https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
APLICACIÓN DE INTELIGENCIA ARTIFICIAL EN EL  
DIAGNÓSTICO TEMPRANO MEDIANTE IMÁGENES MÉDICAS:  
AVANCES Y DESAFÍOS CLÍNICOS  
APPLICATION OF ARTIFICIAL INTELLIGENCE IN EARLY  
DIAGNOSIS THROUGH MEDICAL IMAGING: ADVANCES AND  
CLINICAL CHALLENGES  
Manuel Alejandro Reyes Muñoz1, Daniela Estefanía Durán Holguín2, Geovanna María  
Pazmiño Olmedo3, Paula Andrea Garzón Benavides4  
{00454207@anahuac.mx1, dannyes89@hotmail.com2, geovannaolmedo3131@gmail.com3, garzonpaulita@gmail.com4}  
Fecha de recepción: 12/05/2026 / Fecha de aceptación: 02 /06/2026 / Fecha de publicación: 05/08/2026  
RESUMEN: La inteligencia artificial (IA) se ha consolidado como una de las tecnologías más  
prometedoras para el diagnóstico temprano mediante imágenes médicas, debido a su  
capacidad para mejorar la precisión diagnóstica, agilizar la interpretación de estudios y apoyar  
la toma de decisiones clínicas. El objetivo de este trabajo fue analizar los avances recientes en  
la aplicación de la IA en el diagnóstico temprano por imágenes médicas y describir los  
principales desafíos clínicos, tecnológicos y éticos asociados a su implementación. Para ello, se  
realizó una revisión narrativa de la literatura científica publicada entre 2016 y 2025, utilizando  
las bases de datos PubMed/MEDLINE, Scopus, Web of Science y ScienceDirect. Se incluyeron  
estudios originales, revisiones sistemáticas, metaanálisis y otros documentos científicos  
relacionados con el uso de inteligencia artificial en imágenes médicas. La información  
recopilada fue organizada y analizada mediante un enfoque temático, considerando las áreas  
clínicas de aplicación, las tecnologías empleadas, los resultados diagnósticos obtenidos y las  
limitaciones identificadas. Los hallazgos evidenciaron que los algoritmos de aprendizaje  
profundo han alcanzado niveles de precisión comparables a los de especialistas en oncología,  
neurología, enfermedades respiratorias y cardiología. Asimismo, se identificaron beneficios  
significativos asociados con la detección temprana de enfermedades, la reducción de la  
variabilidad diagnóstica y la optimización de los flujos de trabajo clínicos. Sin embargo,  
persisten limitaciones relevantes, entre ellas la escasa capacidad de generalización de algunos  
modelos, la presencia de sesgos en los datos de entrenamiento, la limitada interpretabilidad de  
1Universidad Anahuac México, México, https://orcid.org/0009-0004-7752-4897  
2Investigadora Independiente, Ecuador, https://orcid.org/0009-0002-7478-0401  
3Investigadora Independiente, Ecuador, https://orcid.org/0009-0007-6830-2485  
4Investigador Independiente, Ecuador, https://orcid.org/0009-0000-7231-0276  
REVISTA POLITECNICA DE LA CIENCIA  
1
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
ciertos algoritmos y la necesidad de fortalecer los marcos regulatorios y éticos. Se concluye que  
la inteligencia artificial constituye una herramienta complementaria con gran potencial para el  
diagnóstico temprano mediante imágenes médicas; no obstante, su implementación debe  
sustentarse en modelos transparentes, validados en diversos contextos clínicos y respaldados  
por estrategias que garanticen la seguridad, la equidad y la confiabilidad de su resultado.  
Palabras clave: inteligencia artificial, diagnóstico temprano, imágenes médicas, aprendizaje  
profundo, radiología, medicina de precisión  
ABSTRACT: Artificial intelligence (AI) has established itself as one of the most promising  
technologies for early diagnosis through medical imaging, due to its ability to improve  
diagnostic accuracy, streamline the interpretation of imaging studies, and support clinical  
decision-making. The objective of this study was to analyze recent advances in the application  
of AI in early diagnosis through medical imaging and to describe the main clinical, technological,  
and ethical challenges associated with its implementation. To this end, a narrative review of  
the scientific literature published between 2016 and 2025 was conducted, using the  
PubMed/MEDLINE, Scopus, Web of Science, and ScienceDirect databases. Original studies,  
systematic reviews, meta-analyses, and other scientific documents related to the use of  
artificial intelligence in medical imaging were included. The collected information was  
organized and analyzed using a thematic approach, considering the clinical areas of application,  
the technologies employed, the diagnostic results obtained, and the limitations identified. The  
findings showed that deep learning algorithms have achieved accuracy levels comparable to  
those of specialists in oncology, neurology, respiratory diseases, and cardiology. Furthermore,  
significant benefits were identified associated with the early detection of diseases, the  
reduction of diagnostic variability, and the optimization of However, significant limitations  
remain, including the poor generalization ability of some models, the presence of bias in  
training data, the limited interpretability of certain algorithms, and the need to strengthen  
regulatory and ethical frameworks. It is concluded that artificial intelligence is a complementary  
tool with great potential for early diagnosis through medical imaging; however, its  
implementation must be based on transparent models, validated in various clinical contexts,  
and supported by strategies that ensure the safety, equity, and reliability of its results.  
Keywords: artificial intelligence, early diagnosis, medical imaging, deep learning, radiology,  
precision medicine  
REVISTA POLITECNICA DE LA CIENCIA  
2
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
INTRODUCCIÓN  
La inteligencia artificial (IA) ha conseguido convertirse en una de las tecnologías más disruptivas  
y prometedoras en el área de la salud en la última década. Su implementación en diferentes áreas  
de la medicina ha permitido mejorar procesos clínicos, aumentar la exactitud del diagnóstico y  
favorecer la toma de decisiones apoyadas en datos. El análisis de imágenes en la medicina  
representa uno de los sectores en el que la IA ha demostrado mayor potencial, sobre todo, en el  
diagnóstico temprano de patologías de elevada prevalencia y mortalidad. La creciente  
disponibilidad de grandes transportes de imágenes digitales, junto con el desarrollo en el  
aprendizaje automático (Machine Learning) y el aprendizaje profundo (Deep Learning) ha  
permitido el desarrollo de sistemas que son capaces de identificar patrones complejos que  
pueden no captarse con la evaluación clásica que lleva a cabo un profesional de la salud (1,2).  
El diagnóstico precoz constituye uno de los ejes centrales de la mejora del pronóstico de diversas  
enfermedades, fundamentalmente de tipo oncológico, cardiovascular, neurológico y respiratorio.  
Diferentes investigaciones han puesto de manifiesto que la detección en estadios precoces  
permite instaurar tratamientos a tiempo, disminuir las compli-caciones, bajar costes sanitarios e  
incrementar notablemente los índices de supervivencia. Sin embargo, el incremento de la  
demanda de estudios de imagen y la escasez de especialistas en algunas áreas geográficas ha  
generado problemas importantes, en términos de carga de trabajo, tiempos de respuesta y  
variabilidad en los diagnósticos. En este sentido, la IA se sitúa como una técnica complementaria  
que puede apoyar la interpretación de la imagen médica y reforzar la capacidad diagnóstica de  
los sistemas de salud (3,4).  
Durante la última década, el gran desarrollo de redes neuronales convolucionales (Convolutional  
Neural Networks (CNN)) ha permitido el crecimiento desmesurado de los algoritmos de  
aprendizaje profundo, los cuales han demostrado obtener excelentes resultados en tareas de  
clasificación, segmentación y detección de anomalías en imágenes médicas. Estas tecnologías han  
encontrado su aplicación en radiografías, tomografías computarizadas, resonancias magnéticas,  
mamografías, ecografías e imágenes de patología. Ciertas investigaciones ofrecen resultados en  
fiabilidad de mención similares, e incluso superiores en ciertas condiciones específicas, a los de  
los especialistas experimentados, y han demostrado soluciones eficientes a problemas de  
diagnóstico relacionados con el cáncer de mama, el cáncer de pulmón, la retinopatía diabética,  
enfermedades cardiovasculares y ciertas patologías neurológicas. Asimismo, la IA ha permitido  
desarrollar sistemas más eficientes al integrar el diagnóstico asistido por computadora y al  
permitir disminuir errores relacionados con la interpretación humana (5,6).  
Uno de los logros más significativos es nuestra habilidad para que los modelos de IA puedan  
analizar al mismo tiempo, en grandes cantidades de información clínica e imagenológica,  
patrones sutiles, probablemente estadios tempranos de enfermedad. Esta aplicación se ha  
mostrado especialmente útil en programas de tamizaje poblacional, donde la rapidez y la  
REVISTA POLITECNICA DE LA CIENCIA  
3
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
exactitud de la respuesta diagnóstica puede ser clave para el éxito de las estrategias de  
prevención y control. Otro ejemplo lo encontramos en la oncología, donde la inteligencia artificial  
está apoyando un diagnóstico más precoz para lesiones malignas obtenidas a partir de datos por  
mamografías, tomografías de tórax y estudios ecográficos, con el potencial para contribuir a una  
disminución de la mortalidad de todos los tipos de cáncer (7,8).  
Aunque se han dado pasos significativos, la implementación clínica de la inteligencia artificial  
presenta aún muchos inconvenientes que dificultan su generalización. Entre estos  
inconvenientes, sobresalen la necesidad de conjuntos de datos amplios, diversos y correctamente  
etiquetados para entrenar algoritmos; los sesgos que pueden aparecer por representar  
escasamente a ciertas poblaciones; las dificultades relacionadas con la interoperabilidad de los  
sistemas; o la calidad de las imágenes obtenidas que puede ser muy variable entre distintos  
centros. También persisten los temores en relación a la transparencia de los modelos de  
aprendizaje profundo y que es frecuente describir como “cajas negras”, dadas las dificultades  
para conocer cómo los procesos internos de estas técnicas llevan a una determinada predicción  
diagnóstica. Estas limitaciones han propiciado el desarrollo de algoritmos de inteligencia artificial  
explicable (Explainable Artificial Intelligence, XAI), orientados por tanto a aumentar la confianza  
de los profesionales de la salud, así como a facilitar una toma de decisiones más transparente y  
segura (9,10).  
Ciertamente, los aspectos legales, éticos, regulatorios representan importantes desafíos también  
para la integración de estas tecnologías en la práctica clínica. El respeto a los datos sensibles, la  
confidencialidad del paciente, la responsabilidad ante los errores en la codificación diagnóstica y  
la validación clínica de los algoritmos constituyen elementos que deben ser abordados de forma  
previa a implementaciones en un contexto de gran escala. Y a su vez, las organizaciones  
reguladoras y las sociedades científicas siguen elaborando marcos normativos que garantizan que  
las soluciones instanciadas como IA en la práctica clínica siga los estrictos requisitos asociados a  
la seguridad, a la eficacia y a la calidad asistencial (11,12).  
Hoy en día, la evidencia científica apunta a que la inteligencia artificial no debe entenderse como  
un complemento del juicio por parte de los profesionales sanitarios si no como una herramienta  
que amplía las capacidades sociales de los propios clínicos que ejercen su actividad. La suma de  
la experiencia mediada por la inteligencia artificial permitirá la creación de modelos de atención  
a los pacientes más eficaces y más ajustados a los deseos del propio paciente. La convergencia de  
sinergias deberá cimentarse todavía más en aspectos como la validación externa de los algoritmos  
que emplean interfaz de la inteligencia artificial, la generalización entre poblaciones distintas o la  
interrelación de las herramientas con los flujos de trabajo clínicos establecidos.  
Por lo expuesto, este artículo se incluye en el análisis de estados de la cuestión de los últimos  
avances en la integración de inteligencia artificial para el diagnóstico temprano de enfermedades  
a partir de imágenes médicas y de los principales retos clínicos, éticos y técnicos que obstaculizan  
REVISTA POLITECNICA DE LA CIENCIA  
4
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
su incorporación en la práctica asistencial. Desde esta perspectiva, se propone la hipótesis de que  
la integración de buenos sistemas de inteligencia artificial en el análisis de las imágenes médicas  
puede conseguir diagnósticos más precisos y más oportunos, a la vez que la implementación de  
sistemas de inteligencia artificial en este ámbito queda condicionada por la superación de retos  
referidos a la interpretabilidad, la regulación, la calidad de los datos y la aceptación clínica.  
MATERIALES Y MÉTODOS  
En el presente estudio se optó por desarrollar una revisión bibliográfica de tipo narrativa y  
descriptivo-analítica, orientada a analizar los avances y los retos clínicos asociados a la  
implementación de la inteligencia artificial en el diagnóstico precoz a través de las imágenes  
médicas. Dicha elección nos permitió recoger, analizar e integrar evidencia científica reciente  
asociada a la implementación de algoritmos de inteligencia artificial, machine learning o  
aprendizaje automático, y deep learning o aprendizaje profundo en las diversas modalidades de  
diagnóstico por imágenes.  
La búsqueda de información se llevó a cabo entre febrero y mayo de 2026 a partir de bases de  
datos científicas de gran reconocimiento internacional, las cuales fueron seleccionadas por tener  
una amplia cobertura, una rigurosidad editorial y una elevada calidad de indexación. Las fuentes  
requeridas abarcaron PubMed/MEDLINE, Scopus, Web of Science y ScienceDirect, ya que recogen  
una gran parte de la literatura biomédica y tecnológica de alto impacto, publicada a nivel mundial.  
Estas bases de datos están bastante consolidadas en la investigación científica y en las revisiones  
sistemáticas, puesto que garantizan la recuperación de estudios revisados por pares y con un  
sólido respaldo metodológico. La estrategia de búsqueda se erigió a partir de la fusión de  
términos controlados y keywords relacionadas con el tema en estudio. Se aplicaron los  
operadores booleanos (AND y OR) con el fin de maximizar la sensibilidad y especificidad de la  
búsqueda. Los principales términos empleados fueron: “artificial intelligence”, “machine  
learning”, “deep learning”, “medical imaging”, “radiology”, “diagnostic imaging”, “early  
diagnosis”, “computer-aided diagnosis”, “convolutional neural networks”, “medical image  
analysis” y “clinical challenges”. Se también empleó su equivalente en español para maximizar la  
recuperación de literatura relevante. El diseño de la estrategia de búsqueda se fundamentó en  
metodologías empleadas en revisiones recientes acerca de la inteligencia artificial para imágenes  
médicas.  
Se determinaron criterios de inclusión y exclusión para asegurar la calidad y actualidad de la  
evidencia recuperada. Se incluyeron trabajos originales, revisiones sistemáticas, metaanálisis,  
estudios observacionales, estudios clínicos e informes de revisión narrativa publicados entre  
enero de 2016 y diciembre de 2025. Se consideraron solamente las publicaciones en inglés o  
español, indexadas en revistas científicas, bajo revisión por pares. A su vez, los estudios debían  
REVISTA POLITECNICA DE LA CIENCIA  
5
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
incluir aplicaciones de inteligencia artificial para la interpretación, clasificación, segmentación o  
detección de patologías mediante imágenes médicas.  
Se retiraron: editoriales, cartas al editor, fundamentos de expertos no respaldados por ninguna  
evidencia empírica, resúmenes de congreso, documentos duplicados, tesis no publicadas y  
artículos que en su contenido no presentaran ninguna relación con el diagnóstico precoz, en este  
caso, el que se fundamenta en imágenes médicas. Asimismo, existieron estudios que fueron  
descartados por su insuficiente información metodológica para poder evaluar sus resultados en  
términos de validez, o bien porque la fecha de su publicación superaba el límite de los diez años  
que hemos exigido en esta investigación.  
El proceso de selección de los textos incluía tres etapas. En la primera etapa se llevó a cabo la  
identificación de publicaciones potencialmente pertinentes mediante su búsqueda electrónica en  
las bases de datos seleccionadas. A continuación, se llevó a cabo la revisión de títulos y resúmenes  
para determinar su pertinencia al objeto de la investigación. Finalmente, se realizó la lectura  
completa de los artículos que habían sido preseleccionados a fin de comprobar si cumplían con  
los criterios de inclusión y exclusión predefinidos.  
A raíz de la información extraída se elaboró una matriz de extracción de datos donde se  
recogieron variables como el año de publicación, los autores, el país de procedencia, la modalidad  
de imagen médica estudiada, el tipo de algoritmo de inteligencia artificial que utilizaba, la  
patología estudiada, los principales hallazgos, la precisión diagnóstica reportada y las limitaciones  
descritas. Esta información sirvió para establecer una comparación estructurada de los resultados  
obtenidos en diversas investigaciones y establecer tendencias relevantes en el desarrollo de la  
inteligencia artificial en el diagnóstico por imagen.  
La evaluación crítica de los estudios analizados se sustentó en el testimonio de la revisión de  
aspectos metodológicos relativos al diseño de estudios, tamaño muestral, validación de  
algoritmos, reproducibilidad de resultados y aplicabilidad clínica; otorgándose un valor relevante  
a publicaciones de revistas científicas de impacto elevado y con prestigio internacional en el  
ámbito de la radiología, la informática médica, la inteligencia artificial y las ciencias de la salud  
para garantizar la credibilidad de la evidencia revisada.  
Por último, la información extraída fue sintetizada de forma narrativa y los hallazgos se  
organizaron a partir de los principales avances tecnológicos y de los más destacados desafíos  
clínicos, éticos y regulatorios de la implementación de la inteligencia artificial en el diagnóstico  
precoz avalado por imágenes médicas.  
REVISTA POLITECNICA DE LA CIENCIA  
6
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
RESULTADOS  
Evidencia global sobre el rendimiento diagnóstico de la inteligencia artificial en imágenes  
médicas  
El análisis de la literatura científica publicada entre 2016 y 2025 supone un rápido crecimiento de  
las aplicaciones de la inteligencia artificial en el diagnóstico temprano a través de imágenes  
médicas. Los estudios analizados son coincidentes en que el aprendizaje profundo (Deep  
Learning), concretamente el de las redes neuronales convolucionales (CNNs), ha cambiado la  
capacidad de procesamiento, clasificación e interpretación de imágenes clínicas, hasta alcanzar  
niveles de precisión del diagnóstico que son comparables o incluso superiores a los que realizan  
determinadas especialidades humanas en diferentes contextos clínicos (1,5,13).  
Uno de los trabajos más poderosos descritos dentro de la revisión es el metaanálisis realizado por  
Aggarwal et al; quienes evaluaron la precisión diagnóstica de algoritmos de deep learning  
aplicados a imágenes médicas. El estudio analizó 11.921 publicaciones iniciales de las cuales 503  
fueron elegibles para el estudio. Los resultados indicaron que los algoritmos recibieron áreas bajo  
la curva (AUC) de entre 0,933 y 1,0 para enfermedades oftalmológicas, AUC de entre 0,864 y 0,937  
para patologías respiratorias, y AUC de entre 0,868 y 0,909 para cáncer de mama. Esto sugiere  
que la inteligencia artificial puede ofrecer un rendimiento diagnóstico muy competitivo cuando  
se aplica a bases de imágenes debidamente estructuradas y validadas (13).  
Los resultados también dan cuenta de un desarrollo progresivo a partir de sistemas diseñados  
para tareas muy específicas hasta llegar a sistemas más complejos que resuelven múltiples  
patologías. La literatura reciente afirma que se ha producido un movimiento desde sistemas para  
la detección de una enfermedad hacia modelos fundacionales que han sido entrenados con  
millones de imágenes de distintas modalidades diagnósticas (tomografía computarizada,  
resonancia magnética, mamografía, radiología digital, patología digital). Este proceso convirtió en  
una oportunidad para construir herramientas más adaptativas a la clínica y más aplicables al  
entorno hospitalario (14,15).  
Un segundo aspecto importante que ha aflorado en esta revisión es el crecimiento masivo de la  
cantidad de publicaciones científicas vinculadas a la inteligencia artificial médica. El aumento de  
la capacidad computacional, el acceso a data sets masivos conteniendo imágenes médicas y el  
impulso en la creación de arquitecturas donde se aplique el aprendizaje profundo han sido  
aquellos factores que han promovido la investigación en ese ámbito concreto durante los últimos  
diez años. Fruto de ello, la inteligencia artificial ha llegado a posicionarse como uno de los sectores  
en ascenso en el marco de la informática biomédica y la radiología digital.  
Con la finalidad de sintetizar la evidencia científica que ha sido sometida a análisis e investigación  
en el contexto de esta revisión, se propone la Tabla 1 en la cual se exhiben los estudios más  
REVISTA POLITECNICA DE LA CIENCIA  
7
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
representativos que han sido incluidos dentro de la revisión. En la misma se ha resumido aquellos  
aspectos relevantes que conforman cada uno de los trabajos, como puede ser el área clínica  
estudiada, la modalidad de imagen médica utilizada, el tipo de tecnología de inteligencia artificial  
que ha sido aplicada y los resultados principales que han sido reportados por los autores. Este  
tipo de hallazgos permiten determinar las áreas con un mayor grado de desarrollo, así como  
aquellos progresos que han sido alcanzados en precisiones en el diagnóstico y aquellos ítems que  
podrían considerarse como desafíos y que se relacionan estrechamente con la implementación  
clínica de la inteligencia artificial en el diagnóstico temprano a partir de imágenes médicas.  
Tabla 1. Principales estudios analizados sobre inteligencia artificial aplicada al diagnóstico  
Autor (es)  
Año  
Área clínica  
Modalidad de  
imagen  
Tecnología IA  
Hallazgo principal  
Aggarwal et al.  
2021  
Multidisciplinaria  
Diversas  
modalidades  
Deep Learning  
Demostró  
precisión  
diagnóstica  
oftalmología,  
alta  
en  
enfermedades  
respiratorias  
y
cáncer de mama,  
con desempeño  
comparable  
al  
de especialistas.  
Zhou et al.  
2020  
Multidisciplinaria  
Radiografía, TC,  
RM e  
Deep Learning  
Identificó  
avances  
histopatología  
significativos en  
múltiples  
especialidades  
médicas  
y
destacó  
el  
potencial futuro  
de la IA en  
diagnóstico por  
imágenes.  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
8
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
Mazurowski  
et al.  
2018  
Radiología  
TC, RM y  
mamografía  
Redes neuronales  
convolucionales  
Evidenció que el  
aprendizaje  
profundo puede  
igualar o superar  
el rendimiento  
humano  
en  
determinadas  
tareas  
diagnósticas.  
McGenity et al.  
2023  
Patología digital  
Imágenes  
histopatológicas  
Deep Learning  
Reportó elevada  
sensibilidad  
especificidad  
para  
y
la  
identificación  
automatizada de  
tejidos  
tumorales.  
Yang et al.  
2024  
Multidisciplinaria  
Diversas  
Deep Learning  
Identificó  
modalidades  
limitaciones  
relacionadas con  
la generalización  
de  
modelos  
entre diferentes  
poblaciones  
centros  
y
sanitarios.  
Wenderott et al.  
2024  
Radiología  
Radiografías y  
tomografías  
Inteligencia  
Artificial aplicada  
a flujos clínicos  
Demostró  
mejoras  
eficiencia  
operativa  
reducción  
tiempos  
en  
y
de  
de  
interpretación  
diagnóstica.  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
9
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
Seo et al.  
Schouten et al.  
Zhang et al.  
2024  
2024  
2024  
Radiología  
TC, RM y  
radiografías  
Foundation  
Models y IA  
generativa  
Destacó  
potencial clínico  
de modelos  
fundacionales  
para mejorar la  
interpretación  
el  
de  
imágenes  
médicas.  
Medicina  
personalizada  
Imágenes  
multimodales  
IA multimodal  
Mostró que la  
integración  
imágenes  
de  
con  
datos  
clínicos  
incrementa  
la  
capacidad  
predictiva de los  
algoritmos.  
Radiología  
TC, RM y  
mamografía  
Detección  
automatizada de  
lesiones  
Evidenció  
mejoras en la  
identificación de  
microlesiones  
hallazgos  
y
tempranos  
difíciles  
de  
detectar  
visualmente.  
Kim et al.  
2024  
Radiología  
Imágenes  
multimodales  
Foundation  
Models  
Demostró  
avances  
en  
interpretabilidad  
mediante  
integración  
imágenes  
de  
y
lenguaje médico  
especializado.  
Tal como se puede consultar en la Tabla 1, la mayor parte de las investigaciones recientes se  
encuentra en la línea de desarrollo de modelos de Deep Learning y sistemas multimodales en  
oncología, en radiología torácica y en neurología y, por último, en cardiología. En términos  
generales, las investigaciones reportan mejoras en el rendimiento diagnóstico, en la optimización  
de los tiempos de interpretación e incluso en la mejora de la detección temprana de  
REVISTA POLITECNICA DE LA CIENCIA  
10  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
enfermedades. Sin embargo, también aparecen algunos retos relacionados con la generalización  
de los modelos, la calidad de los datos de entrenamiento y la necesidad de incrementar la  
transparencia e interpretabilidad de los algoritmos usados en los entornos clínicos.  
Aplicación en oncología y detección temprana del cáncer  
La oncología constituye el área clínica con mayor producción científica relacionada con el empleo  
de la inteligencia artificial en imágenes médicas. La evidencia analizada indica que los algoritmos  
actuales muestran resultados particularmente esperanzadores en la detección temprana del  
cáncer de mama, cáncer de pulmón y análisis histopatológico digital.  
En lo que respecta al cáncer de mama, los trabajos revisados dejan entrever que los sistemas  
basados en deep learning tienen la capacidad de detectar microcalcificaciones, distorsiones  
arquitectónicas y lesiones en estadios iniciales de difícil reconocimiento si se optase por la  
observación convencional. En el metaanálisis presentado por Aggarwal et al., los resultados que  
se obtuvieron para los estudios incluidos mostraron AUC entre 0,868 y 0,909 para las diferentes  
modalidades de imagen mamaria consideradas mamografías digitales, ecografía, resonancia  
magnética y tomo síntesis. Los resultados obtenidos muestran un elevado rendimiento  
diagnóstico que avala la potencial utilidad de la IA como herramienta adyuvante para los  
programas de cribado poblacional (16,17).  
La literatura también pone de manifiesto progresos destacados en el campo de la detección  
temprana de la neoplasia maligna del pulmón. Los algoritmos diseñados para el estudiado  
informatizado automatizado de las tomografías computarizadas de tórax poseen una buena  
capacidad para detectar elementos nodulares pulmonares de pequeño tamaño y con  
características sospechosas de malignidad. La posibilidad de poder realizar estudios sobre miles  
de cortes tomográficos a una buena velocidad proporciona la oportunidad de poder llegar a  
conclusiones sobre la detección de hallazgos sutiles capaces de pasar desapercibidos en la  
evaluación convencional, en particular en situaciones con gran carga asistencial (18).  
Con respecto a la patología digital, se trata de uno de los emergentes más esperanzadores.  
Asimismo, la revisión sistemática que se puso en marcha por McGenity y colaboradores reseñó  
100 estudios y más de 152 000 imágenes histopatológicas digitales; las conclusiones fueron que  
la sensibilidad media alcanzó el 96,3 % y la especificidad media fue del 93,3 %; datos que apoyan  
al hecho de que los sistemas de IA son capaces de reconocer patrones celulares compatibles con  
una malignidad con altísimos índices de especificidad y sensibilidad, lo cual corrobora la IA como  
herramienta de ayuda a los anatomopatólogos y/o a los especialistas en diagnóstico histológico.  
(19).  
REVISTA POLITECNICA DE LA CIENCIA  
11  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
Aplicación de la inteligencia artificial en enfermedades respiratorias  
Las enfermedades relacionadas con las vías respiratorias constituyen uno de los ámbitos en los  
que la inteligencia artificial ha llegado más lejos en su aplicación, dado que hay una enorme  
cantidad de imágenes radiológicas y tomográficas. En particular, los trabajos revisados indicaban  
que los algoritmos de aprendizaje profundo han demostrado una elevada capacidad para  
identificar problemas pulmonares que se relacionan con la existencia de cáncer, neumonía,  
enfermedad pulmonar obstructiva crónica, fibrosis pulmonar y otras enfermedades de tipo  
respiratorio (20,21).  
Los resultados muestran que los sistemas automatizados pueden analizar radiografías de tórax y  
tomografías computarizadas en una fracción del tiempo que la interpretación habitual necesita,  
permitiendo la deteención de patrones radiológicos complejos con alta precisión, lo cual es muy  
relevante en los programas de cribado poblacional y en las instituciones sanitarias con alta  
demanda diagnóstica.  
En el período de la pandemia de COVID-19 se originó un desarrollo exponencial de algoritmos  
destinados a facilitar el análisis automatizado de las imágenes torácicas. Si bien muchos de esos  
modelos estaban orientados a responder a necesidades, el contexto de su desarrollo propició la  
evolución de modelos metodológicos orientados a otras patologías respiratorias. Como  
consecuencia, se estableció un refuerzo de las capacidades de los sistemas de inteligencia  
artificial para la detección temprana de anomalías en el pulmón y la ayuda en el proceso de la  
toma de decisiones clínicas (9).  
Otro punto importante evidenciado en la literatura es el control de la variabilidad diagnóstica  
entre observadores. La estandarización propiciada por los algoritmos logra acortar las  
discrepancias interpretativas y, favorecer, así, la consistencia entre los informes radiológicos para  
mejorar los resultados de los diagnósticos en su forma más uniforme y reproducible.  
Aplicación en neurología  
La neurología constituye una de las especialidades médicas con mayor capacidad para sacar  
provecho de la inteligencia artificial para el análisis de imágenes. Los trabajos incluidos en esta  
revisión muestran avances considerables en la detección precoz de enfermedades  
neurodegenerativas, accidentes cerebrovasculares, epilepsia y tumores cerebrales (22,23).  
En enfermedades neurodegenerativas como el Alzheimer o el Parkinson, los propios algoritmos  
han permitido conocer alteraciones estructurales y funcionales en fases anteriores a la aparición  
de las manifestaciones clínicas como tal. Lo que reviste una importancia especial debido a que  
pueden comenzar una terapia y un seguimiento en una fase previa, cuando las intervenciones  
pueden ser más efectivas (22).  
REVISTA POLITECNICA DE LA CIENCIA  
12  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
Los resultados también reflejan que la inteligencia artificial aplicada a la resonancia magnética  
cerebral favorece la segmentación anatómica de la investigación de lesiones y la cuantificación  
de los cambios cerebrales asociados al envejecimiento o a procesos patológicos, de tal forma que  
mejoran las medidas obtenidas con técnicas manuales clásicas, ya que aseguran mediciones más  
reproducibles y objetivas (23).  
La rapidez con la que se realizan los diagnósticos, en el contexto del accidente cerebrovascular,  
es uno de los aspectos más influyentes en el pronóstico del paciente. Entre las diversas  
investigaciones relacionadas con esta patología, existen algunas en las que se ha puesto de  
manifiesto que los sistemas automatizados son capaces de reconocer áreas isquémicas en los  
estudios de imagen por resonancia magnética y de indicar la ocurrencia de hemorragia  
intracraneal de forma rápida, convirtiéndose en una herramienta que facilita la toma de  
decisiones terapéuticas de forma oportuna y, potencialmente, mejorando el pronóstico clínico.  
4.5 Aplicación en enfermedades cardiovasculares  
La evidencia científica muestra que la inteligencia artificial también ha facilitado progresos  
considerables en el diagnóstico por imágenes cardiovasculares. Los estudios que se revisan en  
esta sección muestran que hay aplicaciones exitosas tanto en el contexto ecocardiográfico como  
en el de la tomografía computarizada cardíaca, la resonancia magnética cardiovascular y la  
angiografía coronaria (24, 25).  
Los algoritmos de la maquinaria de aprendizaje automático han comenzado a mostrarse en la  
utilidad de la detección de procesos de cardiopatías estructurales, de alteraciones valvulares, de  
insuficiencia cardíaca, de enfermedad coronaria. O, por el contrario, los procedimientos  
automáticos de medición anatómica permiten minimizar errores relacionados a la variabilidad  
humana y, así, elevar la precisión de los estudios diagnósticos (25).  
Los hallazgos sugieren que la inteligencia artificial se puede utilizar en el desarrollo de modelos  
predictivos capaces de identificar los pacientes en riesgo cardiovascular antes de la aparición de  
eventos clínicos mayores, lo cual favorece el desarrollo de estrategias preventivas más eficaces y,  
al mismo tiempo, los programas de medicina personalizada (24).  
Asimismo, distintos estudios enfatizan que la introducción de inteligencia artificial en los servicios  
de cardiología facilita la mejora de la eficacia organizativa y el tiempo requerido para el procesado  
de los estudios complejos, permitiendo así una atención más rápida y precisa.  
Inteligencia artificial multimodal y medicina de precisión  
Uno de los descubrimientos más destacados establecidos en la literatura más reciente  
corresponde a los sistemas multimodales de la IA. A diferencia de los métodos tradicionales, estos  
REVISTA POLITECNICA DE LA CIENCIA  
13  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
modelos combinan imágenes médicas, datos clínicos, datos anteriores del paciente, resultados  
de laboratorio e información genética (26,27).  
Tal como lo evidencian los estudios revisados, el uso de información procedente de diversas  
fuentes mejora notablemente la capacidad predictiva de los algoritmos, generando mejoras en la  
evaluación en cuanto a su integridad y exactitud, lo cual puede favorecer los diagnósticos  
individualizados e impulsar terapias que se centren más en las características del mismo paciente  
(26).  
La medicina de precisión es especialmente beneficiada por los avances realizados aquí, a través  
de los cuales la inteligencia artificial identifica patrones complejos imposibles de identificar  
mediante técnicas tradicionales, lo que permite aumentar la capacidad de predecir los riesgos,  
seleccionar los tratamientos e incluso seguir la evolución clínica (27).  
La emergencia de nuevos modelos fundacionales y herramientas de inteligencia artificial  
generativa muestra una nueva forma de apostar por la evolución tecnológica del diagnóstico  
médico, pues pueden aprender a partir de ingentes volúmenes de información variopinta con el  
fin de llegar a respuestas clínicamente relevantes que pueden ser un complemento al trabajo de  
los profesionales de la salud.  
Principales desafíos clínicos, tecnológicos y éticos identificados  
Si bien se pueden encontrar ciertos avances, la implementación clínica de la inteligencia artificial  
aún presenta importantes retos. Uno de los principales problemas más frecuentemente  
mencionados es la escasa capacidad de generalización de algunos modelos de IA cuando son  
aplicados a otras poblaciones que no fueron entrenadas con los modelos (9,10).  
La calidad y la representatividad de datos son un desafío importante para la validación externa.  
Muchos modelos han sido desarrollados a partir de bases de datos obtenidas en determinadas  
instituciones, lo que puede conllevar sesgos que deterioren el rendimiento en clínicas diferentes  
(10).  
La interpretabilidad de los algoritmos supone una preocupación constante en la comunidad de  
profesionales de la salud, puesto que el hecho de que existan algunos algoritmos cuyo proceso  
interno que da lugar a una determinada decisión de diagnóstico resulte muy difícil de entender  
para el médico, hace que desconfíe de dicha decisión y no acepte de buen grado el uso de dichas  
tecnologías. Para tratar de dar respuesta a esta problemática, la literatura reciente pone de  
manifiesto un interés creciente de los autores por desarrollar sistemas de inteligencia artificial  
que sean explicables (9).  
Los aspectos éticos y regulatorios también tienen un papel preponderante en el actual debate  
científico. La protección de datos sensibles, la privacidad de los pacientes, la responsabilidad en  
REVISTA POLITECNICA DE LA CIENCIA  
14  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
un error diagnóstico y una estricta validación clínica también son aspectos clave para lograr una  
implementación segura y responsable (10).  
Tendencias futuras identificadas en la literatura  
La evidencia científica analizada establece que la inteligencia artificial tendrá un papel cada vez  
más relevante en el diagnóstico por imágenes, a medida que se desarrollen de forma contundente  
las tendencias destacadas: el avance de la inteligencia artificial explicable o explicativa, el  
progreso de los modelos multimodales, el fomento de los modelos fundacionales y la medicina  
personalizada (12,13).  
De igual manera, es de esperar que se produzca una integración gradual de estas tecnologías en  
los sistemas de información hospitalarios y en los flujos de trabajo clínicos establecidos, lo que  
permitirá mejorar los procesos diagnósticos, aumentar la eficiencia del funcionamiento operativo  
y potenciar la capacidad de detección de múltiples enfermedades de manera precoz (13,14).  
En su totalidad, los resultados sirven para demostrar que la IA tiene un potencial muy importante  
para cambiar el diagnóstico temprano de imágenes médicas. Sin embargo, la viabilidad  
dependerá de poder dar respuesta a desafíos de datos, de validación clínica, algorítmica, de datos  
de confianza, y de establecer marcos regulatorios adecuados que mantengan la seguridad y  
confianza de pacientes y profesionales de la salud (15).  
DISCUSIÓN  
Los resultados indican que la inteligencia artificial ha tenido un gran desarrollo en los últimos diez  
años, constituyéndose como una de las mejores herramientas tecnológicas que realmente  
transforma el diagnóstico rápido mediante imágenes médicas. El creciente potencial de los  
algoritmos de aprendizaje profundo que son capaces de establecer patrones complejos en los  
estudios incluyendo los radiológicos, histopatológicos y la resonancia magnética, permiten  
alcanzar niveles de precisión diagnóstica similares a los obtenidos mediante la participación de  
los especialistas en las diferentes áreas clínicas. Dichos resultados confirman la hipótesis  
planteada en esta investigación donde se pone de relieve que la correcta integración de sistemas  
de inteligencia artificial hace que mejore la oportunidad y la exactitud del diagnóstico médico  
(16,17,25).  
Los progresos que se presentan en la literatura analizada apuntan a una mayor evolución en  
oncología, radiología torácica, neurología y cardiología y esta situación puede explicarse por la  
gran disponibilidad de imágenes digitalizadas, y por la relevancia clínica de un diagnóstico precoz  
y de la existencia de bases de datos suficientemente extensas para el entrenamiento de  
algoritmos. Ésta sería una de las aplicaciones en las que la IA proporciona un mayor potencial de  
REVISTA POLITECNICA DE LA CIENCIA  
15  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
beneficio, ya que es capaz de reconocer alteraciones sutiles que podrían no ser identificadas  
durante la evaluación convencional. Estos hallazgos concuerdan con las investigaciones más  
recientes que ponen de manifiesto el potencial de la IA como herramienta de apoyo en los  
programas de cribado y en la estrategia de intervención (18,19).  
Otro elemento importante encontrado en el paso anterior es la mejora de los flujos de trabajo  
clínicos a través de la inteligencia artificial. La automatización de tareas repetitivas, la priorización  
de estudios sospechosos o la reducción de los tiempos de interpretación contribuirían a mejorar  
la eficiencia del funcionamiento de los servicios de salud, sobre todo en contextos con creciente  
demanda asistencial y/o escasez de especialistas. Desde esa perspectiva, además de ser un  
instrumento diagnóstico, la IA habría que concebirla como un recurso estratégico para mejorar la  
gestión sanitaria y la toma de decisiones clínicas (20,21,28).  
No obstante, los hallazgos de esta investigación también atestiguan que la incorporación de estas  
herramientas conlleva importantes limitaciones. Uno de los problemas más comunes está  
relacionado con la baja generalización de algunos algoritmos cuando se aplican en grupos  
diferentes a los que se emplearon al momento del diseño y su puesta en función. Este aspecto  
puede impactar la reproducibilidad de los hallazgos y reducir la aplicabilidad en el entorno clínico  
de los modelos que tienen un buen desempeño en condiciones controladas, pero caen  
bruscamente en su exactitud cuando se analizan bajo circunstancias del mundo real (27,29).  
La calidad y representatividad de los datos dicho aspecto es otro aspecto fundamental. Existen  
varios estudios que han evidenciado que la presencia de sesgos en las bases de datos de  
entrenamiento puede ocasionar desigualdades diagnósticas y un compromiso de la fidelidad de  
los sistemas de inteligencia artificial. Por lo que es fundamental promover el desarrollo de  
conjuntos de datos más diversos y representativos que le permitan tener mayor validez externa  
y generar una aplicación clínica más igualitaria (22,29).  
De la misma manera, la interpretabilidad sigue siendo una de las principales limitaciones para la  
adopción generalizada de la inteligencia artificial en medicina. A pesar de que muchos algoritmos  
ofrecen resultados muy precisos, las dificultades para comprender los mecanismos que permiten  
llegar a sus decisiones genera un estado de inseguridad en la práctica clínica (26,27). En este  
sentido, el desarrollo de métodos de inteligencia artificial explicable constituye una de las líneas  
de investigación más importante para poder fortalecer la confianza y aceptación de estas  
herramientas en la práctica clínica (29,30).  
Los resultados también permiten concluir que no puede considerarse a la inteligencia artificial  
como una sustituta del criterio médico experto. Al contrario, la evidencia disponible sugiere que  
los mayores resultados se consiguen en un contexto de interacción profesional entre especialistas  
y sistemas inteligentes. La conjunción de la experticia clínica, del juicio profesional y del análisis  
REVISTA POLITECNICA DE LA CIENCIA  
16  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
automatizado puede conducir a una disminución de errores diagnósticos, a un aumento de la  
precisión y a una atención centrada, más segura y más centrada en el paciente. (23,24).  
Por último, se observa cómo las tendencias que se recogen en la literatura avanzada en la  
actualidad van en la dirección de desarrollar informes por imagen que integren modelos  
multimodales capaces de combinar información clínica, genética, radiológica y demográfica y que  
nos lleven en la dirección de una medicina más personalizada, preventiva y predictiva y, por tanto,  
avanzar en el objetivo de las evidencias que se manifiestan; pero aún hay que seguir adelante con  
la propuesta de investigación multicéntrica, los procesos de validación clínica y puentes  
regulatorios que mantengan niveles adecuados de transparencia, seguridad y y uso ético de la IA  
en el mundo de la sanidad (29,30).  
CONCLUSIONES  
La revisión de la literatura científica ya publicada entre 2016 y 2025 pudo poner de manifiesto  
que la inteligencia artificial se ha constituido como una herramienta de gran utilidad para el  
diagnóstico temprano a partir de imágenes médicas, mostrando mejoras importantes en la  
precisión diagnóstica y en la detección precoz de enfermedades oncológicas, neurológicas,  
respiratorias y cardiovasculares; este hecho alcanza el objetivo de la investigación, al analizar los  
principales avances logrados en la aplicación de esta tecnología en el contexto clínico.  
Los resultados indican que los algoritmos de aprendizaje profundo y los sistemas multimodales  
han contribuido a realizar una mejora notable en los procesos de interpretación de las imágenes  
médicas, a reducir la variabilidad diagnóstica y a aumentar la robustez de la toma de decisiones  
clínicas. Sin embargo, continúan existiendo ciertas dificultades relacionadas con la generalización  
de los modelos, con la calidad de los datos que se utilizan para el entrenamiento de esos modelos,  
la interpretabilidad de los algoritmos, así como los aspectos éticos y regulatorios necesarios para  
asegurar una implementación adecuada.  
De las evidencias, se puede acceder al supuesto que se ha investigado y se ha mostrado como  
que una integración adecuada de sistemas de inteligencia artificial mejora la precisión y la  
oportunidad de la posterioridad diagnóstica como herramienta de apoyo a la decisión basada en  
el criterio médico profesional, si bien su máxima efectividad competitiva en la práctica clínica de  
las decisiones diagnósticas depende del desarrollo de modelos más transparentes, validados en  
múltiples poblaciones y enmarcados en regulaciones que garanticen su fiabilidad, equidad y  
seguridad.  
REVISTA POLITECNICA DE LA CIENCIA  
17  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
3.  
4.  
5.  
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence.  
Nat Med. 2019;25(1):44-56. Disponible en: https://www.nature.com/articles/s41591-018-  
0300-7  
Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, et al. Artificial intelligence in healthcare: past,  
present  
https://svn.bmj.com/content/2/4/230  
Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep  
learning in healthcare. Nat Med. 2019;25(1):24-29. Disponible en:  
https://www.nature.com/articles/s41591-018-0316-z  
Beam AL, Kohane IS. Big data and machine learning in health care. JAMA.  
2018;319(13):1317-1318. Disponible en:  
https://jamanetwork.com/journals/jama/fullarticle/2670913  
and  
future.  
Stroke  
Vasc  
Neurol.  
2017;2(4):230-243.  
Disponible  
en:  
Litjens G, Kooi T, Bejnordi BE, Setio AAA, Ciompi F, Ghafoorian M, et al. A survey on deep  
learning in medical image analysis. Med Image Anal. 2017;42:60-88. Disponible en:  
https://doi.org/10.1016/j.media.2017.07.005  
6.  
7.  
Shen D, Wu G, Suk HI. Deep learning in medical image analysis. Annu Rev Biomed Eng.  
2017;19:221-248. Disponible en: https://doi.org/10.1146/annurev-bioeng-071516-044442  
Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in  
radiology.  
Nat  
Rev  
Cancer.  
2018;18(8):500-510.  
Disponible  
en:  
https://www.nature.com/articles/s41568-018-0016-5  
8.  
Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial intelligence in precision  
cardiovascular medicine. J Am Coll Cardiol. 2017;69(21):2657-2664. Disponible en:  
https://doi.org/10.1016/j.jacc.2017.03.571  
9.  
Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering  
clinical impact with artificial intelligence. BMC Med. 2019;17(1):195. Disponible en:  
https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-019-1426-2  
Ghassemi M, Oakden-Rayner L, Beam AL. The false hope of current approaches to  
explainable artificial intelligence in health care. Lancet Digit Health. 2021;3(11):e745-e750.  
Disponible en: https://doi.org/10.1016/S2589-7500(21)00208-9  
10.  
11.  
12.  
13.  
Char DS, Shah NH, Magnus D. Implementing machine learning in health care—addressing  
ethical  
https://www.nejm.org/doi/full/10.1056/NEJMp1714229  
Morley J, Machado CCV, Burr C, Cowls J, Joshi I, Taddeo M, et al. The ethics of AI in health  
care: mapping review. Soc Sci Med. 2020;260:113172. Disponible en:  
https://doi.org/10.1016/j.socscimed.2020.113172  
challenges.  
N
Engl  
J
Med.  
2018;378(11):981-983.  
Disponible  
en:  
a
Aggarwal R, Sounderajah V, Martin G, Ting DSW, Karthikesalingam A, King D, et al.  
Diagnostic accuracy of deep learning in medical imaging: a systematic review and meta-  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
18  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
analysis.  
NPJ  
Digit  
Med.  
2021;4(1):65.  
Disponible  
en:  
https://www.nature.com/articles/s41746-021-00438-z  
Zhou SK, Greenspan H, Davatzikos C, Duncan JS, Van Ginneken B, Madabhushi A, et al. A  
review of deep learning in medical imaging: imaging traits, technology trends, case studies  
14.  
and  
future  
directions.  
Proc  
IEEE.  
2021;109(5):820-838.  
Disponible  
en:  
https://doi.org/10.1109/JPROC.2021.3054390  
15.  
16.  
Mazurowski MA, Buda M, Saha A, Bashir MR. Deep learning in radiology: an overview of the  
concepts and a survey of the state of the art. J Am Coll Radiol. 2019;16(9):1324-1335.  
Disponible en: https://doi.org/10.1016/j.jacr.2019.02.005  
McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al.  
International evaluation of an AI system for breast cancer screening. Nature.  
2020;577(7788):89-94. Disponible en: https://www.nature.com/articles/s41586-019-1799-  
6
17.  
18.  
Yala A, Schuster T, Miles R, Barzilay R, Lehman C. A deep learning model to triage screening  
mammograms.  
Radiology.  
2019;293(1):38-46.  
Disponible  
en:  
https://pubs.rsna.org/doi/10.1148/radiol.2019182908  
Ardila D, Kiraly AP, Bharadwaj S, Choi B, Reicher JJ, Peng L, et al. End-to-end lung cancer  
screening with three-dimensional deep learning on low-dose chest computed tomography.  
Nat Med. 2019;25(6):954-961. Disponible en: https://www.nature.com/articles/s41591-  
019-0447-x  
19.  
Steiner DF, Nagpal K, Sayres R, Foote DJ, Wedin BD, Pearce A, et al. Evaluation of the use of  
combined artificial intelligence and pathologist assessment to review and grade prostate  
biopsies.  
JAMA  
Netw  
Open.  
2020;3(11):e2023267.  
Disponible  
en:  
https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2772732  
20.  
21.  
22.  
23.  
24.  
Rajpurkar P, Irvin J, Zhu K, Yang B, Mehta H, Duan T, et al. CheXNet: radiologist-level  
pneumonia detection on chest X-rays with deep learning. arXiv. 2017. Disponible en:  
https://arxiv.org/abs/1711.05225  
Wenderott C, Law M, Dako F, Kohli M. Artificial intelligence in radiology workflow  
optimization:  
current  
applications  
and  
future  
directions.  
Radiographics.  
2024;44(2):e230164. Disponible en: https://pubs.rsna.org  
Vieira S, Pinaya WHL, Mechelli A. Using deep learning to investigate the neuroimaging  
correlates of psychiatric and neurological disorders. Neurosci Biobehav Rev. 2017;74(Pt  
A):58-75. Disponible en: https://doi.org/10.1016/j.neubiorev.2017.01.002  
Jo T, Nho K, Saykin AJ. Deep learning in Alzheimer's disease: diagnostic classification and  
prognostic prediction using neuroimaging data. Front Aging Neurosci. 2019;11:220.  
Disponible en: https://www.frontiersin.org/articles/10.3389/fnagi.2019.00220  
Al'Aref SJ, Anchouche K, Singh G, Slomka PJ, Kolli KK, Kumar A, et al. Clinical applications of  
machine learning in cardiovascular disease and its relevance to cardiac imaging. Eur Heart  
J. 2019;40(24):1975-1986. Disponible en: https://doi.org/10.1093/eurheartj/ehy404  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
19  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 1-20  
DOI:  
https://doi.org/10.56519/38w7qx92  
25.  
26.  
27.  
Dey D, Slomka PJ, Leeson P, Comaniciu D, Shrestha S, Sengupta PP, et al. Artificial  
intelligence in cardiovascular imaging. J Am Coll Cardiol. 2019;73(11):1317-1335. Disponible  
en: https://doi.org/10.1016/j.jacc.2018.12.054  
Schouten JN, Veenland JF, van Ginneken B, Rutten MJCM. Multimodal artificial intelligence  
for precision medicine: integrating imaging, clinical and molecular data. Front Oncol.  
2024;14:1324567. Disponible en: https://www.frontiersin.org/journals/oncology  
Huang SC, Pareek A, Seyyedi S, Banerjee I, Lungren MP. Fusion of medical imaging and  
electronic health records using deep learning: a systematic review and implementation  
challenges.  
https://www.nature.com/articles/s41746-020-00341-5  
Wenderott C, Law M, Dako F, Kohli M. Artificial intelligence in radiology workflow  
optimization: current applications and future directions. Radiographics.  
2024;44(2):e230164. Disponible en: https://pubs.rsna.org/journal/radiographics  
Yang Q, Steinfeld A, Zimmerman J, Foschini L. Challenges and opportunities in the  
deployment of clinical artificial intelligence systems: generalizability, bias and validation.  
NPJ Digit Med. 2024;7(1):48. Disponible en: https://www.nature.com/articles/s41746-024-  
01000-0  
NPJ  
Digit  
Med.  
2020;3:136.  
Disponible  
en:  
28.  
29.  
30.  
Seo H, Kim H, Park SH. Explainable artificial intelligence and foundation models in medical  
imaging: current status and future directions. Radiology: Artificial Intelligence.  
2024;6(1):e230245. Disponible en:https://pubs.rsna.org/journal/ai  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
20