{"id":82083,"date":"2025-07-24T19:28:51","date_gmt":"2025-07-24T17:28:51","guid":{"rendered":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/?p=82083"},"modified":"2025-07-24T08:28:57","modified_gmt":"2025-07-24T06:28:57","slug":"aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax","status":"publish","type":"post","link":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/","title":{"rendered":"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax"},"content":{"rendered":"

Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax<\/strong><\/p>\n

Autor principal: Isa\u00edas Jos\u00e9 N\u00fa\u00f1ez P\u00e9rez<\/p>\n

Vol. XX; n\u00ba 14; 835<\/p>\n

Applications of artificial intelligence in the early detection of lung lesions using chest computed tomography<\/strong><\/p>\n

Fecha de recepci\u00f3n: 22 de junio de 2025
\nFecha de aceptaci\u00f3n: 20 de julio de 2025<\/p>\n

Incluido en Revista Electr\u00f3nica de PortalesMedicos.com, Volumen XX. N\u00famero 14 \u2013 Segunda quincena de Julio de 2025 \u2013 P\u00e1gina inicial: Vol. XX; n\u00ba 14; 835<\/p>\n

Autores:<\/h2>\n

Isa\u00edas Jos\u00e9 N\u00fa\u00f1ez P\u00e9rez, M\u00e9dico general, investigador Independiente. Heredia, Costa Rica. Orcid: https:\/\/orcid.org\/0009-0004-0157-6711. C\u00f3digo M\u00e9dico: 18051
\nVanessa S\u00e1nchez Rivera, M\u00e9dico general, investigadora Independiente. Heredia, Costa Rica. Orcid: https:\/\/orcid.org\/0000-0001-5725-4528. C\u00f3digo M\u00e9dico: 18100<\/p>\n

Resumen<\/h2>\n

En \u00faltima instancia, la inteligencia artificial ha transformado radicalmente el dominio de las im\u00e1genes m\u00e9dicas, particularmente en la evaluaci\u00f3n de las tomograf\u00edas computarizadas del t\u00f3rax, al ofrecer instrumentos sofisticados para la detecci\u00f3n, el diagn\u00f3stico y el seguimiento de diversas afecciones pulmonares. Los fundamentos tecnol\u00f3gicos, incluidos el aprendizaje autom\u00e1tico y el aprendizaje profundo, han facilitado la creaci\u00f3n de redes neuronales convolucionales dise\u00f1adas espec\u00edficamente para el an\u00e1lisis de im\u00e1genes. Estas redes tienen la capacidad de discernir patrones complejos y mejorar la precisi\u00f3n del diagn\u00f3stico, lo que en ocasiones supera el rendimiento interpretativo de los radi\u00f3logos.<\/p>\n

En entornos cl\u00ednicos, estas tecnolog\u00edas han demostrado una eficacia considerable en la identificaci\u00f3n de lesiones pulmonares, especialmente aquellas que son dif\u00edciles de detectar, como las opacidades vidriadas, que aumentan la sensibilidad diagn\u00f3stica en m\u00e1s de un veinte por ciento. Adem\u00e1s, los sistemas de inteligencia artificial son capaces de evaluar la probabilidad de malignidad de una lesi\u00f3n, lo que promueve una toma de decisiones cl\u00ednicas m\u00e1s precisa y oportuna.<\/p>\n

La integraci\u00f3n de estos algoritmos en las instituciones sanitarias ha simplificado los flujos de trabajo operativos, reduciendo la duraci\u00f3n de los an\u00e1lisis y priorizando los casos que requieren una intervenci\u00f3n inmediata. Sin embargo, siguen existiendo obst\u00e1culos importantes, como la alta incidencia de falsos positivos, la variabilidad en la calidad de las im\u00e1genes, los sesgos presentes en los conjuntos de datos de capacitaci\u00f3n y la limitada capacidad interpretativa de ciertos modelos, que pueden impedir su amplia integraci\u00f3n cl\u00ednica.<\/p>\n

Palabras clave<\/h2>\n

Detecci\u00f3n temprana, tomograf\u00eda computarizada, n\u00f3dulos pulmonares, redes neuronales, aprendizaje profundo, sensibilidad diagn\u00f3stica.<\/p>\n

Abstract<\/h2>\n

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.<\/p>\n

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.<\/p>\n

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.<\/p>\n

Keywords<\/h2>\n

Early detection, computed tomography, pulmonary nodules, neural networks, deep learning, diagnostic sensitivity.<\/p>\n

Introducci\u00f3n<\/h2>\n

La detecci\u00f3n temprana de las lesiones pulmonares constituye un componente esencial en el manejo cl\u00ednico de enfermedades respiratorias de alta prevalencia, como el c\u00e1ncer de pulm\u00f3n y la tuberculosis. Identificar estas lesiones en fases incipientes posibilita la intervenci\u00f3n m\u00e9dica oportuna, lo cual repercute directamente en la disminuci\u00f3n de la mortalidad y en la mejora del pron\u00f3stico general del paciente. Adem\u00e1s, la detecci\u00f3n precoz permite optimizar los recursos sanitarios, al reducir la necesidad de tratamientos m\u00e1s agresivos y costosos en estadios avanzados1,2<\/sup>.<\/p>\n

No obstante, uno de los grandes obst\u00e1culos que persiste en el diagn\u00f3stico por imagen es la dependencia del juicio subjetivo del observador humano. La interpretaci\u00f3n de tomograf\u00edas computarizadas de t\u00f3rax puede variar considerablemente entre distintos profesionales, lo que incrementa el riesgo de errores diagn\u00f3sticos, especialmente en la identificaci\u00f3n de lesiones de peque\u00f1o tama\u00f1o. Esta subjetividad conlleva una elevada incidencia de falsos positivos, que a su vez genera procedimientos diagn\u00f3sticos y terap\u00e9uticos innecesarios, exponiendo al paciente a riesgos adicionales y elevando los costos del sistema sanitario2<\/sup>. Por ejemplo, en programas de cribado con tomograf\u00eda computarizada de baja dosis, utilizados ampliamente para detectar c\u00e1ncer pulmonar en poblaciones de riesgo, las tasas de falsos positivos contin\u00faan siendo preocupantemente altas1<\/sup>.<\/p>\n

En este contexto, la inteligencia artificial (IA) ha emergido como una herramienta tecnol\u00f3gica 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 im\u00e1genes m\u00e9dicas. Esta capacidad permite no solo reducir la carga de trabajo del radi\u00f3logo, sino tambi\u00e9n mejorar la precisi\u00f3n diagn\u00f3stica, incluso en casos que desaf\u00edan la sensibilidad humana. De hecho, algunos modelos de IA han demostrado un desempe\u00f1o comparable al de expertos en la detecci\u00f3n de enfermedades pulmonares, como la tuberculosis, y han potenciado significativamente la precisi\u00f3n en el diagn\u00f3stico temprano de c\u00e1ncer pulmonar3,4<\/sup>.<\/p>\n

Asimismo, el uso de estas herramientas no se restringe exclusivamente a radi\u00f3logos experimentados. Se ha observado que su implementaci\u00f3n puede elevar el rendimiento diagn\u00f3stico de m\u00e9dicos no especializados en imagenolog\u00eda, al mejorar la sensibilidad y disminuir la tasa de derivaciones err\u00f3neas en entornos cl\u00ednicos m\u00e1s generales5<\/sup>.<\/p>\n

El objetivo de este trabajo es analizar la utilidad de la IA en la detecci\u00f3n precoz de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax, evaluando su capacidad para mejorar la precisi\u00f3n diagn\u00f3stica, reducir la variabilidad subjetiva de la interpretaci\u00f3n humana y disminuir las tasas de falsos positivos, con el fin de optimizar el abordaje cl\u00ednico de enfermedades respiratorias como el c\u00e1ncer de pulm\u00f3n y la tuberculosis.<\/p>\n

Metodolog\u00eda<\/h2>\n

Para avanzar en esta investigaci\u00f3n sobre la eficacia de la IA en la identificaci\u00f3n preliminar de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax, se realiz\u00f3 una revisi\u00f3n exhaustiva de la literatura existente con el objetivo de analizar las aplicaciones actuales de los algoritmos de IA en el an\u00e1lisis de im\u00e1genes pulmonares, as\u00ed como evaluar su precisi\u00f3n diagn\u00f3stica, capacidades de detecci\u00f3n temprana y posible impacto en la pr\u00e1ctica cl\u00ednica. Esta revisi\u00f3n abarc\u00f3 elementos cr\u00edticos, incluida la eficacia de los marcos de aprendizaje profundo, la distinci\u00f3n entre lesiones benignas y malignas, las tasas de falsos positivos y negativos y la incorporaci\u00f3n de dichas tecnolog\u00edas en entornos cl\u00ednicos aut\u00e9nticos.<\/p>\n

Para garantizar la integridad y pertinencia de la informaci\u00f3n seleccionada, se consultaron prestigiosas bases de datos cient\u00edficas, como PubMed, Scopus y Web ofScience, debido a su reputaci\u00f3n y a su amplia cobertura en los campos de la medicina, la radiolog\u00eda y la IA aplicada. Se delinearon par\u00e1metros rigurosos de inclusi\u00f3n y exclusi\u00f3n. Se incluyeron los estudios publicados entre 2020 y 2025, en ingl\u00e9s o espa\u00f1ol, que examinaron el papel de la IA en la tomograf\u00eda computarizada de t\u00f3rax para identificar lesiones pulmonares como n\u00f3dulos, neoplasias malignas o tuberculosis. Se excluyeron sistem\u00e1ticamente las investigaciones que arrojaron resultados no concluyentes, publicaciones duplicadas o que no fueron revisadas por pares. La b\u00fasqueda emple\u00f3 palabras clave espec\u00edficas, tales como:<\/p>\n

Detecci\u00f3n temprana, tomograf\u00eda computarizada, n\u00f3dulos pulmonares, redes neuronales, aprendizaje profundo, sensibilidad diagn\u00f3stica.<\/p>\n

La b\u00fasqueda preliminar arroj\u00f3 24 fuentes pertinentes, que inclu\u00edan art\u00edculos de investigaci\u00f3n originales, revisiones sistem\u00e1ticas, an\u00e1lisis comparativos y documentos t\u00e9cnicos de organizaciones internacionales centrados en la salud digital y el diagn\u00f3stico por im\u00e1genes. Se llev\u00f3 a cabo una evaluaci\u00f3n cr\u00edtica de estas fuentes para extraer datos sobre la precisi\u00f3n de los modelos, las m\u00e9tricas de validaci\u00f3n empleadas, su desempe\u00f1o en relaci\u00f3n con los radi\u00f3logos humanos y las ramificaciones cl\u00ednicas observadas en escenarios pr\u00e1cticos.<\/p>\n

El an\u00e1lisis se llev\u00f3 a cabo utilizando metodolog\u00edas cualitativas y comparativas. Los resultados se sintetizaron y clasificaron tem\u00e1ticamente, lo que facilit\u00f3 la identificaci\u00f3n de las ventajas, limitaciones y desaf\u00edos asociados con la implementaci\u00f3n de la IA en el diagn\u00f3stico precoz mediante tomograf\u00eda computarizada. Este enfoque metodol\u00f3gico ofrece una perspectiva estructurada del conjunto actual de conocimientos, subrayando tanto el potencial transformador de estas tecnolog\u00edas como las consideraciones \u00e9ticas, t\u00e9cnicas y cl\u00ednicas necesarias para su integraci\u00f3n efectiva.<\/p>\n

Fundamentos de la IA en imagenolog\u00eda m\u00e9dica<\/h2>\n

La IA se ha convertido en un instrumento revolucionario en el \u00e1mbito del diagn\u00f3stico por im\u00e1genes, particularmente en la evaluaci\u00f3n de las tomograf\u00edas computarizadas de t\u00f3rax. En este \u00e1mbito, es imprescindible comprender las definiciones y clasificaciones de la IA utilizada en las im\u00e1genes m\u00e9dicas. Un elemento fundamental es el aprendizaje autom\u00e1tico, 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<\/sup>. De esta metodolog\u00eda surge el aprendizaje profundo, un subconjunto m\u00e1s avanzado que emplea redes neuronales de m\u00faltiples capas, expertas en procesar estructuras de datos complejas, lo que resulta particularmente beneficioso en el an\u00e1lisis automatizado de im\u00e1genes m\u00e9dicas7<\/sup>.<\/p>\n

Entre las arquitecturas de aprendizaje profundo m\u00e1s notables se encuentran las redes neuronales convolucionales (CNN), dise\u00f1adas espec\u00edficamente para la evaluaci\u00f3n de im\u00e1genes. Estas redes extraen caracter\u00edsticas jer\u00e1rquicas de las im\u00e1genes, lo que permite identificar, clasificar y segmentar las lesiones pulmonares con una precisi\u00f3n excepcional. En el campo de la radiolog\u00eda tor\u00e1cica, las CNN han recibido una amplia aceptaci\u00f3n debido a su eficacia en tareas como la detecci\u00f3n de n\u00f3dulos, la estimaci\u00f3n del volumen tumoral y la diferenciaci\u00f3n entre enfermedades benignas y malignas, y en ocasiones muestran un rendimiento que iguala o supera al de los radi\u00f3logos humanos7<\/sup>.<\/p>\n

El avance de la IA en el campo de la radiolog\u00eda tor\u00e1cica ha sido r\u00e1pido y significativo. En la actualidad, los sistemas de IA se emplean no solo para la detecci\u00f3n y el diagn\u00f3stico, sino tambi\u00e9n para la vigilancia longitudinal de enfermedades pulmonares como el c\u00e1ncer, la tuberculosis o la neumon\u00eda. Adem\u00e1s, se han desarrollado plataformas inteligentes que pueden crear informes automatizados, evaluar la progresi\u00f3n de la enfermedad y cuantificar con precisi\u00f3n los hallazgos, todo lo cual mejora la pronta toma de decisiones basada en datos objetivos8<\/sup>.<\/p>\n

A diferencia de la interpretaci\u00f3n radiol\u00f3gica tradicional, la IA ofrece numerosas ventajas. Una ventaja principal es la mejora de la precisi\u00f3n diagn\u00f3stica y la eficiencia operativa, lo que reduce el tiempo necesario para interpretar los estudios y reduce la variabilidad entre los observadores6<\/sup>. Adem\u00e1s, estos sistemas pueden priorizar de forma aut\u00f3noma los casos urgentes, clasificar los hallazgos en funci\u00f3n de su gravedad y ayudar a los profesionales a tomar decisiones cl\u00ednicas, optimizando as\u00ed la gesti\u00f3n del flujo de trabajo9<\/sup>. Esta capacidad para analizar im\u00e1genes de forma r\u00e1pida 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 cl\u00ednicos mediante intervenciones m\u00e1s oportunas y espec\u00edficas8<\/sup>.<\/p>\n

Detecci\u00f3n de lesiones pulmonares: aplicaciones cl\u00ednicas de la IA<\/h2>\n

La utilizaci\u00f3n de la IA en la identificaci\u00f3n de los n\u00f3dulos pulmonares representa uno de los avances m\u00e1s prometedores en el \u00e1mbito de las im\u00e1genes tor\u00e1cicas, ya que conlleva importantes ramificaciones para la identificaci\u00f3n temprana del carcinoma de pulm\u00f3n. Numerosos estudios han demostrado que los sistemas de IA mejoran notablemente la sensibilidad diagn\u00f3stica mediante la detecci\u00f3n de n\u00f3dulos pulmonares de dimensiones variables. Seg\u00fan una investigaci\u00f3n reciente, la sensibilidad de detecci\u00f3n aument\u00f3 en general en un 20,7%, y en concreto, en los n\u00f3dulos de vidrio esmerilado, que suelen ser m\u00e1s dif\u00edciles de identificar con las metodolog\u00edas tradicionales10<\/sup>, un aumento espec\u00edfico del 18,5%.<\/p>\n

Adem\u00e1s de la mera detecci\u00f3n, los algoritmos inteligentes han demostrado ser capaces de predecir la probabilidad de neoplasia maligna en los n\u00f3dulos, lo que ha permitido alcanzar una precisi\u00f3n diagn\u00f3stica cercana al 75,77%. Este atributo los hace particularmente ventajosos para el tratamiento de los n\u00f3dulos subs\u00f3lidos, cuya caracterizaci\u00f3n presenta considerables dificultades para los profesionales11<\/sup>. Adem\u00e1s, numerosos estudios han indicado que estos avances tecnol\u00f3gicos pueden reducir la incidencia de falsos positivos sin socavar de manera significativa la sensibilidad, aunque la especificidad sigue siendo una limitaci\u00f3n pertinente que habr\u00e1 que seguir perfeccionando en desarrollos posteriores12,13<\/sup>.<\/p>\n

Desde una perspectiva pr\u00e1ctica, el uso de algoritmos de IA en los sistemas de cribado por tomograf\u00eda computarizada de dosis bajas ha contribuido a mejorar la eficacia de estos procedimientos al reducir la duraci\u00f3n del an\u00e1lisis y aumentar la sensibilidad diagn\u00f3stica. Se ha registrado que algunos sistemas pueden alcanzar de forma aut\u00f3noma par\u00e1metros de alta sensibilidad sin supervisi\u00f3n humana directa10<\/sup>. Entre los modelos evaluados se encuentran soluciones tanto comerciales como experimentales, como CADx, Google Health y Aidoc, cuya implementaci\u00f3n ha demostrado una mejora notable en la detecci\u00f3n de lesiones sospechosas. Sin embargo, este aumento de la sensibilidad se ha traducido simult\u00e1neamente en un aumento de las tasas de falsos positivos, lo que puede provocar ex\u00e1menes innecesarios e inducir ansiedad entre los pacientes13<\/sup>.<\/p>\n

No obstante, el camino hacia la plena incorporaci\u00f3n de estas herramientas en la pr\u00e1ctica cl\u00ednica habitual sigue tropezando con importantes obst\u00e1culos. Los principales problemas se refieren a la generalizaci\u00f3n de los modelos, los impedimentos t\u00e9cnicos para su aplicaci\u00f3n efectiva en diversos entornos cl\u00ednicos y el continuo escepticismo de algunos profesionales de la salud con respecto a la confiabilidad de los sistemas automatizados14<\/sup>. Si bien se ha demostrado que las lecturas aumentadas por IA pueden ser m\u00e1s r\u00e1pidas y sensibles que las realizadas \u00fanicamente por radi\u00f3logos, el aumento de la incidencia de falsos positivos requiere una perspectiva cr\u00edtica y el fomento de nuevas investigaciones destinadas a mejorar la especificidad y minimizar la necesidad de un seguimiento innecesario13<\/sup>.<\/p>\n

Precisi\u00f3n diagn\u00f3stica y validaci\u00f3n cl\u00ednica<\/h2>\n

El examen de la precisi\u00f3n diagn\u00f3stica de la IA en comparaci\u00f3n con la de los radi\u00f3logos se ha investigado ampliamente en numerosos estudios, lo que subraya el potencial de la IA como recurso complementario en las im\u00e1genes tor\u00e1cicas. En t\u00e9rminos de sensibilidad y especificidad diagn\u00f3sticas, se han documentado mejoras notables cuando los radi\u00f3logos trabajan en conjunto con sistemas de IA. Por ejemplo, en la identificaci\u00f3n de fracturas costales, la sensibilidad mejor\u00f3 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 radi\u00f3logos, que alcanz\u00f3 una sensibilidad del 98,2%15<\/sup>. Del mismo modo, en la detecci\u00f3n del c\u00e1ncer de pulm\u00f3n, la IA aument\u00f3 la sensibilidad diagn\u00f3stica tanto para los m\u00e9dicos generalistas como para los radi\u00f3logos, con aumentos de 0,47 a 0,60 y de 0,51 a 0,60, respectivamente16<\/sup>. En el contexto del diagn\u00f3stico de embolia pulmonar, la IA alcanz\u00f3 una sensibilidad del 92,6%, superando marginalmente el 90% de sensibilidad reportado por los radi\u00f3logos; sin embargo, estos \u00faltimos mostraron una especificidad superior, registrando un 99,1% frente al 95,8% de la IA16<\/sup>.<\/p>\n

En cuanto a los valores predictivos, la eficacia de la IA ha mostrado una variabilidad en funci\u00f3n de la afecci\u00f3n espec\u00edfica evaluada. En el caso del c\u00e1ncer de pulm\u00f3n, se observ\u00f3 una mejora del valor predictivo positivo (VPP), que pas\u00f3 de 0,75 a 0,82 en los m\u00e9dicos generalistas y de 0,76 a 0,80 en los radi\u00f3logos, lo que indica un aumento en la fiabilidad de los diagn\u00f3sticos positivos cuando se utiliza la IA como complemento16<\/sup>. Por el contrario, en la identificaci\u00f3n de la embolia pulmonar incidental, el VPP de la IA se registr\u00f3 a una tasa inferior del 86,8% en comparaci\u00f3n con el 97,3% observado en las evaluaciones cl\u00ednicas tradicionales, lo que pone de relieve las limitaciones persistentes encontradas en ciertos contextos de diagn\u00f3stico18<\/sup><\/p>\n

Adem\u00e1s de sus capacidades de diagn\u00f3stico, la validaci\u00f3n cl\u00ednica de los sistemas de IA se ha visto reforzada por investigaciones multic\u00e9ntricas que han demostrado su eficacia en diversos entornos cl\u00ednicos. Un ejemplo digno de menci\u00f3n es un estudio que mostr\u00f3 avances significativos en la detecci\u00f3n de n\u00f3dulos pulmonares en las radiograf\u00edas de t\u00f3rax facilitados por la IA, lo que benefici\u00f3 especialmente a los profesionales menos experimentados16<\/sup>. Esta solidez ha permitido la incorporaci\u00f3n efectiva de algoritmos en los sistemas de comunicaci\u00f3n y almacenamiento de im\u00e1genes de los hospitales, mejorando as\u00ed la eficiencia de los protocolos de detecci\u00f3n, como lo demuestra un ensayo cl\u00ednico en el que la tomograf\u00eda computarizada, aumentada con IA, mejor\u00f3 la sensibilidad en la identificaci\u00f3n de los n\u00f3dulos pulmonares en un 20,7%10<\/sup>.<\/p>\n

La eficiencia de los flujos de trabajo cl\u00ednicos se ha mejorado mediante la integraci\u00f3n de estas tecnolog\u00edas. Las investigaciones han demostrado que la IA reduce notablemente la duraci\u00f3n de las notificaciones y aumenta la competencia de los lectores a la hora de interpretar las radiograf\u00edas de t\u00f3rax, especialmente en los casos relacionados con el neumot\u00f3rax y la detecci\u00f3n de n\u00f3dulos19<\/sup>. Adem\u00e1s, los sistemas de IA permiten la priorizaci\u00f3n autom\u00e1tica de los estudios con hallazgos preocupantes, lo que agiliza su evaluaci\u00f3n urgente por parte de los radi\u00f3logos y acorta los plazos de diagn\u00f3stico en circunstancias cr\u00edticas, como se ha demostrado en contextos de emergencia recientes20<\/sup>.<\/p>\n

Ventajas, limitaciones y desaf\u00edos actuales<\/h2>\n

La incorporaci\u00f3n de la IA en la tomograf\u00eda computarizada (TC) de t\u00f3rax ha generado una multitud de beneficios cl\u00ednicos, diagn\u00f3sticos y operativos que est\u00e1n revolucionando el marco convencional de la evaluaci\u00f3n radiol\u00f3gica. Una ventaja destacada es la disminuci\u00f3n de la incidencia de errores interpretativos por parte de los radi\u00f3logos. 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 cr\u00edticos, como el neumot\u00f3rax y los n\u00f3dulos pulmonares, lo que facilita un reconocimiento m\u00e1s preciso y oportuno de los trastornos tor\u00e1cicos19<\/sup>.<\/p>\n

Adem\u00e1s, la IA proporciona an\u00e1lisis objetivos y reproducibles, lo que representa un avance significativo con respecto a la variabilidad entre observadores que caracteriza la interpretaci\u00f3n humana. En el \u00e1mbito de las enfermedades pulmonares intersticiales, por ejemplo, los algoritmos de IA permiten la adquisici\u00f3n de informaci\u00f3n pron\u00f3stica estandarizada, lo que enriquece el proceso de toma de decisiones cl\u00ednicas y mejora la precisi\u00f3n de las evaluaciones de la progresi\u00f3n patol\u00f3gica21<\/sup>.<\/p>\n

Adem\u00e1s, las tecnolog\u00edas de aprendizaje profundo han facilitado mejoras notables en la calidad de las im\u00e1genes radiol\u00f3gicas. Estos avances no solo mejoran la claridad visual de las tomograf\u00edas computarizadas, sino que tambi\u00e9n permiten realizar an\u00e1lisis automatizados que refinan la caracterizaci\u00f3n de las afecciones cardiovasculares concurrentes, lo que aumenta la relevancia diagn\u00f3stica de los ex\u00e1menes tor\u00e1cicos m\u00e1s all\u00e1 del \u00e1mbito respiratorio. La s\u00edntesis de im\u00e1genes de alta resoluci\u00f3n con algoritmos de procesamiento inteligente constituye un instrumento s\u00f3lido para la evaluaci\u00f3n simult\u00e1nea de m\u00faltiples facetas cl\u00ednicas22<\/sup>.<\/p>\n

Sin embargo, a pesar de estos avances, la integraci\u00f3n de la IA en la pr\u00e1ctica cl\u00ednica habitual se enfrenta a importantes desaf\u00edos que requieren una resoluci\u00f3n exhaustiva. Uno de los principales obst\u00e1culos es la aparici\u00f3n de falsos positivos y falsos negativos, en particular en la identificaci\u00f3n de los n\u00f3dulos pulmonares, donde los algoritmos pueden clasificar err\u00f3neamente las entidades benignas en funci\u00f3n de las lesiones, lo que genera una ansiedad innecesaria en los pacientes y genera intervenciones diagn\u00f3sticas adicionales23<\/sup>.<\/p>\n

Adem\u00e1s, los obst\u00e1culos t\u00e9cnicos 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 algor\u00edtmicas es vital para fomentar la confianza de los profesionales de la salud, especialmente en los escenarios en los que los hallazgos conllevan importantes consecuencias terap\u00e9uticas21<\/sup>.<\/p>\n

Por el contrario, los sesgos incrustados en los algoritmos representan otro riesgo cr\u00edtico. Cuando los modelos se entrenan con conjuntos de datos que no reflejan con precisi\u00f3n las diversas poblaciones cl\u00ednicas, su eficacia puede disminuir notablemente en diferentes contextos. Esta limitaci\u00f3n subraya la necesidad de estrategias s\u00f3lidas destinadas a mitigar los sesgos y garantizar un rendimiento equitativo en grupos de pacientes heterog\u00e9neos23<\/sup>.<\/p>\n

En \u00faltima instancia, las cuestiones \u00e9ticas, reglamentarias y de privacidad se presentan como componentes fundamentales en el discurso sobre la aplicaci\u00f3n de la IA en el \u00e1mbito de las im\u00e1genes m\u00e9dicas. La protecci\u00f3n de la informaci\u00f3n de los pacientes, su preservaci\u00f3n y la utilizaci\u00f3n juiciosa de los datos acumulados son factores fundamentales necesarios para el despliegue seguro de estas tecnolog\u00edas21<\/sup>. Adem\u00e1s, desde un punto de vista regulatorio, es imperativo establecer un marco regulatorio s\u00f3lido que sustente la legitimidad cient\u00edfica y cl\u00ednica de las aplicaciones de la IA. Solo mediante un proceso de validaci\u00f3n meticuloso y transparente se puede garantizar la aprobaci\u00f3n y la integraci\u00f3n segura de estos sistemas en el sector m\u00e9dico24<\/sup>.<\/p>\n

Conclusiones<\/h2>\n

La inteligencia artificial se ha convertido en un mecanismo revolucionario en las im\u00e1genes m\u00e9dicas tor\u00e1cicas, que mejora notablemente la sensibilidad diagn\u00f3stica para la identificaci\u00f3n de lesiones pulmonares, especialmente en el caso de n\u00f3dulos dif\u00edciles, como los que se caracterizan por la opacidad del vidrio esmerilado. Su capacidad para analizar conjuntos de datos extensos con una rapidez y precisi\u00f3n notables permite detectar anomal\u00edas sutiles que pueden pasarse por alto en las interpretaciones tradicionales.<\/p>\n

La integraci\u00f3n de los marcos de inteligencia artificial en los flujos de trabajo cl\u00ednicos ha perfeccionado el paradigma del diagn\u00f3stico, aliviando la carga para los radi\u00f3logos, disminuyendo la duraci\u00f3n de los an\u00e1lisis y priorizando los casos urgentes. Estos sistemas, adem\u00e1s de automatizar tareas mon\u00f3tonas, contribuyen a la objetividad de la toma de decisiones m\u00e9dicas, lo que resulta particularmente ventajoso en entornos en los que el personal especializado es escaso.<\/p>\n

A pesar de sus ventajas, la inteligencia artificial encuentra obst\u00e1culos tanto t\u00e9cnicos como \u00e9ticos que dificultan su integraci\u00f3n cl\u00ednica integral. Estos desaf\u00edos incluyen la aparici\u00f3n de falsos positivos, los sesgos inherentes a los conjuntos de datos de capacitaci\u00f3n, la complejidad a la hora de dilucidar las determinaciones algor\u00edtmicas y las dudas sobre la confidencialidad de la informaci\u00f3n m\u00e9dica. Abordar estos problemas requerir\u00e1 validaciones cl\u00ednicas met\u00f3dicas, marcos regulatorios s\u00f3lidos y enfoques de dise\u00f1o que enfaticen la transparencia y la equidad.<\/p>\n

Referencias<\/h2>\n

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<\/p>\n

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<\/p>\n

3. Yan C, Wang L, Lin J, Xu J, Zhang T, Qi J, et al. A fully automatic artificial intelligence\u2013based 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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

19. Ahn J, Ebrahimian S, McDermott S, Lee S, Naccarato L, Di Capua JF, et al. Association of Artificial Intelligence\u2013Aided 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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

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<\/p>\n

Declaraci\u00f3n de buenas pr\u00e1cticas:<\/strong> Los autores de este manuscrito declaran que:
\nTodos ellos han participado en su elaboraci\u00f3n y no tienen conflictos de intereses
\nLa investigaci\u00f3n se ha realizado siguiendo las Pautas \u00e9ticas internacionales para la investigaci\u00f3n relacionada con la salud con seres humanos elaboradas por el Consejo de Organizaciones Internacionales de las Ciencias M\u00e9dicas (CIOMS) en colaboraci\u00f3n con la Organizaci\u00f3n Mundial de la Salud (OMS).
\nEl manuscrito es original y no contiene plagio.
\nEl manuscrito no ha sido publicado en ning\u00fan medio y no est\u00e1 en proceso de revisi\u00f3n en otra revista.
\nHan obtenido los permisos necesarios para las im\u00e1genes y gr\u00e1ficos utilizados.
\nHan preservado las identidades de los pacientes.<\/p>\n","protected":false},"excerpt":{"rendered":"

Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax Autor principal: Isa\u00edas Jos\u00e9 N\u00fa\u00f1ez P\u00e9rez Vol. XX; n\u00ba 14; 835<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[114,156,195],"tags":[],"class_list":["post-82083","post","type-post","status-publish","format-standard","hentry","category-informatica-medica","category-neumologia","category-radiodiagnostico-radioterapia","no-featured-image-padding"],"acf":[],"yoast_head":"\nAplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax<\/title>\n<meta name=\"description\" content=\"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax Autor principal:\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Redacci\u00f3n Revista\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"22 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"ScholarlyArticle\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/\"},\"author\":{\"name\":\"Redacci\u00f3n Revista\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/person\/aff35293bfdd1e8bb11bc1d216ac2c6e\"},\"headline\":\"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax\",\"datePublished\":\"2025-07-24T17:28:51+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/\"},\"wordCount\":5130,\"publisher\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization\"},\"articleSection\":[\"Inform\u00e1tica M\u00e9dica\",\"Neumolog\u00eda\",\"Radiodiagn\u00f3stico y Radioterapia\"],\"inLanguage\":\"es\"},{\"@type\":[\"WebPage\",\"ItemPage\"],\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/\",\"url\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/\",\"name\":\"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax\",\"isPartOf\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#website\"},\"datePublished\":\"2025-07-24T17:28:51+00:00\",\"description\":\"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax Autor principal:\",\"breadcrumb\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Inicio\",\"item\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Neumolog\u00eda\",\"item\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/publicaciones\/neumologia\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#website\",\"url\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/\",\"name\":\"Revista Electr\u00f3nica de PortalesMedicos.com\",\"description\":\"ISSN 1886-8924 - Publicaci\u00f3n de art\u00edculos, casos cl\u00ednicos, etc. de Medicina, Enfermer\u00eda y Ciencias de la Salud\",\"publisher\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization\"},\"alternateName\":\"Revista de PortalesMedicos\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization\",\"name\":\"Revista Electr\u00f3nica de Portales Medicos.com\",\"alternateName\":\"Revista de PortalesMedicos\",\"url\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-content\/uploads\/logorevista_negro.jpg\",\"contentUrl\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-content\/uploads\/logorevista_negro.jpg\",\"width\":199,\"height\":65,\"caption\":\"Revista Electr\u00f3nica de Portales Medicos.com\"},\"image\":{\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/logo\/image\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/person\/aff35293bfdd1e8bb11bc1d216ac2c6e\",\"name\":\"Redacci\u00f3n Revista\",\"sameAs\":[\"https:\/\/x.com\/portalesmedicos\"],\"url\":\"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/author\/pmedadmin\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax","description":"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax Autor principal:","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/","twitter_misc":{"Escrito por":"Redacci\u00f3n Revista","Tiempo de lectura":"22 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"ScholarlyArticle","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/#article","isPartOf":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/"},"author":{"name":"Redacci\u00f3n Revista","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/person\/aff35293bfdd1e8bb11bc1d216ac2c6e"},"headline":"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax","datePublished":"2025-07-24T17:28:51+00:00","mainEntityOfPage":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/"},"wordCount":5130,"publisher":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization"},"articleSection":["Inform\u00e1tica M\u00e9dica","Neumolog\u00eda","Radiodiagn\u00f3stico y Radioterapia"],"inLanguage":"es"},{"@type":["WebPage","ItemPage"],"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/","url":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/","name":"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax","isPartOf":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#website"},"datePublished":"2025-07-24T17:28:51+00:00","description":"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax Autor principal:","breadcrumb":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/aplicaciones-de-la-inteligencia-artificial-en-la-deteccion-temprana-de-lesiones-pulmonares-mediante-tomografia-computarizada-de-torax\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Inicio","item":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/"},{"@type":"ListItem","position":2,"name":"Neumolog\u00eda","item":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/publicaciones\/neumologia\/"},{"@type":"ListItem","position":3,"name":"Aplicaciones de la inteligencia artificial en la detecci\u00f3n temprana de lesiones pulmonares mediante tomograf\u00eda computarizada de t\u00f3rax"}]},{"@type":"WebSite","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#website","url":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/","name":"Revista Electr\u00f3nica de PortalesMedicos.com","description":"ISSN 1886-8924 - Publicaci\u00f3n de art\u00edculos, casos cl\u00ednicos, etc. de Medicina, Enfermer\u00eda y Ciencias de la Salud","publisher":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization"},"alternateName":"Revista de PortalesMedicos","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#organization","name":"Revista Electr\u00f3nica de Portales Medicos.com","alternateName":"Revista de PortalesMedicos","url":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/logo\/image\/","url":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-content\/uploads\/logorevista_negro.jpg","contentUrl":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-content\/uploads\/logorevista_negro.jpg","width":199,"height":65,"caption":"Revista Electr\u00f3nica de Portales Medicos.com"},"image":{"@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/#\/schema\/person\/aff35293bfdd1e8bb11bc1d216ac2c6e","name":"Redacci\u00f3n Revista","sameAs":["https:\/\/x.com\/portalesmedicos"],"url":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/author\/pmedadmin\/"}]}},"views":952,"_links":{"self":[{"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/posts\/82083","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/comments?post=82083"}],"version-history":[{"count":1,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/posts\/82083\/revisions"}],"predecessor-version":[{"id":82121,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/posts\/82083\/revisions\/82121"}],"wp:attachment":[{"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/media?parent=82083"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/categories?post=82083"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.revista-portalesmedicos.com\/revista-medica\/wp-json\/wp\/v2\/tags?post=82083"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}