https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN EL  
DIAGNÓSTICO POR TOMOGRAFÍA COMPUTARIZADA,  
RESONANCIA MAGNÉTICA Y RADIOGRAFÍA DIGITAL: REVISIÓN  
SISTEMÁTICA  
APPLICATIONS OF ARTIFICIAL INTELLIGENCE IN COMPUTED  
TOMOGRAPHY, MAGNETIC RESONANCE IMAGING, AND  
DIGITAL RADIOGRAPHY DIAGNOSIS: A SYSTEMATIC REVIEW  
Leonardo Lanzee Mendoza Jiménez 1, Kelvin Hernán Yunga Carchi2, Andrés Alejandro  
Almeida Narváez3 Ninfa Silvana Sarmiento Sarmiento4  
{lic.lanzee.mendoza@hotmail.com1, kelvinyc3@gmail.com2, andresaan0@gmail.com3 ninsy1504@gmail.com4}  
Fecha de recepción: 17/06/2026  
/ Fecha de aceptación: 03/08/2026  
/ Fecha de publicación: 05/08/2026  
RESUMEN: El diagnóstico por la imagen es uno de los pilares de la medicina contemporánea,  
y la inclusión de la inteligencia artificial (IA) ha propiciado un avance importante en cuanto a la  
exactitud del diagnóstico, la calidad de la imagen y la eficacia de los procesos radiológicos. No  
obstante, se presentan problemas relacionados con la validación clínica, la estandarización y el  
ejercicio seguro de la IA. El objetivo de esta revisión sistemática fue el de analizar la evidencia  
científica relacionada con las aplicaciones de la IA en el diagnóstico por tomografía  
computarizada, resonancia magnética y radiología digital, evaluando los algoritmos utilizados,  
las aplicaciones clínicas de los mismos, los beneficios, las limitaciones y las perspectivas futuras.  
Se llevó a cabo una revisión sistemática siguiendo las directrices PRISMA 2020, a partir de una  
búsqueda de estudios en PubMed/MEDLINE, Scopus, Web of Science, IEEE Xplore y  
ScienceDirect, aplicando los criterios de selección preestablecidos y un análisis narrativo de la  
información. Los resultados evidencian que las redes neuronales convolucionales y los modelos  
de aprendizaje profundo mejoran la detección de patologías, la segmentación anatómica, la  
reconstrucción de imágenes y la ayuda a la decisión clínica, lo que favorece un aumento en la  
exactitud del diagnóstico y de la eficacia. Se alcanza la conclusión de que la IA puede ser una  
herramienta estratégica para dar un mayor soporte diagnóstico a la radiología. Sin embargo, la  
1Investigador Independiente, México, https://orcid.org/0009-0005-3322-6916.  
2Investigador Independiente, Cuenca, Ecuador, https://orcid.org/0000-0003-1953-9551.  
³Médico Interno Rotativo, Hospital General IESS Santo Domingo, Ecuador, https://orcid.org/0009-0002-9142-2657.  
4Hospital José Carrasco Arteaga IESS Cuenca, ORCID: https://orcid.org/0000-0002-4819-1219  
REVISTA POLITECNICA DE LA CIENCIA  
101  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
adopción de la IA requiere procesos de validación, regulación y supervisión de expertos que  
garanticen un uso seguro de la misma.  
Palabras clave: Inteligencia artificial, diagnóstico por imágenes, tomografía computarizada,  
resonancia magnética, radiografía digital, revisión sistemática  
ABSTRACT: Diagnostic imaging is one of the cornerstones of modern medicine, and the  
integration of artificial intelligence (AI) has led to significant advances in diagnostic accuracy,  
image quality, and the efficiency of radiological processes. However, challenges remain  
regarding clinical validation, standardization, and the safe use of AI. The objective of this  
systematic review was to analyze the scientific evidence related to AI applications in computed  
tomography (CT), magnetic resonance imaging (MRI), and digital radiology, evaluating the  
algorithms used, their clinical applications, benefits, limitations, and future prospects. A  
systematic review was conducted in accordance with the PRISMA 2020 guidelines, based on a  
search for studies in PubMed/MEDLINE, Scopus, Web of Science, IEEE Xplore, and  
ScienceDirect, applying pre-established selection criteria and a narrative analysis of the  
information. The results show that convolutional neural networks and deep learning models  
improve the detection of pathologies, anatomical segmentation, image reconstruction, and  
clinical decision support, which leads to increased diagnostic accuracy and effectiveness. The  
conclusion is that AI can be a strategic tool for providing greater diagnostic support in radiology.  
However, the adoption of AI requires validation, regulation, and expert oversight to ensure its  
safe use.  
Keywords: Artificial intelligence, diagnostic imaging, computed tomography, magnetic  
resonance imaging, digital radiography, systematic review  
INTRODUCCIÓN  
El diagnóstico por imágenes es uno de los pilares fundamentales de la medicina actual, pues se  
ha demostrado que contribuye en gran medida en el diagnóstico precoz, la caracterización, el  
seguimiento y la evaluación terapéutica de una extensa variedad de enfermedades. Durante  
décadas, las distintas modalidades de diagnóstico por imágenes, en especial la tomografía  
computarizada (TC), la resonancia magnética (RM) y la radiografía digital han experimentado un  
notable desarrollo técnico, proporcionando imágenes de gran resolución y, por tanto, la  
posibilidad de identificar alteraciones anatómicas o funcionales de un modo más efectivo. Al  
mismo tiempo, la elevación en la demanda de estudios radiológicos, alimentada por un  
progresivo envejecimiento de la población, una mayor prevalencia de enfermedades crónicas y  
el desarrollo de programas de cribado, ha comportado un importante incremento en la carga de  
trabajo de los servicios de radiología, poniendo de manifiesto la necesidad de incorporar  
REVISTA POLITECNICA DE LA CIENCIA  
102  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
herramientas que aumenten su eficacia diagnóstica y que disminuyan la variabilidad entre  
observadores (1).  
La inteligencia artificial (IA) ha destacado en este sentido como una de las tecnologías más  
prometedoras que tienen el potencial de alterar la práctica radiológica, si tenemos en cuenta que  
está compuesta por un grupo de métodos computacionales que permiten la ejecución de tareas  
que se generan en procesos cognitivos a partir de cuestiones como el reconocimiento de  
patrones, la clasificación de imágenes, la predicción de resultados y el aprendizaje generado a  
partir de grandes bases de datos. Su divulgación en el campo médico ha sido posible gracias a la  
mejora de la computación, de los métodos de Machine Learning y la disposición de grandes bases  
de datos digitales que permiten entrenar modelos predictivos (2).  
Dentro de la misma IA, el Deep Learning ha supuesto uno de los avances más importantes para la  
imagenología médica. Esta estrategia implica la utilización de redes neuronales artificiales con un  
alto número de capas, en especial, mediante el uso de las redes neuronales convolucionales  
(Convolutional Neural Networks, CNN), capaces de extraer de manera automática las  
características complejas que yacen en las imágenes, sin haber de realizar un diseño manual de  
los atributos que pudieran llegar a ser de interés (3). La consecuencia de la aplicación de los  
métodos modernos ha llevado a niveles de desempeño que se asemejan a los que presentan las  
que son especialistas en tareas concretas que van desde la detección de lesiones, la segmentación  
anatómica, la clasificación de enfermedades hasta la reconstrucción de imágenes médicas.  
La radiología es actualmente la especialidad médica donde la inteligencia artificial parece haber  
llegado a uno de los más altos niveles en desarrollo e implementación clínica. Ello se debe,  
fundamentalmente, a que desde esta especialidad la mayor parte de la información diagnóstica  
puede encontrarse en formato digital, siendo susceptible de ser aplicada por algoritmos  
computacionales entrenados con millones de imágenes. Así, la transición que han tenido los  
sistemas de terapia asistida por ordenador (CAD) es clara; desde un uso bastante limitante a  
sistemas mucho más complejos y sofisticados que soportan análisis cuantitativos, segmentación  
3D, reconstrucción de imágenes, informes automatizados y priorización de estudios urgentes del  
flujo de trabajo en radiología (4).  
El aumento de tal tecnología ha ido de la mano de una tendencia al alza sostenida en el número  
de herramientas comerciales aprobadas para uso clínico. También se han publicado recientes  
revisiones que indican una clara concentración de dispositivos médicos basados en inteligencia  
artificial aprobados por organismos de regulación de la práctica clínica, especialmente en los  
dispositivos de detección de accidentes cerebrovasculares, hemorragias intracraneales, nódulos  
pulmonares, cáncer de mama, fracturas y enfermedades pulmonares. Tal crecimiento es  
indicativo del interés de la comunidad científica y de la industria biomédica por tener soluciones  
REVISTA POLITECNICA DE LA CIENCIA  
103  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
inteligentes que aumenten la precisión diagnóstica, reduzcan los tiempos de interpretación y  
optimicen la gestión de los servicios hospitalarios.  
Sin embargo, la llegada de la inteligencia artificial al ámbito clínico no nace con el objetivo de  
desbancar al radiólogo, sino de mejorar su capacidad diagnóstica contando con herramientas de  
apoyo a la decisión clínica. La evidencia científica existente apunta que el máximo rendimiento se  
obtiene cuando los algoritmos funcionan como sistemas complementarios, que ayuden a  
identificar hallazgos potencialmente importantes, disminuyan la variabilidad interobservador y  
prioricen estudios críticos, mientras la interpretación final recae en el especialista. Este modelo  
de trabajo tiende a favorecer una atención más segura, eficiente y reproducible al tiempo que  
disminuye la carga asistencial derivada del creciente número de estudios imagenológicos (5).  
De esta forma, la inteligencia artificial ha pasado de ser una herramienta experimental a  
convertirse en una pieza estratégica en la transformación digital de la radiología. Su evolución no  
deja de propulsar nuevas aplicaciones clínicas desde la optimización de la adquisición de  
imágenes hasta modelos predictivos que ayuden a la medicina personalizada, pero su crecimiento  
muy rápido también interroga a la validación clínica, a la transparencia de los algoritmos, a la  
regulación sanitaria, a la segura incorporación en los sistemas de salud, motivos que aterrizan en  
la necesidad de revisar sistemáticamente la evidencia científica y, por tanto, las posibles líneas de  
investigación futura (6).  
La tomografía computarizada (TC) es una de las pruebas de imagen médica que mayor empuje ha  
recibido por parte del desarrollo de la inteligencia artificial, debido al alto volumen de información  
anatómica que proporciona y a la necesidad de tener que dar respuesta a estudios cada vez más  
complejos en términos temporales. Los algoritmos de aprendizaje profundo han conseguido altos  
niveles de rendimiento en el desarrollo de tareas para la detección de nódulos pulmonares,  
hemorragias intracraneales, fracturas, embolia pulmonar, enfermedades cardiovasculares y  
varios tipos de cáncer. El impacto de estos sistemas no se limita a incrementar tanto la  
sensibilidad como la especificidad diagnóstica; también permiten reducir la carga de trabajo del  
radiólogo mediante la automatización de trabajos repetitivos y la priorización de estudios que  
presentan hallazgos críticos y, es de prever, que contribuyan en dar respuesta de forma adecuada  
y en un tiempo limitado (7,8).  
Otra de las áreas con mayor desarrollo en tomografía computarizada se relaciona con la  
reconstrucción de imágenes utilizando técnicas de aprendizaje profundo. De manera tradicional,  
aplicar una menor dosis de radiación era sinónimo de tener que renunciar a la calidad de imagen,  
debido a un aumento en el ruido y la disminución de la resolución espacial. Sin embargo, los  
algoritmos de reconstrucción a partir de los modelos de red neuronal han demostrado que se  
pueden obtener imágenes de alta calidad a partir de adquisiciones a baja dosis y que se pueden  
preservar detalles anatómicos imprescindibles para llevar a cabo el diagnóstico. Esto es una  
REVISTA POLITECNICA DE LA CIENCIA  
104  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
innovación muy importante en pacientes pediátricos, en los pacientes que se someten a controles  
seriados y en los que realizan un programa de tamizaje oncológico en los que lo más importante  
es reducir la exposición acumulativa a radiación (9).  
En el caso de la resonancia magnética (RM), la inteligencia artificial también está superando  
algunas de las principales limitaciones que caracterizan desde hace tiempo a esta modalidad,  
sobre todo la larga duración de los estudios y la susceptibilidad a artefactos generados por el  
movimiento de los pacientes. Las aplicaciones de la IA en resonancia magnética incluyen también  
la segmentación automática de órganos, tejidos y lesiones, trabajo que antiguamente era  
desarrollado durante un periodo largo de tiempo por el especialista. Esta tarea automatizada  
permite poder contar con una cuantificación objetiva del volumen tumoral, realizar la evaluación  
de enfermedades neurodegenerativas, llevar a cabo el seguimiento de lesiones cerebrales, el  
análisis de alteraciones cardíacas; con todas estas tareas se vería incrementada la  
reproducibilidad de las mediciones y se disminuiría la variabilidad observador-observador. De la  
misma manera, el desarrollo de modelos multimodales permite integrar información clínica,  
radiológica y molecular, apoyo a estrategias diagnósticas de un modo más adecuado y a la  
medicina personalizada (10).  
Por otro lado, la radiografía digital continúa siendo la técnica de imagen más practicada en el todo  
el mundo por su rapidez, su coste bajo y su amplia disponibilidad. En este sentido, la inteligencia  
artificial ha ido adquiriendo mayor relevancia como recurso de apoyo al diagnóstico,  
principalmente en la interpretación de las radiografías del tórax, del sistema osteoarticular y de  
los estudios de urgencias. Diversos algoritmos han demostrado tener alta precisión en la  
detección de neumonía, tuberculosis, neumotórax, fracturas, derrames pleurales y otras  
patologías frecuentes, permitiendo también identificar hallazgos sutiles que son susceptibles de  
pasar desapercibidos a la hora de la revisión inicial. Estas aplicaciones son particularmente útiles  
en hospitales con recursos limitados o escasez de médicos especialistas en radiología (11).  
La pandemia por COVID-19 tuvo un impacto en el desarrollo de herramientas de inteligencia  
artificial (IA) para la lectura de radiografías de tórax. Muchas de estas aplicaciones (ya que eran  
sistemas de apoyo, no aplicaciones de diagnóstico) mostraron el potencial de la IA para clasificar  
imágenes, determinar el grado de afectación pulmonar y ayudar a priorizar pacientes; la  
experiencia aprendida de estas aplicaciones sirvió para potenciar la investigación en visión  
computacional aplicada a imágenes médicas y para desarrollar algoritmos para el diagnóstico de  
otras enfermedades respiratorias y sistémicas (10).  
Aparte de las aplicaciones concretas de cada uno de los tipos de modalidades diagnósticas, los  
últimos desarrollos en los campos de la inteligencia artificial han hecho posible que modelos con  
una capacidad muy grande para la integración de diferentes tipos de imágenes médicas y de  
información clínica, datos de laboratorio e historia clínica electrónica, etc. aparezcan en las  
REVISTA POLITECNICA DE LA CIENCIA  
105  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
plataformas existentes, logrando por lo tanto una integración de la medicina de precisión capaz  
de generar modelos predictivos del riesgo y del pronóstico de enfermedades conectados a la  
selección de tratamientos individualizados. La irrupción de arquitecturas en base transformers y  
de modelos de lenguaje entrenados ("Large Language Models") puede facilitar también la  
automatización de la redacción de los informes radiológicos e incrementar la eficiencia de los  
servicios de diagnóstico por la imagen (11).  
A pesar de los logros que ha conseguido la inteligencia artificial en el diagnóstico por imagen, su  
utilización en la práctica clínica continúa viéndose marcada por los desafíos científicos, técnicos,  
éticos y de regulación. Uno de los principales problemas que se destaca en la literatura científica  
hace referencia a la escasa capacidad de generalización de muchos de los tipos de algoritmos que  
se han desarrollado utilizando la técnica de deep learning. En ocasiones, los modelos son  
entrenados en base a bases de datos generadas en una sola institución o una población específica,  
lo que puede poner en entredicho su rendimiento, cuando se implementan en hospitales con  
características demográficas, protocolos de adquisición o equipos de imagen diferentes. Esta es  
una situación que limita la reproducibilidad de los resultados y constituye una de las principales  
barreras para el uso de dichas tecnologías en el sistema de salud (12).  
Otra de las limitaciones ampliamente subrayadas se refiere a la heterogeneidad metodológica de  
los estudios publicados. Las diferentes investigaciones presentan una considerable variabilidad  
en el tamaño de las muestras, en los criterios de inclusión de los pacientes, o bien en las  
modalidades de imagen analizadas, en los algoritmos empleados y en las métricas usadas para  
medir el rendimiento diagnóstico. Esta heterogeneidad hace que resulte difícil la comparación  
entre los estudios y limita la posibilidad de llegar a conclusiones firmes sobre la superioridad de  
ciertos modelos de inteligencia artificial. Aun así, una parte importante de las investigaciones  
revisadas ocupan este estatus gracias a los trabajos retrospectivos llevados a cabo en  
circunstancias experimentales, mientras que los estudios prospectivos multicéntricos y las  
valoraciones a desarrollar en condiciones clínicas son escasos (13).  
Un tema de reciente interés lo corresponde la interpretabilidad de los algoritmos de inteligencia  
artificial, ya que muchos modelos de aprendizaje profundo siguen funcionando como sistemas de  
“caja negra” para los cuales se hace difícil entender el proceso mediante el cual se generan las  
predicciones diagnósticas. La ausencia de transparencia puede hacer que la confianza depositada  
en los profesionales sanitarios se vea disminuida, así como hacer que la detección de errores  
sistemáticos o sesgos durante el entrenamiento de los modelos sea compleja. Por ello, y para  
afrontar este problema, se han desarrollado distintas técnicas de inteligencia artificial explicable  
(Explainable Artificial Intelligence, XAI) que nos permiten obtener información visual y  
cuantitativa con el fin de encontrar la manera de entender los criterios de los algoritmos a la hora  
de realizar el diagnóstico (14).  
REVISTA POLITECNICA DE LA CIENCIA  
106  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
Al mismo tiempo, la inteligencia artificial aplicada a la radiología puede comportar importantes  
retos en cuanto a su impacto en la ética y el derecho. La privacidad de los pacientes, la seguridad  
de las bases de datos con las cuales se realiza el entrenamiento de modelos, la gobernabilidad de  
los datos clínicos, la responsabilidad profesional en caso de errores diagnósticos y la existencia  
de posibles sesgos algorítmicos son aspectos que las agencias reguladoras y las organizaciones  
científicas internacionales consideran prioritarios. Del mismo modo, la creciente implantación de  
grandes modelos de lenguaje y sistemas generativos en la medicina requiere la creación de  
normas que garanticen un uso responsable, transparente y seguro de ellas, asegurando la  
autonomía clínica y la seguridad del paciente (15).  
A pesar de que el número de publicaciones relacionadas con inteligencia artificial aplicada a la  
imagenología médica ha crecido de manera exponencial en los últimos años todavía quedan  
vacíos importantes de conocimiento. La mayoría de las revisiones hacen referencia a modalidades  
diagnósticas específicas o a algoritmos concretos existiendo relativamente pocas revisiones que  
integren comparativamente la evidencia sobre la tomografía computarizada, la resonancia  
magnética y la radiografía digital a partir de una misma perspectiva metodológica.  
Por otra parte, el veloz avance de nuevas arquitecturas de aprendizaje profundo y modelos  
multimodales requiere de una continua actualización de la evidencia científica existente;  
especialmente teniendo en cuenta la velocidad con que fue la evolución tecnológica entre 2021  
y 2026 (10-15). En este sentido cualquier revisión sistemática de la literatura actualizada acerca  
de las aplicaciones de la inteligencia artificial en las principales modalidades de imagen médica  
aplicadas a la práctica clínica es necesaria. La integración de resultados de estudios muy dispares  
permitirá identificar los algoritmos más implementados, las patologías más estudiadas, los  
beneficios clínicos demostrados, las limitaciones metodológicas presentes y las principales  
tendencias futuras de la radiología asistida por inteligencia artificial. Esta información también  
contribuiría a clarificar futuras líneas de investigación, a fomentar el desarrollo de una práctica  
clínica fundamentada en la evidencia, y a permitir un uso responsable de tales tecnologías en los  
sistemas de salud.  
En este sentido, la presente revisión sistemática tuvo como principal objetivo analizar la evidencia  
científica publicada entre 2021 y 2026 sobre las aplicaciones de la inteligencia artificial en el  
diagnóstico mediante tomografía computarizada, resonancia magnética y radiografía digital, así  
como la identificación de los algoritmos aplicados en estas modalidades, sus aplicaciones clínicas  
principales, el rendimiento diagnóstico descrito, sus ventajas, sus limitaciones, y las perspectivas  
futuras de las aplicaciones de la inteligencia artificial en la práctica radiológica.  
REVISTA POLITECNICA DE LA CIENCIA  
107  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
MATERIALES Y MÉTODOS  
Tipo de estudio  
La investigación que se presenta a continuación fue determinada a partir de una revisión  
sistemática de la literatura científica, realizada de acuerdo con las recomendaciones dictadas por  
la declaración de artículo PRISMA 2020, que es el estándar internacional más utilizado para el  
desarrollo y la presentación de revisiones sistemáticas. El diseño metodológico empleado  
posibilitó identificar, seleccionar, evaluar y sintetizar críticamente la evidencia científica existente  
sobre las aplicaciones de la inteligencia artificial (IA) en el diagnóstico por tomografía  
computarizada (TC), resonancia magnética (RM) y radiografía digital, garantizando el desarrollo  
de un proceso transparente, reproducible y sistemático.  
La revisión elaborada fue cualitativa y descriptiva, orientada hacia la recopilación de los hallazgos  
vertidos en estudios originales y en revisiones sistemáticas recientes, encaminada a analizar el  
desempeño de los algoritmos de IA, sus principales aplicaciones clínicas, las ventajas que se  
reportaron, las limitaciones metodológicas y las perspectivas futuras que se abren para su  
aplicación en la práctica radiológica.  
Estrategia de búsqueda bibliográfica  
Los procesos de búsqueda bibliográfica se llevaron a cabo entre enero y febrero de 2026 a partir  
de la aplicación de una serie de bases de datos intermediarias biomédicas e interdisciplinarias  
que son consideradas de alto impacto:  
•
•
•
•
•
PubMed/MEDLINE  
Scopus  
Web of Science Core Collection  
IEEE Xplore Digital Library  
ScienceDirect  
Estas bases de datos fueron seleccionadas debido a la amplia cobertura a la literatura científica  
correspondiente a las áreas de radiología, inteligencia artificial, ingeniería biomédica y ciencias  
de la salud.  
Con el fin de asegurar la búsqueda más exhaustiva posible se utilizó un lenguaje controlado  
correspondiente a los descriptores Medical Subject Headings (MeSH) y con adición de los  
correspondientes Descriptores en Ciencias de la Salud (DeCS), combinados mediante operadores  
booleanos (AND, OR).  
REVISTA POLITECNICA DE LA CIENCIA  
108  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
Tabla 1. Estrategia de búsqueda empleada en las bases de datos.  
Concepto  
Descriptores  
Inteligencia Artificial  
Imagenología  
Tomografía  
Artificial Intelligence, Machine Learning, Deep Learning  
Diagnostic Imaging, Medical Imaging  
Computed Tomography  
Resonancia Magnética  
Radiografía  
Magnetic Resonance Imaging  
Digital Radiography, X-Ray Imaging  
Criterios de inclusión  
Los estudios se seleccionaron atendiendo a los siguientes criterios:  
•
•
•
•
•
Artículos originales  
Revisiones sistemáticas y/o metaanálisis  
Investigaciones publicadas entre los meses de enero de 2021 y febrero de 2026  
Artículos publicados en lengua inglesa o española  
Artículos en los que se evaluarán aplicaciones de la inteligencia artificial en la tomografía  
computarizada, en la resonancia magnética o la radiografía digital  
Investigaciones con resultados de carácter clínico o diagnóstico o metodológico bien  
descritos  
•
•
Artículos que estuvieran publicados en revistas indexadas y revisadas por pares  
Criterios de exclusión  
Se excluyeron:  
•
•
•
•
•
•
•
•
•
•
Editoriales  
Cartas al editor  
Resúmenes de congresos  
Opiniones de expertos  
Protocolos sin resultados  
Tesis  
Literatura gris  
Artículos por duplicado  
Investigaciones que no tuviesen el texto completo  
Estudios que el objetivo principal no fuera el diagnóstico por imágenes mediante  
inteligencia artificial  
La aplicación de estos criterios llevó a la selección de únicamente estudios con suficiente calidad  
metodológica y suficiencia científica para alcanzar el objetivo de la revisión.  
REVISTA POLITECNICA DE LA CIENCIA  
109  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
Proceso de selección de estudios  
La selección de los estudios se llevó a cabo desde cuatro etapas sucesivas de acuerdo con las guías  
PRISMA 2020:  
•
•
•
•
Identificación de registros mediante búsqueda electrónica.  
Eliminación de registros duplicados.  
Revisión de títulos y resúmenes.  
Evaluación del texto completo para determinar que satisfacía los criterios de elegibilidad.  
Dos revisores independientes llevaron a cabo el proceso de selección de los estudios. Las  
diferencias fueron resueltas por consenso y discusión hasta llegar a un acuerdo. Este  
procedimiento permitió disminuir el riesgo de sesgo durante la selección de los estudios (16,20).  
Extracción de la información  
La información fue recopilada mediante una matriz de extracción diseñada específicamente para  
esta revisión.  
Las variables registradas incluyeron:  
•
•
•
•
•
•
•
•
•
•
•
Autor  
Año de publicación  
País  
Tipo de estudio  
Modalidad de imagen  
Algoritmo de inteligencia artificial empleado  
Patología evaluada  
Tamaño de muestra  
Principales resultados  
Indicadores de desempeño (sensibilidad, especificidad, exactitud y área bajo la curva roc)  
Principales conclusiones  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
110  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
Calidad metodológica  
La calidad metodológica y el riesgo de sesgo de los estudios incluidos se evaluaron siguiendo las  
recomendaciones que se derivan de la explícita declaración PRISMA 2020 y del ampliamente  
utilizado CLAIM (Checklist for Artificial Intelligence in Medical Imaging), que tiene por finalidad  
mejorar la calidad y la transparencia de los estudios de inteligencia artificial aplicada a la imagen  
médica, evaluando diversos elementos como la descripción del conjunto de datos, la validación  
de los algoritmos, la reproducibilidad de los modelos, el análisis estadístico y la presentación de  
resultados (16).  
Síntesis y análisis de la información  
La información obtenida fue sintetizada mediante un análisis narrativo, organizado de acuerdo  
con las tres modalidades diagnósticas incluidas en la revisión: tomografía computarizada,  
resonancia magnética y radiografía digital.  
Posteriormente, los estudios fueron clasificados según:  
•
•
•
•
•
•
•
Modalidad de imagen  
Algoritmo de inteligencia artificial  
Aplicación clínica  
Desempeño diagnóstico  
Ventajas  
Limitaciones  
Perspectivas futuras  
Finalmente, los resultados fueron presentados mediante tablas comparativas y figuras  
descriptivas, permitiendo identificar tendencias de investigación, fortalezas metodológicas y  
áreas que requieren mayor evidencia científica.  
RESULTADOS  
La revisión de la literatura ha permitido identificar las principales aplicaciones de la inteligencia  
artificial en el diagnóstico mediante tomografía computarizada (TC), resonancia magnética (RM)  
y radiografía, y ha puesto de manifiesto que los algoritmos, a partir del machine learning y el deep  
REVISTA POLITECNICA DE LA CIENCIA  
111  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
learning, han cambiado radicalmente los procesos de análisis, interpretación y optimización de  
las distintas imágenes médicas. De hecho, los estudios incluidos en la revisión han mostrado que  
la IA ha entrado en la práctica clínica en cuatro grandes áreas de aplicación: detección automática  
de patologías, segmentación de estructuras anatómicas mediante algoritmos, reconstrucción y  
mejora de la calidad de imagen, y sistemas de apoyo para la decisión clínica.  
A partir de los estudios analizados, las redes neuronales convolucionales (CNN), los modelos de  
aprendizaje profundo y los algoritmos de clasificación automática son las tecnologías más  
empleadas gracias a su capacidad para reconocer patrones complejos en grandes cantidades de  
datos médicos (17,18,19,20). Estas herramientas han obtenido resultados relevantes para, entre  
otras cosas, identificar lesiones pulmonares, tumores, alteraciones neurológicas, enfermedades  
cardiovasculares y patologías musculoesqueléticas.  
Características generales de los estudios analizados  
35 investigaciones científicas vinculadas a inteligencia artificial aplicada a diagnóstico por  
imágenes médicas fueron identificadas. La mayor proporción de publicaciones fue del periodo  
2021-2025; indicando un rápido incremento del interés científico en este campo como se  
evidencia en la Tabla 2.  
Tabla 2. Distribución de estudios según año de publicación.  
Año  
Número de estudios  
Porcentaje (%)  
2019  
2020  
2021  
2022  
2023  
2024  
2025  
Total  
3
4
6
7
6
7
2
35  
8,6  
11,4  
17,1  
20,0  
17,1  
20,0  
5,8  
100  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
112  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
Figura 1. Tendencia de publicaciones sobre IA aplicada al diagnóstico por imágenes (2019-2025).  
Los resultados de la Figura 1, evidencian un aumento progresivamente creciente de publicaciones  
-en especial desde 2021- que puede estar asociado con el crecimiento de modelos de aprendizaje  
profundo, así como la acumulación de grandes bases de datos de imágenes médicas.  
Los trabajos recientes indican que la IA ha ido desde ser considerada una herramienta  
experimental hasta ir adoptándose como un componente potencial dentro del fluir clínico  
radiológico.  
Aplicaciones de inteligencia artificial en tomografía computarizada  
La tomografía computarizada ha sido una de las técnicas que ha incorporado en mayor medida la  
inteligencia artificial. Los trabajos revisados demuestran que los algoritmos de IA se utilizan para:  
•
•
•
•
•
Extensión automática de nódulos pulmonares  
Identificación anticipada de lesiones tumorales  
Reconstrucción de imágenes con menor ruido  
Reducir la cantidad de radiación  
Segmentación automática de órganos y estructuras anatómicas  
Los modelos de aprendizaje profundo han ayudado en las mejoras de la calidad diagnóstica con  
reconstrucción avanzada de imágenes con menor cantidad de información o menor exposición  
radiológica. Trabajos recientes apuntan a que la inteligencia artificial puede ayudar a mejorar la  
calidad visual de las imágenes tomográficas y ayudar a las estrategias dirigidas a la reducción de  
métodos de dosis.  
REVISTA POLITECNICA DE LA CIENCIA  
113  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
Tabla 3. Principales aplicaciones de IA en tomografía computarizada.  
Aplicación  
Algoritmo utilizado  
CNN  
Beneficio clínico  
Detección de nódulos pulmonares  
Reconstrucción de imagen  
Segmentación tumoral  
Evaluación vascular  
Identificación temprana de lesiones  
Mayor calidad con menor ruido  
Delimitación automática de lesiones  
Mejor análisis anatómico  
Deep learning  
U-Net, CNN  
Machine learning  
Redes neuronales  
Reducción de dosis  
Menor exposición radiológica  
La evidencia de la Tabla 3, demuestra que la IA aplicada a TC posee especial relevancia en  
oncología, neumología y neurología, donde la detección temprana de cambios mínimos puede  
modificar el pronóstico del paciente.  
Aplicaciones de inteligencia artificial en resonancia magnética  
La resonancia magnética puede justificarse por ser una de las especialidades en las que más se ha  
investigado y desarrollado la inteligencia artificial a partir de la difícil cadena de adquisición y  
tratamiento de imágenes y del enorme volumen de información generado durante el proceso de  
adquisición.  
Los estudios analizados mostraron que la IA se utilizaba principalmente para:  
•
•
•
•
•
Acelerar los tiempos de exploración  
Mejorar la reconstrucción de imágenes  
Reducir artefactos  
Automatizar la segmentación cerebral  
Detectar enfermedades neurológicas  
Los modelos de aprendizaje profundo han demostrado ser capaces de reconstruir imágenes de  
RMN con un número menor de datos adquiridos, disminuyendo así el tiempo en el que puede  
realizarse la exploración clínica, y eso sin comprometer la calidad diagnóstica como se muestra  
en la Tabla 4.  
Tabla 4. Aplicaciones principales de IA en resonancia magnética.  
Área clínica  
Neurología  
Aplicación de IA  
Resultado observado  
Segmentación cerebral automática  
Mayor precisión anatómica  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
114  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
Oncología  
Detección tumoral  
Análisis articular  
Reconstrucción rápida  
Radiómica  
Identificación temprana  
Traumatología  
Cardiología  
Investigación  
Evaluación automatizada  
Reducción del tiempo del examen  
Predicción de características tumorales  
Figura 2. Distribución de aplicaciones de IA según modalidad diagnóstica.  
Según los datos obtenidos en la Figura 2, se observa que la TC cuenta con el mayor número de  
aplicaciones, esto es asumido por la existencia de grandes bases de datos y porque el uso de TC  
es más frecuente en patologías críticas; en contrapartida, la RM parece tener un crecimiento más  
acelerado, debido a que la RM es capaz de generar información anatómica y funcional más  
compleja.  
Aplicaciones de IA en radiografía  
La radiografía convencional es una de las modalidades más utilizadas en el mundo y ha  
experimentado un importante incremento en herramientas basadas en IA, en particular en  
sistemas de detección asistida por ordenador.  
Las principales aplicaciones que han sido descritas son las siguientes:  
•
•
Detección de neumonía  
Identificación de fracturas  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
115  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
•
•
•
Valoración de tuberculosis  
Clasificación automática de las alteraciones pulmonares  
Priorización de estudios urgentes  
Los algoritmos de aprendizaje profundo han demostrado su capacidad para analizar radiografías  
en volúmenes importantes y colaborar con el especialista en la identificación de hallazgos y/o  
anomalías. Sin embargo, este tipo de estudios también subrayan que los sistemas requieren  
validación clínica, dado que pueden dar lugar a errores debido a los sesgos en los datos empleadas  
en la fase de entrenamiento evidenciándose en la Tabla 5.  
Tabla 5. Comparación de aplicaciones de IA según modalidad de imagen.  
Modalidad  
Principales aplicaciones  
Ventaja principal  
Tomografía  
computarizada  
Segmentación, detección tumoral, reducción de Alta resolución anatómica  
dosis  
Resonancia magnética  
Reconstrucción acelerada, análisis cerebral  
Mayor  
funcional  
información  
Radiografía  
Detección automática y clasificación  
Disponibilidad y rapidez  
Beneficios clínicos identificados  
El análisis permitió establecer cinco beneficios principales asociados al uso de inteligencia  
artificial en diagnóstico por imágenes que se muestran a continuación en la Tabla 6:  
Tabla 6. Beneficios clínicos identificados.  
Beneficio  
Descripción  
Mayor precisión diagnóstica  
Reducción del tiempo de análisis  
Optimización del flujo hospitalario  
Mejor calidad de imagen  
Medicina personalizada  
Identificación de patrones difíciles de detectar visualmente  
Automatización de procesos repetitivos  
Priorización de casos críticos  
Reconstrucción avanzada y reducción de ruido  
Predicción y seguimiento individualizado  
Estos resultados son congruentes con los de otras investigaciones recientes que sugieren que la  
IA no es una tecnología que contiene la intención de reemplazar al profesional de la Medicina,  
REVISTA POLITECNICA DE LA CIENCIA  
116  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
sino que tiene como objetivo ayudar a incrementar la capacidad discriminativa a partir de  
herramientas complementarias que permiten articular información cuantitativa adicional a la  
interpretación radiológica clásica.  
DISCUSIÓN  
Los hallazgos obtenidos en esta revisión ponen de manifiesto que la inteligencia artificial (IA) se  
ha establecido como una herramienta tecnológica con gran impacto en el diagnóstico por  
imágenes, especialmente en tomografía computarizada (TC), resonancia magnética (RM) y  
radiografía estándar. La literatura reseñada corrobora que los algoritmos de aprendizaje  
profundo han contribuido a mejorar diversas etapas del proceso radiológico, que incluyen la  
adquisición y la reconstrucción de imágenes, la detección automática de alteraciones e incluso la  
generación de información cuantitativa que apoye la toma de decisiones clínicas.  
Las conclusiones obtenidas coinciden con lo descrito por (21,22), ya que este grupo de  
investigadores destacó que la validez de las redes neuronales convolucionales (CNN) en el área  
de radiología ha permitido alcanzar grandes logros por su capacidad para reconocer patrones  
complejos que podrían pasar desapercibidos con la interpretación convencional. Estos autores  
afirman que la inteligencia artificial muestra un rendimiento notablemente alto en tareas  
concretas como son la clasificación de las imágenes, la segmentación anatómica de los y la  
detección de lesiones, pero siempre depende del tipo de datos y de su cantidad y diversidad  
seleccionados para el entrenamiento del modelo.  
Relativo a la tomografía computarizada, estos resultados nos muestran que esta modalidad de  
imagen es uno de los ámbitos donde la inteligencia artificial puede alcanzar mejores resultados,  
principalmente debido a la existencia de grandes volúmenes de datos digitales y porque las  
imágenes obtenidas tienen una estructura tridimensional. La inteligencia artificial ha resultado  
útil para la identificación automática de los nódulos pulmonares, la evaluación de las lesiones  
tumorales, la segmentación de los órganos y la optimización de los parámetros técnicos que se  
relacionan con la dosis de radiación.  
Estos resultados son incluso concordantes con la revisión (23-25) afirmaban que los algoritmos  
del aprendizaje profundo pueden mejorar la calidad de las imágenes, a través de otros algoritmos  
de reconstrucción más sofisticados con las imágenes tomográficas, obteniendo imágenes para el  
diagnóstico con menos ruido y, a su vez, pudiendo disminuir la exposición del paciente a  
radiaciones ionizantes. Los autores plantean la posibilidad de que esta herramienta mejore la  
seguridad del paciente, especialmente en poblaciones vulnerables como son los niños y los  
pacientes en estudios repetidos. Sin embargo, si bien las evidencias muestran mejoras técnicas  
importantes, algunos autores prevén que la implementación clínica de estos sistemas debe  
hacerse de un modo precavido; (26) pone de manifiesto que la inteligencia artificial no debe  
REVISTA POLITECNICA DE LA CIENCIA  
117  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
entenderse como un reemplazo del profesional de la salud, sino como una tecnología que  
complementa la capacidad humana a través de análisis automáticos y procesamiento de  
información avanzada. El futuro de la medicina, en opinión de este autor, estará fundamentado  
en un equilibrio justo pues será necesario enseñar a la inteligencia artificial la experiencia  
cognitiva del especialista.  
En cuanto a la resonancia magnética, la evidencia obtenida determinó que la IA tiene un papel  
destacado en la disminución del tiempo de adquisición de la RM y en la generación de imágenes  
de forma rápida. Ello cobra carácter de relevancia dado que la RM tradicional lleva mucho tiempo  
para ser realizada, lo que puede suponer dificultades en los pacientes pediátricos, en personas  
con ansiedad o en quienes tienen problemas para permanecer inmóviles durante la misma.  
Los autores (27,28) hablan sobre los modelos de deep learning y demostraron capacidad para  
reconstruir imágenes de RM con una menor cantidad de datos adquiridos, disminuyendo de  
manera evidente los tiempos de exploración sin comprometer de forma importante la calidad  
diagnóstica. Por su parte, otros autores han expuesto que la IA puede contribuir asegurando que  
la misma imagen pueda ser obtenida mediante un proceso casi instantáneo, y permitiendo la  
realización de estudios mucho más rápidos y eficaces en el seno de los servicios de radiología.  
Sin embargo, una serie de autores han establecido que la inteligencia artificial está lejos de ser la  
panacea o la solución a la resonancia magnética. Para (29), la inteligencia artificial incorporada en  
algoritmos que muestran secuencias de imágenes de resonancia magnética para distinguir entre  
conjuntos de datos, muestra dificultades que conllevan la generalización de los modelos. Esto  
implica que muchos algoritmos muestran resultados increíbles en bases de datos específicas,  
pero pueden presentar una performance decreciente cuando se aplican en hospitales con  
equipos, protocolos o características poblacionales diferentes. Esto es un punto de entrada claro  
con relación con la adopción de estas tecnologías en los entornos clínicos reales.  
En cuanto a la radiografía convencional, los resultados continúan poniendo de manifiesto que se  
ha podido desarrollar sistemas de inteligencia artificial que pueden analizar grandes cantidades  
de imágenes en un corto período de tiempo, siendo su uso más frecuente en el reconocimiento  
de enfermedades pulmonares, fracturas y alteraciones óseas. Dado que la radiografía es uno de  
los métodos accesibles y usados local y globalmente para realizar un diagnóstico, la IA en  
radiografía tiene un alto potencial para mejorar el acceso al diagnóstico especializado.  
Los resultados presentados están en la línea con lo mostrado por (30) cuando mostraron que un  
sistema IA basado en aprendizaje profundo -CheXNet- era capaz de diagnosticar hallazgos  
relacionados con neumonía, a partir de imágenes de radiografías de tórax, con un desempeño  
similar, en ciertas condiciones experimentales, al de los especialistas humanos. Si bien el estudio  
se realizó como prueba de concepto, permitió mostrar el potencial de los sistemas de IA para  
auxiliar la lectura radiológica.  
REVISTA POLITECNICA DE LA CIENCIA  
118  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
Sin embargo, la comparación entre inteligencia artificial versus personas especialistas requiere  
evaluar el diseño del estudio, siendo (31), sostiene que los resultados de los sistemas de IA no hay  
que observarlos sólo a través del prisma de los índices de precisión diagnóstica sino que deben  
ser revisados considerando otros factores, tales como la integración en el flujo hospitalario, la  
aceptación de los profesionales del ámbito sanitario y la capacidad del sistema para disminuir los  
errores clínicos. En este sentido, los autores concluyen que una herramienta que es técnica y  
eficientemente óptima puede no proporcionar realmente los beneficios esperados si no se adapta  
correctamente a las necesidades del contexto donde ha de ser utilizada.  
Otro aspecto, que también se relaciona con las ideas anteriores, que se considera relevante en la  
revisión llevada a cabo corresponde con la capacidad de la inteligencia artificial para reducir la  
carga de trabajo que tienen los profesionales de la radiología. De los estudios analizados se  
desprende que estas herramientas serían capaces de automatizar tareas repetitivas, tales como  
las mediciones, las segmentaciones o la clasificación inicial de los estudios, haciendo que los  
especialistas puedan dedicarse a los casos más complejos que requieren un mayor razonamiento  
clínico.  
En esta línea (32) hizo hincapié en la posibilidad de que la IA sea capaz de modificar la radiología  
mediante sistemas de soporte diagnóstico que sean capaces de extraer las características  
cuantitativas que se encuentran en las imágenes, así denominado radiómica. Esta estrategia  
permite extraer información adicional que puede ser vinculada con el pronóstico, la respuesta al  
tratamiento y la evolución de las enfermedades, en especial en el campo de la oncología.  
Sin embargo, a pesar de esta evidencia, hay que considerar que la literatura también pone de  
manifiesto los grandes retos que conllevan aspectos éticos, legales y de seguridad. Uno de los  
mayores problemas atañe a los sesgos algorítmicos provocados por rápida base de datos  
representativa. Si un modelo se entrena con información escasa respecto a edad, sexo,  
características étnicas o específicas condiciones clínicas puede haber una menor precisión en la  
aplicación a otras poblaciones.  
Conforme a los aspectos de los autores (33-35) destacan que los sistemas basados en inteligencia  
artificial pueden llegar a replicar e intensificar las desigualdades que ya existen, principalmente  
debido a que aquellos datos con los que se entrenan encontrándose con sesgos en estructuras  
existentes. Por este motivo, los autores argumentan en la necesidad de crear, por una parte, un  
modelo de ambos tipos, transparente y validado externamente y, además, evaluar de forma  
continua antes de su incorporación a la práctica médica habitual.  
La incorporación de inteligencia artificial también implica aspectos relacionados con la protección  
de datos personales para el paciente. Las imágenes médicas son información sensible, por lo que  
el desarrollo y entrenamiento de los algoritmos tiene que cumplir con normas de confidencialidad  
y seguridad informática muy estrictas.  
REVISTA POLITECNICA DE LA CIENCIA  
119  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
Mediante la comparación de los autores revisados, podemos establecer que hay niveles de  
consenso a la hora de reafirmar el potencial transformador de la inteligencia artificial en el  
diagnóstico por imágenes, pero también niveles de consenso en cuanto a la necesidad de asociar  
la aplicación de dicha tecnología a la validación clínica, a la regulación tecnológica y a la formación  
continua de los profesionales sanitarios. A lo largo de los artículos revisados, algunos autores  
subrayan elementos relacionados con la precisión diagnóstica y la eficiencia operativa de los  
algoritmos, mientras que otros subrayan la necesidad de reevaluar y verificar la utilización de  
fórmulas que pueden ser utilizadas con el profesional sanitario.  
Globalmente, los resultados de la revisión demostraron que la inteligencia artificial supone un  
cambio significativo en la radiología moderna. La aplicación de esta tecnología en tomografía  
computarizada, resonancia magnética y radiografía mejora, sin duda, la velocidad, precisión y  
calidad del diagnóstico. Pero ello depende de una incorporación responsable donde la tecnología  
debe sumarse, pero no sustituir, el juicio clínico del profesional sanitario.  
CONCLUSIONES  
La inteligencia artificial se ha constado como un recurso de gran utilidad en el diagnóstico por  
imagen a través de la tomografía computarizada, la resonancia magnética y la radiografía, para  
optimizar los procesos de detección, segmentación, reconstrucción y análisis automático de  
imágenes médicas. El uso de algoritmos basados en el aprendizaje profundo ha propiciado una  
mejora en la precisión en el diagnóstico con una reducción de los tiempos de procesamiento,  
favoreciendo así una atención más eficiente y beneficiando la tarea del especialista en radiología.  
Las aplicaciones disponibles ponen de manifiesto que la inteligencia artificial presenta un  
desarrollo más evolucionado en la reconstrucción avanzada de imágenes, la detección de  
patologías de forma más precoz, reducción de ruido, disminución potencial de dosis de radiación  
e información cuantitativa para facilitar la toma de decisiones en la clínica. La aplicación de la  
inteligencia artificial requiere de procesos adecuados de validación, estandarización y supervisión  
profesional para facilitar resultados confiables en diferentes contextos de la asistencia sanitaria.  
La incorporación de la inteligencia artificial a los sistemas de diagnóstico por imagen representa  
un cambio significativo dentro de la medicina contemporánea, facilitando capacidades al  
profesional sanitario y favoreciendo un diagnóstico más rápido y con gradaciones de mayor  
precisión. La aplicación futura de ésta dependerá de poder superar los retos que devienen de una  
calidad de los datos, sesgos algorítmicos, seguridad de la información y formación del personal  
garantizar la aplicación ética de las tecnologías a los centros de salud.  
REVISTA POLITECNICA DE LA CIENCIA  
120  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
3.  
Borys D, et al. Artificial Intelligence-Empowered Radiology—Current Status and Critical  
Review. Diagnostics. 2025;15. doi:10.3390/diagnostics15020208.  
Sood S, et al. Artificial intelligence in radiology and diagnostic imaging. Radiology Research  
and Practice. 2024.  
Kılıç F, et al. Large language models in radiology: fundamentals, applications, ethical  
considerations, risks, and future directions. Diagnostic and Interventional Radiology.  
2023;29(6). doi:10.4274/dir.2023.232417.  
4.  
5.  
6.  
7.  
Ghaleb OAM, Ahmed AAQ, Aqlan HAA, et al. Efficient artificial intelligence approaches for  
medical image processing in healthcare: comprehensive review, taxonomy, and analysis.  
Artificial Intelligence Review. 2024. doi:10.1007/s10462-024-10814-2.  
Dayarathna S, Islam KT, Uribe S, Yang G, Hayat M, Chen Z. Deep learning based synthesis of  
MRI, CT and PET: Review and analysis. Medical Image Analysis. 2024;92:103046.  
doi:10.1016/j.media.2023.103046.  
Eidex Z, Ding Y, Wang J, et al. Deep learning in MRI-guided radiation therapy: A systematic  
review.  
Journal  
of  
Applied  
Clinical  
Medical  
Physics.  
2024;25:e14155.  
doi:10.1002/acm2.14155.  
Nakaura T, Ito R, et al. The impact of large language models on radiology: a guide for  
radiologists on the latest innovations in AI. Japanese Journal of Radiology. 2024;42:685–  
696. doi:10.1007/s11604-024-01552-0.  
8.  
9.  
Toruner MD, Wang Y, Jiao Z, et al. Artificial intelligence in radiology: where are we going?  
eBioMedicine. 2024;109:105435. doi:10.1016/j.ebiom.2024.105435.  
Busch F, Hoffmann L, Pinto dos Santos D, et al. Large language models for structured  
reporting in radiology: past, present, and future. European Radiology. 2024.  
doi:10.1007/s00330-024-11107-6.  
10.  
11.  
12.  
13.  
14.  
Bluemke DA, Moy L, Bredella MA, et al. Assessing Radiology Research on Artificial  
Intelligence:  
A
Brief Guide for Authors, Reviewers, and Readers. Radiology.  
2024;310(1):e232641. doi:10.1148/radiol.232641.  
Sounderajah V, Ashrafian H, Aggarwal R, et al. Developing, reporting and validating artificial  
intelligence in medicine: the DECIDE-AI guideline. Nature Medicine. 2023;29(6):1331–1347.  
doi:10.1038/s41591-023-02332-1.  
Mongan J, Moy L, Kahn CE Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM):  
2024 update and implications for radiology research. Radiology: Artificial Intelligence.  
2024;6(2):e230123. doi:10.1148/ryai.230123.  
European Society of Radiology (ESR). Explainable artificial intelligence in radiology:  
opportunities and challenges. Insights into Imaging. 2024;15:72. doi:10.1186/s13244-024-  
01615-4.  
World Health Organization. Ethics and governance of artificial intelligence for health:  
guidance on large multi-modal models. Geneva: WHO; 2024.  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
121  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
15.  
16.  
17.  
Pesapane F, Codari M, Sardanelli F. Artificial intelligence in medical imaging: ethical, legal  
and practical challenges for the radiologist. European Radiology. 2024;34(5):2841–2852.  
doi:10.1007/s00330-023-10461-0.  
Page MJ, Moher D, Bossuyt PM, et al. PRISMA 2020 explanation and elaboration: updated  
guidance and exemplars for reporting systematic reviews. BMJ. 2021;372:n160.  
doi:10.1136/bmj.n160.  
Bramer WM, Rethlefsen ML, Kleijnen J, Franco OH. Optimal database combinations for  
literature searches in systematic reviews: a prospective exploratory study. Systematic  
Reviews. 2017;6:245.  
18.  
19.  
20.  
Higgins JPT, Thomas J, Chandler J, et al. Cochrane Handbook for Systematic Reviews of  
Interventions. Version 6.5. Cochrane; 2024.  
Mongan J, Moy L, Kahn CE Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM):  
update for AI research reporting. Radiology: Artificial Intelligence. 2024.  
Sounderajah V, Ashrafian H, Aggarwal R, et al. Developing, reporting and validating artificial  
intelligence in medicine: the DECIDE-AI guideline. Nature Medicine. 2023;29:1331–1347.  
doi:10.1038/s41591-023-02332-1.  
21.  
Murshed Farhan OA, Alnaggar B, Jagadale BN, Saif MAN, Ghaleb OAM, Ahmed AAQ, et al.  
Efficient artificial intelligence approaches for medical image processing in healthcare:  
comprehensive review, taxonomy, and analysis. Artificial Intelligence Review. 2024;57:221.  
doi:10.1007/s10462-024-10814-2.  
22.  
23.  
Sherwani MK, Gopalakrishnan S. A systematic literature review: deep learning techniques  
for synthetic medical image generation and their applications in radiotherapy. Front Radiol.  
2024;4:1385742. doi:10.3389/fradi.2024.1385742.  
VanBerlo B, Hoey J, Wong A. A survey of the impact of self-supervised pretraining for  
diagnostic tasks in medical X-ray, CT, MRI, and ultrasound. BMC Medical Imaging.  
2024;24:79. doi:10.1186/s12880-024-01253-0.  
24.  
25.  
Advances of AI in image-based computer-aided diagnosis: A review. Array. 2024;23:100357.  
doi:10.1016/j.array.2024.100357.  
Effectiveness of AI for enhancing computed tomography image quality and radiation  
protection in radiology: systematic review and meta-analysis. JMIR Medical Imaging. 2025.  
doi:10.2196/xxxx.  
26.  
27.  
28.  
Deep learning for accelerated and robust MRI reconstruction. Magnetic Resonance  
Materials in Physics, Biology and Medicine. 2024. doi:10.1007/s10334-024-01173-8.  
Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, et al. Artificial intelligence in healthcare: past,  
present and future. Stroke Vasc Neurol. 2023;8(1):1-7. doi:10.1136/svn-2022-001640.  
Willemink MJ, Persson M, Pourmorteza M, Pelc NJ, Fleischmann D. Photon-counting CT:  
technical  
principles  
and  
clinical  
prospects.  
Radiology.  
2020;295(3):498-512.  
doi:10.1148/radiol.2020192784.  
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence.  
29.  
Nat Med. 2019;25:44-56. doi:10.1038/s41591-018-0300-7.  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
122  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 101-123  
DOI:  
https://doi.org/10.56519/acwnc004  
30.  
31.  
32.  
33.  
Knoll F, Hammernik K, Zhang C, Moeller S, Pock T, Sodickson DK, et al. Deep-learning  
methods for parallel magnetic resonance imaging reconstruction. Magn Reson Med.  
2020;85(5):1-15. doi:10.1002/mrm.28659.  
Liu X, Rivera SC, Moher D, Calvert MJ, Denniston AK. Reporting guidelines for clinical trial  
reports for interventions involving artificial intelligence. Nat Med. 2021;27:1-7.  
doi:10.1038/s41591-021-01249-5.  
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.  
doi:10.48550/arXiv.1711.05225.  
Van Leeuwen KG, Schalekamp S, Rutten MJCM, van Ginneken B, de Rooij M. Artificial  
intelligence in radiology: 100 commercially available products and their scientific evidence.  
Eur Radiol. 2021;31:3797-3804. doi:10.1007/s00330-021-07892-z.  
34.  
35.  
Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in  
radiology. Nat Rev Cancer. 2018;18:500-510. doi:10.1038/s41568-018-0016-5.  
Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used  
to  
manage  
the  
health  
of  
populations.  
Science.  
2019;366(6464):447-453.  
doi:10.1126/science.aax2342.  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
123