Inteligencia artificial aplicada al diagnóstico por imágenes. Avances, metodologías, desafíos y perspectivas clínicas

AUTORES

1. Juan Ángel Dalda Navarro. Técnico Superior en Imagen para el Diagnóstico y Medicina Nuclear. Hospital Universitario Miguel Servet (Zaragoza). España.
2. Ana Belén Navarro Martín. Técnico Superior en Imagen para el Diagnóstico y Medicina Nuclear. Hospital Obispo Polanco (Teruel). España.
3. Verónica Dalda Navarro. Enfermera Especialista en Salud Mental. CRP San Juan de Dios (Teruel). España.

RESUMEN

La inteligencia artificial (IA) aplicada al diagnóstico por imágenes ha emergido como una herramienta transformadora en la práctica radiológica moderna. Su capacidad para analizar grandes volúmenes de datos y detectar patrones complejos supera muchas veces las limitaciones humanas, permitiendo la identificación precoz de patologías, la segmentación precisa de estructuras y la predicción de desenlaces clínicos. Este artículo revisa las aplicaciones más relevantes de la IA en imagenología, describe las metodologías de desarrollo y validación de modelos, analiza los desafíos éticos, técnicos y regulatorios, y propone perspectivas para su implementación clínica responsable¹.

PALABRAS CLAVE

Inteligencia artificial, diagnóstico por imágenes, aprendizaje profundo, radiología, ética médica, validación clínica.

ABSTRACT

Artificial intelligence (AI) applied to diagnostic imaging has emerged as a transformative tool in modern radiology practice. Its ability to analyze large volumes of data and detect complex patterns often surpasses human limitations, enabling early identification of pathologies, precise segmentation of structures, and prediction of clinical outcomes. This article reviews the most relevant applications of AI in imaging, describes model development and validation methodologies, analyzes ethical, technical, and regulatory challenges, and proposes prospects for its responsible clinical implementation.

KEY WORDS

Artificial intelligence, diagnostic imaging, deep learning, radiology, medical ethics, clinical validation.

INTRODUCCIÓN

El diagnóstico por imágenes es fundamental en la medicina contemporánea, siendo crucial para la detección, caracterización y seguimiento de diversas enfermedades. Técnicas como la radiografía, tomografía computarizada (TC), resonancia magnética (RM) y ecografía son esenciales para la toma de decisiones clínicas. Sin embargo, el aumento exponencial del volumen de estudios y la complejidad de las imágenes han generado sobrecarga laboral para los radiólogos, aumentando el riesgo de errores diagnósticos^1,2.

La inteligencia artificial, especialmente mediante algoritmos de aprendizaje profundo, ha revolucionado este campo al permitir el análisis automático de grandes conjuntos de datos de imagen médica. La IA puede identificar patrones que no son perceptibles al ojo humano, mejorar la precisión diagnóstica y reducir la variabilidad interobservador³.

Diversos estudios han demostrado que los sistemas basados en redes neuronales convolucionales (CNN) pueden detectar patologías en radiografías, TC y mamografías con precisión comparable a la de radiólogos experimentados, contribuyendo a la medicina de precisión⁴.

A pesar de estos avances, la integración clínica de la IA enfrenta retos importantes, incluidos sesgos de los datos de entrenamiento, falta de interpretabilidad, limitaciones regulatorias y consideraciones éticas en torno a la privacidad de los pacientes y la responsabilidad ante errores diagnósticos. Este artículo tiene como objetivo analizar estos aspectos y ofrecer una visión integral del impacto de la IA en la práctica clínica radiológica^5,6.

OBJETIVOS

• Revisar las principales aplicaciones clínicas de la inteligencia artificial en diagnóstico por imágenes.
• Describir las metodologías utilizadas en el desarrollo y validación de modelos de IA para radiología.
• Identificar las ventajas, limitaciones y desafíos de la implementación clínica de la IA.
• Analizar los aspectos éticos y regulatorios asociados al uso de la IA en imagenología médica.
• Proponer perspectivas futuras para la integración responsable de la IA en la práctica clínica.

METODOLOGÍA

Se realizó una revisión narrativa de literatura publicada entre 2015 y 2025, utilizando bases de datos como PubMed, Scopus, Web of Science y ScienceDirect. Se seleccionaron artículos de revisión, metaanálisis y estudios originales sobre aplicaciones de IA en diagnóstico por imágenes. Se priorizaron trabajos con resultados cuantitativos de desempeño diagnóstico y publicaciones recientes de alto impacto en radiología y ciencias de la computación⁷.

Los estudios fueron organizados según áreas de aplicación de la IA, metodologías de desarrollo y validación, resultados clínicos obtenidos, y desafíos éticos y regulatorios. Se realizó un análisis crítico integrando la evidencia para evaluar la viabilidad y sostenibilidad del uso de IA en entornos clínicos⁷.

RESULTADOS

Aplicaciones clínicas de la IA:

Detección automática de anomalías:

La IA permite identificar de manera automática lesiones, fracturas, masas y nódulos pulmonares con alta precisión, priorizando casos críticos y reduciendo el tiempo de respuesta. En cribado de cáncer de pulmón, los sistemas de IA han mostrado sensibilidad superior al 90 % y especificidad superior al 85 % en estudios multicéntricos, comparables a radiólogos expertos⁸.

Segmentación y cuantificación:

Los algoritmos de segmentación, como U-Net y Mask R-CNN, permiten delimitar órganos, tumores y estructuras anatómicas de manera precisa. Esto facilita la planificación quirúrgica y la radioterapia, aumentando la reproducibilidad de las mediciones volumétricas y reduciendo la carga de trabajo manual⁹.

Clasificación y predicción de patologías:

Los modelos de IA pueden clasificar lesiones como benignas o malignas y predecir riesgos de progresión, lo que permite decisiones clínicas más informadas. Estudios recientes en cáncer de mama y pulmón reportan AUC superiores a 0,95 para sistemas de clasificación basados en aprendizaje profundo¹⁰.

Radiómica y medicina personalizada:

La radiómica combina la extracción de características cuantitativas de la imagen con modelos de IA para correlacionar patrones de imagen con pronóstico, respuesta terapéutica o perfiles genómicos, impulsando la medicina de precisión¹¹.

Optimización del flujo de trabajo:

La IA optimiza procesos radiológicos: priorización de estudios urgentes, pre-relleno de informes estructurados, control de calidad y detección de errores. La integración en sistemas PACS permite mejorar la eficiencia operativa y reducir la sobrecarga del radiólogo¹².

Metodología de desarrollo de modelos de IA:

Recolección de datos y anotaciones:

El entrenamiento de modelos requiere grandes volúmenes de datos etiquetados por expertos, representativos de distintas poblaciones y equipos de imagen. La calidad del etiquetado es crítica para garantizar la validez del modelo¹³.

Arquitecturas y entrenamiento:

Las CNN y transformadores visuales constituyen la base de los sistemas de IA en diagnóstico por imágenes. Técnicas de aumento de datos y regularización previenen sobreajuste y mejoran la robustez¹⁴.

Validación y evaluación:

Los modelos se validan internamente mediante conjuntos de prueba y validación, evaluando sensibilidad, especificidad y AUC. La validación externa multicéntrica y los ensayos prospectivos son fundamentales para demostrar la generalización clínica¹⁵.

Evaluación clínica:

Se recomienda evaluar también la usabilidad, la integración en flujos de trabajo y el impacto sobre la eficiencia y la seguridad clínica antes del despliegue¹⁶.

Sesgos y calidad de los datos

La IA puede reflejar sesgos de los datasets, afectando la equidad y seguridad de los diagnósticos. La diversidad de los datos y la evaluación por subgrupos son esenciales¹⁷.

Interpretabilidad y confianza clínica:

Los modelos de aprendizaje profundo funcionan como “cajas negras”, dificultando la comprensión de sus decisiones. La interpretabilidad y explicaciones visuales aumentan la confianza de los clínicos.

Regulación y gobernanza:

Las agencias reguladoras avanzan en la clasificación de software médico basado en IA, pero se requiere un marco dinámico que contemple actualizaciones de modelos y vigilancia post-mercado¹⁹.

Privacidad y propiedad de datos:

Técnicas como aprendizaje federado permiten entrenar modelos sin compartir datos sensibles, garantizando privacidad y cumplimiento normativo²⁰.

Perspectivas futuras:

La IA evolucionará hacia sistemas multimodales que integren imagen médica, datos clínicos y genómicos, permitiendo diagnósticos más precisos y personalizados. La colaboración entre radiólogos, ingenieros, bioeticistas y reguladores será clave para su adopción segura y ética. Se espera que la IA complemente la labor del profesional, aumentando la eficiencia, reduciendo errores y promoviendo la medicina de precisión²¹.

CONCLUSIONES

La inteligencia artificial aplicada al diagnóstico por imágenes constituye una herramienta de alto impacto con aplicaciones en detección, segmentación, clasificación y predicción de patologías. Si bien los resultados actuales son prometedores, su adopción requiere datos de calidad, validación externa, interpretabilidad, regulación clara y atención a la ética y privacidad. La integración responsable de la IA reforzará la práctica radiológica, mejorará la eficiencia y permitirá avances hacia la medicina personalizada²².

BIBLIOGRAFÍA

1. Langlotz CP, Allen B, Erickson BJ, et al. A roadmap for foundational research on artificial intelligence in medical imaging: From the 2018 NIH/RSNA/ACR/ARRS Workshop. Radiology. 2019,291(3):781–791.
2. Pesapane F, Codari M, Sardanelli F. Artificial intelligence as a medical device in radiology: ethical and regulatory issues in Europe and the United States. Insights Imaging. 2018,9:1–5.
3. Lekadir K, Osuala R, Gallin C, Lazrak N, Kushibar K, Tsakou G, et al. FUTURE-AI: international consensus guidelines for trustworthy AI in medical imaging. arXiv. 2021,2109.09658.
4. Nagendran M, Chen Y, Lovejoy CA, et al. Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies. BMJ. 2020,368:m689.
5. Gao S, Xu Z, Kang W, et al. AI-driven computer-aided diagnosis system provides similar diagnostic value compared with doctors’ evaluation in lung cancer screening. BMC Med Imaging. 2024,24:141.
6. Al-Karawi D, Al-Zaidi S, Helael KA, et al. A review of artificial intelligence in breast imaging. Tomography. 2024,10(5):705–726.
7. Xu HL, Gong TT, et al. Artificial intelligence performance in image-based cancer identification: umbrella review of systematic reviews. J Med Internet Res. 2025,27:e53567.
8. Wenderott K, et al. Effects of artificial intelligence implementation on efficiency and workflow in radiology: a cohort and implementation analysis. Insights Imaging. 2024.
9. Kiraly A, Pilgrim R. Computer-aided diagnosis for lung cancer screening: assistive AI and user-centric interfaces. Google Research Blog. 2024 Mar 20.
10. Koçak B, et al. Adherence to the Checklist for Artificial Intelligence in Medical Imaging (CLAIM): an umbrella review and analysis. Diagnostics. 2025.
11. Chin F, et al. The role of artificial intelligence in medical imaging research. Radiat Oncol J. 2020.
12. Mannil M, von Spiczak J, Schuebl K, et al. How artificial intelligence is shaping medical imaging technology. Front Radiol. 2023.
13. Huynh E, Eccles JA, MacGillivray TJ. The good, the bad and the ugly of artificial intelligence in medical imaging. EMJ Radiol. 2024.
14. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation. In: Med Image Comput Comput Assist Interv. 2015,9351:234–241.
15. Muehlematter UJ, Matter CM, Hürlimann U, et al. AI in imaging: the regulatory landscape. Br J Radiol. 2024,97(1155):483–494.
16. Chan HP, Samala RK, Hadjiiski LM, et al. Artificial intelligence in digital pathology: deep learning algorithms for image analysis. J Med Imaging (Bellingham). 2021,8(4):041004.
17. Spaanderman DJ, Marzetti M, Wan X, et al. AI in radiological imaging of soft-tissue and bone tumors: a systematic review evaluating against CLAIM and FUTURE-AI guidelines. arXiv. 2024,2408.12491.
18. Huynh E, Eccles JA, MacGillivray TJ. The interpretability challenge in AI-based medical imaging. EMJ Radiol. 2024.
19. Muehlematter UJ, et al. Regulatory frameworks for AI-driven radiology tools: current landscape and challenges. Br J Radiol. 2024,97:483–494.
20. Rieke N, Hancox J, Li W, et al. The future of federated learning in medical imaging. NPJ Digit Med. 2020,3:119.
21. Pesapane F, et al. Integration of multimodal AI systems in clinical imaging workflows. Insights Imaging. 2024,15:54.
22. Lekadir K, et al. Recommendations for trustworthy AI deployment in radiology. Nat Mach Intell. 2021,3:1–11.