Journal Of Radiology [Internet]. 1 de enero de 2023;24(11):1061. Disponible en: https://doi.org/10.3348/kjr.2023.0393
10. Zech J, Santomartino SM, Yi PH. Artificial Intelligence (AI) for Fracture Diagnosis: An Overview of Current Products and Considerations for Clinical Adoption, From the AJR Special Series on AI Applications. American Journal Of Roentgenology [Internet]. 22 de junio de 2022;219(6):869-78. Disponible en: https://doi.org/10.2214/ajr.22.27873
11. Kumar V, Singh AK, Damasevicius R. Guest Editorial Artificial Intelligence-Driven Biomedical Imaging Systems for Precision Diagnostic Applications. IEEE Journal Of Biomedical And Health Informatics [Internet]. 1 de marzo de 2024;28(3):1158-60. Disponible en: https://doi.org/10.1109/jbhi.2024.3360759
12. Yeasmin MN, Amin MA, 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
13. Lee S, Shin HJ, Kim S, Kim EK. Successful Implementation of an Artificial Intelligence-Based Computer-Aided Detection System for Chest Radiography in Daily Clinical Practice. Korean Journal Of Radiology [Internet]. 1 de enero de 2022;23(9):847. Disponible en: https://doi.org/10.3348/kjr.2022.0193
14. Langs G. Artificial intelligence in medical imaging is a tool for clinical routine and scientific discovery. Seminars In Arthritis And Rheumatism [Internet]. 22 de noviembre de 2023;64:152321. Disponible en: https://doi.org/10.1016/j.semarthrit.2023.152321
15. Daungsupawong H, Wiwanitkit V. Transforming radiology with AI Visual Chatbot. Journal Of The American College Of Radiology [Internet]. 3 de noviembre de 2023;21(1):3. Disponible en: https://doi.org/10.1016/j.jacr.2023.10.022
16. Alexander A, Jiang A, Ferreira C, Zurkiya D. An Intelligent Future for Medical Imaging: A Market Outlook on Artificial Intelligence for Medical Imaging. Journal Of The American College Of Radiology [Internet]. 1 de enero de 2020;17(1):165-70. Disponible en: https://doi.org/10.1016/j.jacr.2019.07.019
17. Saenz A, Chen E, Marklund H, Rajpurkar P. The MAIDA initiative: establishing a framework for global medical-imaging data sharing. The Lancet Digital Health [Internet]. 16 de noviembre de 2023;6(1):e6-8. Disponible en: https://doi.org/10.1016/s2589-7500(23)00222-4
18. Herington J, McCradden MD, Creel K, Boellaard R, Jones EC, Jha AK, et al. Ethical Considerations for Artificial Intelligence in Medical Imaging: Data Collection, Development, and Evaluation. Journal Of Nuclear Medicine [Internet]. 12 de octubre de 2023;64(12):1848-54. Disponible en: https://doi.org/10.2967/jnumed.123.266080
19. Kulkarni P, Singh H. Artificial Intelligence in Clinical Diagnosis. JAMA [Internet]. 6 de julio de 2023;330(4):317. Disponible en: https://doi.org/10.1001/jama.2023.11440
20. Hickman S, Baxter GC, Gilbert FJ. Adoption of artificial intelligence in breast imaging: evaluation, ethical constraints and limitations. British Journal Of Cancer [Internet]. 26 de marzo de 2021;125(1):15-22. Disponible en: https://doi.org/10.1038/s41416-021-01333-w
21. Hamd Z, Alorainy A, Aldhahi M, Gareeballah A, Alsubaie NF, Alshanaiber SA, et al. Evaluation of the Impact of Artificial Intelligence on Clinical Practice of Radiology in Saudi Arabia. Journal Of Multidisciplinary Healthcare [Internet]. 1 de octubre de 2024;Volume 17:4745-56. Disponible en: https://doi.org/10.2147/jmdh.s465508
22. Lambert S, Madi M, Sopka S, Lenes A, Stange H, Buszello CP, et al. An integrative review on the acceptance of artificial intelligence among healthcare professionals in hospitals. Npj Digital Medicine [Internet]. 10 de junio de 2023;6(1). Disponible en: https://doi.org/10.1038/s41746-023-00852-5
23. Perrella A, Bernardi FF, Bisogno M, Trama U. Bridging the gap in AI integration: enhancing clinician education and establishing pharmaceutical-level regulation for ethical healthcare. Frontiers In Medicine [Internet]. 19 de diciembre de 2024;11. Disponible en: https://doi.org/10.3389/fmed.2024.1514741
24. 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
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.