Table of Contents
La integración de algoritmos informáticos con imágenes de rayos X representa un avance transformador en la atención médica moderna, fundamentalmente redefinindo cómo los profesionales médicos diagnostican enfermedades, interpretan estudios de imágenes y proporcionan atención al paciente. Las aplicaciones de inteligencia artificial en radiología son particularmente valiosas para tareas relacionadas con la detección y clasificación de patrones, con herramientas de IA mejorando la precisión y eficiencia de diagnóstico en la detección de anomalías a través de la extracción automatizada de funciones.
A medida que los sistemas de salud en todo el mundo enfrentan un aumento de los volúmenes de imágenes y crecientes demandas de diagnósticos más rápidos y precisos, el matrimonio de inteligencia computacional con técnicas radiológicas tradicionales ha surgido como una solución crítica. La integración de la inteligencia artificial en la radiología se ha acelerado rápidamente, transformando los flujos de trabajo diagnóstico, programas de detección e investigación, con cientos de herramientas habilitadas por IA que reciben limpieza regulatoria para tareas de imagen médica a finales de 2025.
La evolución de la detección con ayuda de computadora en la radiología
El viaje hacia la integración de algoritmos informáticos con imágenes de rayos X comenzó décadas antes de la actual revolución de inteligencia artificial. Los sistemas de detección de computación (CAD) se introdujeron tan temprano como los años noventa para ayudar a las anomalías potenciales de la bandera en mamografías y rayos X de pecho. Estos sistemas pioneros pusieron las bases para las aplicaciones de aprendizaje profundo de hoy, aunque dependían de enfoques fundamentalmente diferentes.
Las herramientas de CAD tempranas empleaban características de imagen artesanales para marcar masas sospechosas o microcalcificaciones, mejorando la detección del cáncer en exámenes de detección. Si bien estos sistemas demostraron el potencial de asistencia computacional en radiología, se vieron limitados por su dependencia de características manualmente diseñadas y lógica basada en normas.La transición de estos sistemas tradicionales de CAD a soluciones modernas impulsadas por IA representa uno de los saltos tecnológicos más significativos en la historia de las imágenes médicas.
Dado que el campo médico de la radiología se basa principalmente en la extracción de información útil de imágenes, es un área de aplicación muy natural para el aprendizaje profundo, y la investigación en esta área ha crecido rápidamente en los últimos años. Esta sinergia natural entre diagnósticos basados en imágenes y reconocimiento de patrones computacionales ha acelerado la adopción de tecnologías de IA en todos los departamentos de radiología en todo el mundo.
Beneficios integrales de la integración del algoritmo
La integración de algoritmos informáticos con imágenes de rayos X ofrece un amplio espectro de beneficios que se extienden mucho más allá de la automatización simple. Estas ventajas tocan cada aspecto del proceso de diagnóstico, desde la adquisición de imagen inicial hasta la toma de decisiones clínicas final.
Reforzada precisión y consistencia diagnóstica
Una de las ventajas más convincentes de la integración algorítmica es la mejora sustancial de la precisión diagnóstica. Los sistemas de IA detectan con precisión anomalías de rayos X torácico con una AUC de 0.976, demostrando el rendimiento a la par con los radiólogos expertos. Este nivel de rendimiento es particularmente notable dada la complejidad y variabilidad inherentes a la interpretación radiológica.
AI ha demostrado una notable promesa en la igualdad, y en algunos casos superando, el rendimiento de los radiólogos en la detección de mamas mediante el despliegue de algoritmos de IA para la triage automatizada de pacientes y la predicción de resultados de tratamiento, tareas que se extienden más allá de las capacidades humanas. Esta capacidad para igualar o superar el rendimiento humano representa un hito significativo en el desarrollo de IA médica.
Los algoritmos informáticos también proporcionan consistencia que puede ser difícil para los intérpretes humanos mantener. Los radiólogos pueden experimentar fatiga, distracción o variaciones en la interpretación basadas en el nivel de experiencia y la formación de subespecialidad. Los sistemas Algorítmicos, por contraste, aplican el mismo marco analítico a cada imagen, reduciendo la variabilidad y asegurando que cada estudio reciba una evaluación completa independientemente de cuándo se interprete o por quién.
Aceleración del flujo de trabajo y tiempos de giro reducidos
La velocidad a la que los algoritmos de IA pueden analizar imágenes médicas representa otro beneficio transformador. Para los rayos X torácicos generales, la IA se utiliza para marcar hallazgos críticos como derrames pulmonares o pleurales grandes para que se puedan priorizar casos urgentes. Esta capacidad de triaje garantiza que los pacientes con condiciones sensibles al tiempo reciban atención inmediata, potencialmente mejorando los resultados en situaciones de emergencia.
La generación de informes de radiología automática puede aliviar la carga de trabajo de los médicos y reducir las disparidades regionales en los recursos médicos. Al automatizar los aspectos rutinarios de la interpretación de imágenes y la generación de informes, los sistemas de IA pueden enfocarse en casos complejos que requieren juicio clínico matizado y pasar más tiempo en consulta directa de pacientes.
La aceleración del flujo de trabajo se extiende más allá de la interpretación individual de casos. Los sistemas de IA pueden procesar grandes volúmenes de estudios de detección, identificando exámenes normales que requieren revisión mínima de radiólogos, al tiempo que marcan casos anormales para la evaluación humana detallada. Esta capacidad es particularmente valiosa en los programas de detección de cáncer de pulmón, cáncer de mama y otras condiciones en que las poblaciones grandes sufren imágenes regulares.
Detección temprana y resultados mejorados del paciente
La detección temprana de problemas médicos puede beneficiarse considerablemente de la IA, especialmente en el caso de cánceres, enfermedades cardiovasculares y trastornos neurológicos, con la capacidad de identificar lesiones en una etapa temprana siendo crítica para el diagnóstico precoz. La capacidad de los sistemas de IA para detectar anomalías sutiles que podrían escapar de la observación humana inicial puede conducir a intervenciones anteriores y un pronóstico mejorado.
La IA puede identificar lesiones potenciales antes que los métodos tradicionales porque puede extraer características de lesión minúscula de una amplia gama de datos visuales complejos a través de la aplicación de algoritmos de aprendizaje profundo. Esta capacidad para percibir patrones invisibles al ojo humano representa uno de los aspectos más prometedores de la integración de IA en la radiología.
Las herramientas de IA se utilizan para tratar enfermedades de alta prevalencia, como cáncer de pulmón, derrames cerebrales y cáncer de mama, lo que pone de relieve la alineación de IA con las necesidades diagnósticas impactantes. Al centrar los recursos computacionales en las condiciones con un impacto significativo en la salud pública, la integración de IA ofrece el máximo beneficio a las poblaciones pacientes.
Apoyo a los médicos no radiólogos
Un beneficio a menudo demasiado visto de la integración de la IA es el apoyo que proporciona a los médicos fuera de la radiología que interpretan frecuentemente rayos X en su práctica. La precisión general del médico mejoró cuando fue ayudado por el sistema de IA, y los médicos no radiólogos fueron tan precisos como los radiólogos en la evaluación de rayos X torácicos cuando se ayuda por el sistema de IA. Esta democratización de la experiencia diagnóstica tiene profundas implicaciones para la prestación de la atención médica, especialmente en entorno donde la disponibilidad de radiologista es limitada.
Los médicos de emergencia, los proveedores de atención primaria y los especialistas en entornos limitados por recursos pueden aprovechar la asistencia de inteligencia artificial para tomar decisiones de diagnóstico más seguras. Esta capacidad es especialmente valiosa en las zonas rurales o submerecidas donde el acceso a conocimientos de radiología de la subespecialidad puede ser limitado o retrasado.
Tipos de algoritmos Transformando análisis de rayos X
El paisaje algorítmico de la imagen médica AI abarca diversos enfoques, cada uno con fortalezas y aplicaciones únicas. Entendiendo estas diferentes metodologías proporciona una visión de cómo los sistemas computacionales logran sus notables capacidades de diagnóstico.
Redes neuronales convolutivas: Fundación de Imágenes Médicas AI
Las redes neuronales convolutivas (CNN) son la columna vertebral de la mayoría de las imágenes AI, aprendizaje de características jerárquicas de imagen y superación en tareas como detección de lesiones, segmentación y clasificación. Estas redes han revolucionado la visión computarizada imitando aspectos del procesamiento visual humano, aplicando filtros aprendidos para detectar bordes, texturas y patrones cada vez más complejos a múltiples escalas.
Las redes convolutivas y la adopción de la tecnología GPU han revolucionado el reconocimiento de imagen mejorando la eficiencia y exactitud computacionales. Las capacidades de procesamiento paralelo de las unidades de procesamiento gráfico han hecho posible capacitar redes neuronales cada vez más sofisticadas en conjuntos de datos masivos de imágenes médicas.
Las CNN son ampliamente utilizadas en la interpretación de rayos X torácico para detectar neumonía o neumotórax y en la CT/MRI para tumores de segmento. La versatilidad de las CNN en diferentes modalidades de imagen y tareas de diagnóstico les ha hecho el caballo de trabajo de la IA de la imagen médica. Potencian muchos algoritmos depurados por la FDA para la detección de nódulos o detección de fracturas.
La arquitectura de las CNNs incluye típicamente múltiples capas convolutivas que progresivamente extraen características de alto nivel de imágenes de entrada. Las capas tempranas pueden detectar bordes y gradientes simples, mientras que capas más profundas reconocen estructuras anatómicas complejas y patrones patológicos. Este aprendizaje de características jerárquicas elimina la necesidad de ingeniería de características manuales que limitan los sistemas CAD anteriores.
Aprendizaje profundo y Arquitecturas avanzadas de redes neuronales
A diferencia de la clasificación convencional de aprendizaje automático, que requiere características predefinidas, los algoritmos de aprendizaje profundo pueden crear o identificar sus propias características para la clasificación. Esta capacidad fundamental distingue el aprendizaje profundo moderno de los métodos tradicionales de aprendizaje automático y explica gran parte de su rendimiento superior en las tareas de imagen médica.
El aprendizaje de la máquina basado en imágenes médicas demuestra una alta precisión de diagnóstico para la osteoporosis, especialmente los modelos de aprendizaje profundo utilizando las modalidades de rayos X y TC. El éxito del aprendizaje profundo se extiende a través de diversas aplicaciones de diagnóstico, desde la evaluación de la densidad ósea hasta la detección de tumores y más allá.
Los modelos de aprendizaje profundo pueden mejorar la precisión y eficacia del procesamiento de imágenes de rayos X para las imágenes del pecho. Las implementaciones específicas han logrado resultados impresionantes, con algunos modelos alcanzando tasas de precisión superiores al 95% en las tareas de clasificación de radiografías de tórax.
Las arquitecturas avanzadas siguen empujando los límites de lo posible en la imagen médica AI. Las redes residuales (ResNets) permiten la formación de redes muy profundas abordando el problema de gradiente desaparecido. Las redes de creación utilizan la extracción de funciones multiescala para capturar patrones en diferentes resoluciones simultáneamente. Estas innovaciones arquitectónicas se traducen directamente en un mejor rendimiento diagnóstico.
Transferencia de aprendizaje y adaptación de dominio
El aprendizaje de transferencia implica una fina sintonización de una red pre-entrenada en un conjunto de datos diferente y se ha aplicado con éxito a una variedad de tareas como la clasificación de imágenes de RM de próstata para distinguir pacientes con cáncer de próstata de pacientes con condiciones de próstata benignas. Este enfoque aborda uno de los retos fundamentales de la IA médica: la disponibilidad limitada de conjuntos de datos grandes y etiquetados para tareas de diagnóstico específicas.
Transfer learning aprovecha los conocimientos adquiridos a partir de la formación sobre grandes conjuntos de datos de imágenes generales o tareas relacionadas con imágenes médicas y se aplica a aplicaciones nuevas y especializadas. Una red inicialmente formada en millones de imágenes naturales puede ser perfeccionada con un conjunto de datos más pequeño de imágenes médicas, logrando un rendimiento fuerte sin requerir colecciones masivas de imágenes médicas desde cero.
Esta técnica es particularmente valiosa para las condiciones raras o protocolos especializados de imagen en los que la acumulación de grandes conjuntos de datos de capacitación sería poco práctica, y también acelera el desarrollo y el despliegue de sistemas de IA para aplicaciones de diagnóstico emergentes.
Métodos de conjunto y combinación modelo
Combinar los resultados de un conjunto de redes neuronales independientemente capacitadas puede mejorar el rendimiento, con conjuntos produciendo resultados ganadores en competiciones de clasificación de imágenes de ImageNet, así como en tareas de radiología como la predicción de la edad ósea pediátrica y la detección de neumonía. Ensemble se acerca a aprovechar la sabiduría de múltiples modelos, cada uno potencialmente capturando diferentes aspectos de la tarea de diagnóstico.
Mediante la formación de múltiples redes con diferentes inicializaciones, arquitecturas o subconjuntos de datos de capacitación, los métodos de conjunto pueden reducir el impacto de las debilidades de los modelos individuales y mejorar la robustez general. La predicción final podría determinarse mediante la votación mayoritaria, el promedio ponderado o estrategias de combinación más sofisticadas.
Este enfoque es particularmente valioso en aplicaciones médicas de alto rendimiento, donde es primordial maximizar la precisión y minimizar falsos negativos o falsos positivos. El costo computacional de ejecutar múltiples modelos a menudo se justifica por el mejor rendimiento diagnóstico.
Modelos Generativos y Mejora de la Imagen
Los modelos generadores centrados en la generación, incluyendo modelos de difusión y redes generativas adversarias (GAN), están surgiendo para tareas como la reconstrucción de imágenes, sintetizando imágenes de alta calidad de CT/MRI de escaneos de baja dosis o inframujo, y el aumento de datos. Estos enfoques representan una frontera más reciente en la imagen médica AI con potencial significativo para mejorar la calidad de imagen y ampliar los datasets de capacitación.
Los modelos generadores pueden mejorar imágenes de baja calidad, reducir los requisitos de dosis de radiación mediante la reconstrucción de imágenes de alta calidad de adquisiciones de dosis reducidas, y crear datos de capacitación sintética para aumentar los conjuntos de datos limitados del mundo real. Sin embargo, los productos generativos en radiología deben ser cuidadosamente validados para evitar "halluciones".El riesgo de que los sistemas AI generen características plausibles pero incorrectas requiere una validación rigurosa antes del despliegue clínico.
Explainable AI and Interpretability Methods
La inteligencia artificial explicable (XAI) tiene el potencial de mejorar la interpretación y fiabilidad de las decisiones basadas en la inteligencia artificial en la práctica clínica. A medida que los sistemas de inteligencia artificial se vuelven más complejos y poderosos, entender cómo llegan a sus conclusiones se vuelve cada vez más importante para la aceptación clínica y la confianza.
Técnicas como Grad-CAM (Calificación de Activación de Clases Gradiente), LIME (Explicaciones Intelectuales de Modelo-Agnóstico Local), y SHAP (Explanaciones Aditivas de SHAP) proporcionan explicaciones visuales o cuantitativas de las cuales las regiones de imagen más influenciaron la decisión de un sistema AI. Estas herramientas de interpretación ayudan a los radiólogos a entender y validar las recomendaciones de AI, fomentando la confianza adecuada y permitiendo la detección de posibles errores.
SHAP resume la importancia de la característica y la fiabilidad general del modelo, mientras que LIME proporciona explicaciones para las predicciones clínicas individuales en un formato legible por el ser humano, mejorando la claridad y la transparencia, especialmente para los médicos que pueden no estar familiarizados con los trabajos internos del algoritmo. Este doble enfoque de la explicabilidad aborda tanto el comportamiento del modelo global como la interpretación individual de caso.
Aplicaciones clínicas en todas las especialidades médicas
La integración de algoritmos informáticos con imágenes de rayos X ha encontrado aplicaciones en prácticamente todas las especialidades médicas que se basan en la imagen radiológica. Estas implementaciones del mundo real demuestran el valor práctico y la versatilidad del diagnóstico asistido por AI.
Detección de imágenes torácicas y enfermedades pulmonares
La imagen torácica es un enfoque importante, con algoritmos de IA en la detección del cáncer de pulmón (TC de dosis baja) capaces de triager nódulos pulmonares por probabilidad de malignidad, ayudar a rastrear el crecimiento volumétrico, o alertar a los radiólogos a pequeños tumores pulmonares ocultos en escaneos ruidosos. La capacidad de evaluar automáticamente las características de nódulos y los cambios de seguimiento con el tiempo representa un avance significativo en los programas de detección del cáncer de pulmón.
El aprendizaje profundo con las CNNs ha clasificado con precisión la tuberculosis en radiografías torácicas con una AUC de 0.99, con un enfoque aumentada por radiólogos que mejora aún más la exactitud. Este nivel de rendimiento tiene particular importancia para la salud mundial, ya que la tuberculosis sigue siendo una causa importante de morbilidad y mortalidad en todo el mundo, especialmente en entornos limitados por recursos donde la experiencia radiólogo puede ser escasa.
Los sistemas de IA han demostrado un fuerte rendimiento en la detección de neumonía, neumotórax, derrames pleurales y otras patologías torácicas comunes. La capacidad de identificar rápidamente estas condiciones en los rayos X torácicos es compatible con la toma oportuna de decisiones clínicas en los departamentos de emergencia y en los entornos de pacientes.
Detección de imágenes y fracturas musculares
Los radiografos de huesos y articulaciones pueden beneficiarse de la IA, con algoritmos existentes para cuantificar la edad ósea en los rayos X de mano pediátrica (BoneXpert es un sistema marcado por CE) o para detectar fracturas (los productos emergentes son limpiados por la FDA para resaltar las fracturas de muñeca o columna). La detección de fracturas representa una aplicación particularmente valiosa, ya que las fracturas perdidas pueden conducir a una significativa morbilidad del paciente y consecuencias medicolegales.
Los sistemas de IA pueden identificar fracturas sutiles que pueden pasarse por alto en la interpretación inicial, especialmente en regiones anatómicas complejas como la muñeca, el tobillo o la columna vertebral. También pueden ayudar a caracterizar patrones de fractura, evaluar la alineación y sugerir una imagen de seguimiento adecuada cuando sea necesario.
Evaluación de la edad ósea mediante AI proporciona mediciones objetivas y reproducibles que apoyan la endocrinología y la atención pediátrica. La evaluación tradicional de la edad ósea requiere comparación con los estándares de atlas y puede mostrar variabilidad significativa entre los observadores; la evaluación automatizada de la IA elimina esta variabilidad al tiempo que proporciona resultados rápidos.
Imágenes cardiovasculares y de Stroke
El impacto de la IA en el cuidado de los accidentes cerebrovasculares ha sido bien publicitado, con imágenes vasculares (CT/MRI) a menudo bajo presión de tiempo que exigen la detección rápida de signos derrames cerebrales o deposiciones de grandes buques. En el ataque agudo, cada minuto cuenta y sistemas de IA que pueden identificar rápidamente oclusivas de grandes buques y equipos de ataque cerebral han demostrado mejoras mensurables en los resultados de tiempo a tratamiento y pacientes.
La IA se utiliza cada vez más en imágenes cardíacas (ecocardiografía, IRM/CT cardiaca), con aplicaciones limpias por la FDA como la aplicación de sonda de supersonido IA de Caption Health y la medición automática de volúmenes de cámara y fracción de eyección. Estas aplicaciones se extienden más allá de la imagen tradicional de rayos X, pero demuestran el impacto más amplio de la integración de IA en el diagnóstico cardiovascular.
Oncología y detección de tumores
La detección del cáncer representa una de las aplicaciones más impactantes de la IA en la imagen médica. Más allá de la detección del nódulo pulmonar, los sistemas de IA ayudan a identificar masas de mama en la mamografía, detectar lesiones hepáticas en la imagen abdominal y caracterizar metástasis óseas en las encuestas esqueléticas.
La integración de la patología y la radiología en la imagen médica aumenta la precisión diagnóstica, con la sinergia de estos dominios que permiten una comprensión holística de los procesos de enfermedad, especialmente en oncología y enfermedades crónicas. Los sistemas de IA que pueden correlacionar los hallazgos radiológicos con características patológicas proporcionan un apoyo diagnóstico integral que refleja el enfoque multidisciplinario de la atención del cáncer.
Técnicas de procesamiento de imágenes y mejora
Más allá de la interpretación diagnóstica, los algoritmos de computadora juegan roles cruciales en la adquisición, procesamiento y mejora de imágenes. Estas capacidades fundacionales garantizan que los sistemas de IA reciban datos de entrada óptimos y que los radiólogos puedan visualizar los hallazgos con máxima claridad.
Reducción de ruido y mejora de calidad de imagen
Los algoritmos de reducción de ruido impulsados por AI pueden mejorar la calidad de la imagen al reducir los requisitos de dosis radiactivas. Los modelos de aprendizaje profundo formados en pares de imágenes de dosis baja y estándar pueden aprender a reconstruir imágenes de alta calidad de adquisiciones de radiación reducida, apoyando el principio fundamental de ALARA (como mínimo posible) en imágenes médicas.
Estas técnicas de mejora también pueden mejorar la utilidad de diagnóstico de las imágenes adquiridas con equipo antiguo o técnica suboptimal, ampliando el valor de la infraestructura de imágenes existente y mejorando las capacidades de diagnóstico en entornos limitados por recursos.
Segmentación de imagen automatizada y cuantificación
Los algoritmos de segmentación delinean automáticamente las estructuras anatómicas y los hallazgos patológicos, permitiendo mediciones cuantitativas precisas. Estas capacidades apoyan la planificación del tratamiento en oncología de radiación, evaluación volumétrica de tumores o órganos, y el seguimiento longitudinal de la progresión de enfermedades o respuesta al tratamiento.
La segmentación automatizada elimina el contorno manual de tiempo que se requiere tradicionalmente para estas tareas, al tiempo que proporciona mediciones reproducibles y objetivas. Esta consistencia es particularmente valiosa en ensayos clínicos y estudios multicéntricos donde la variabilidad de medición puede confundir los resultados.
Registro de imágenes y comparación
Los algoritmos de IA pueden registrar y alinear automáticamente estudios de imágenes en serie, facilitando la comparación de exámenes actuales y anteriores. Esta capacidad ayuda a los radiólogos a identificar cambios sutiles con el tiempo, como nódulos de crecimiento lento o progresión gradual de enfermedades que podrían ser difíciles de apreciar al ver los estudios en aislamiento.
Las técnicas de registro sofisticadas pueden explicar las diferencias en el posicionamiento de pacientes, estado respiratorio y parámetros de imagen, proporcionando una alineación precisa incluso cuando las condiciones de adquisición varían entre estudios.
Paisaje Regulador y Validación Clínica
La rápida proliferación de aplicaciones de IA en imágenes médicas ha requerido marcos regulatorios evolutivos para garantizar la seguridad, eficacia y el uso clínico adecuado. Entender estas consideraciones normativas es esencial tanto para desarrolladores como para usuarios clínicos de sistemas de IA.
FDA Clearance and International Regulations
El panorama regulatorio es un factor crítico en el desarrollo de productos AI, con la mayoría de productos certificados en la Directiva de Dispositivos Médicos (MDD) y Regulación de Dispositivos Médicos (MDR) en las categorías IIa o Clase I, indicando el cumplimiento de normas de riesgo moderado. Estas clasificaciones reflejan la evaluación regulatoria de los sistemas de IA como herramientas de apoyo a la decisión en lugar de dispositivos de diagnóstico autónomos.
Para 2026, la Ley de IA de la UE obligará a la IA a cumplir con el "alta riesgo", documentando la curación de datos de capacitación, los controles de parcialidad y las políticas de supervisión humana. Este entorno regulatorio en evolución refleja el reconocimiento creciente de los posibles beneficios y riesgos asociados con la IA en la salud.
La FDA ha despejado numerosas aplicaciones de IA para la imagen médica, con el ritmo de las aprobaciones acelerando en los últimos años. Sin embargo, la autorización regulatoria representa sólo un aspecto de la validación clínica; el monitoreo del rendimiento real y la garantía de calidad continua siguen siendo esenciales.
Vigilancia de la validación clínica y el rendimiento
Una vez implementado un modelo, el rendimiento debe ser monitoreado para detectar cualquier parcialidad o pérdida de precisión, con modos de aprendizaje continuo propuestos para mantener los modelos actualizados con configuraciones cambiantes de datos y equipos. Esta vigilancia continua asegura que los sistemas de inteligencia artificial mantengan su rendimiento como equipo de imagen, poblaciones de pacientes y prácticas clínicas evolucionan.
Estudios de validación clínica prospectiva que evalúan el rendimiento de IA en los flujos de trabajo clínicos del mundo real proporcionan la evidencia más robusta de utilidad clínica. Estos estudios pueden revelar desafíos prácticos y oportunidades que pueden no ser evidentes en validación retrospectiva utilizando conjuntos de datos curados.
Reembolso y consideraciones económicas
El reembolso de los seguros para lecturas con arañazos AI sigue siendo rudimentario; se está promoviendo la formulación de códigos CPT para radiólogos utilizando AI, similar a cómo la patología tiene códigos para el análisis de imágenes de deslizamiento completo. La sostenibilidad económica de la integración de AI depende de modelos de reembolso apropiados que reconozcan el valor añadido por estas tecnologías.
Las instituciones de atención de la salud deben considerar no sólo los costos de adquisición de los sistemas de inteligencia artificial, sino también los gastos de ejecución, mantenimiento continuo, integración con la infraestructura de tecnología de la información existente y los requisitos de capacitación.
Desafíos y limitaciones en las actuales implementaciones
A pesar de los notables progresos, la integración de algoritmos informáticos con imágenes de rayos X enfrenta retos importantes que deben abordarse para realizar el pleno potencial de estas tecnologías. Reconocer y trabajar activamente para superar estas limitaciones es esencial para el despliegue responsable de la IA.
Calidad, Disponibilidad y Diversidad de Datos
Los sistemas de IA requieren conjuntos de datos grandes y de alta calidad para la formación y validación. Sin embargo, los datos de imagen médica suelen existir en silos institucionales, con regulaciones de privacidad y preocupaciones competitivas que limitan el intercambio de datos. Incluso cuando se dispone de datos, puede faltar la diversidad necesaria para garantizar que los sistemas de IA se realicen de manera equitativa en diferentes poblaciones de pacientes.
Se destaca la importancia de la interpretación, la robustez y la generalización en la práctica clínica y las consideraciones éticas de la privacidad y el sesgo de los datos, con una brecha significativa que sigue siendo el conocimiento de aplicar los métodos XAI sistemáticamente en la práctica clínica cotidiana. Velar por que los sistemas AI capacitados en datos de una institución o población generalicen eficazmente a otros siga siendo un área activa de investigación.
Los conjuntos de datos infrarrojos, en los que se encuentran subrepresentadas ciertas condiciones o la demografía de los pacientes, pueden conducir a sistemas de IA que realizan actividades deficientes para las poblaciones minoritarias o enfermedades raras.
Bias Algorítmicas y Equidad de Salud
Los sistemas de IA pueden perpetuar o incluso amplificar los sesgos presentes en sus datos de entrenamiento. Si un algoritmo se entrena principalmente en imágenes de un grupo demográfico, puede realizar menos precisión para los pacientes de otros grupos. Este potencial de sesgo algorítmico plantea serias preocupaciones acerca de la equidad de salud y el riesgo de sistemas de IA que exacerban las disparidades sanitarias existentes.
Para garantizar la equidad algoritmo se necesitan diversos conjuntos de datos de capacitación, pruebas rigurosas en subgrupos demográficos y monitoreo continuo de las disparidades de rendimiento. La transparencia sobre las limitaciones del sistema AI y las características de rendimiento para diferentes poblaciones es esencial para un uso clínico adecuado.
Integración con flujos de trabajo clínicos
Un importante problema práctico es cómo incorporar algoritmos de aprendizaje profundo en el flujo de trabajo de radiología para mejorar, en lugar de interrumpir, la práctica de radiología. Sistemas de IA que crean trabajo adicional, desacelerar los flujos de trabajo, o generar falsos positivos excesivos pueden enfrentar resistencia de los usuarios clínicos independientemente de sus capacidades teóricas.
La integración exitosa requiere un diseño de interfaz de usuario reflexivo, una conexión perfecta con PACS (Picture Archiving and Communication Systems) y RIS (Radiology Information Systems), y flujos de trabajo que complementan en lugar de complicar las prácticas radiológicas. Los factores humanos de la implementación de AI merecen tanta atención como el rendimiento algorítmico.
Interpretabilidad y confianza
La inteligencia artificial se está integrando cada vez más en el diagnóstico clínico; sin embargo, su falta de transparencia impide la confianza y la adopción entre los profesionales de la salud. La naturaleza "caja negra" de los complejos modelos de aprendizaje profundo puede hacer que los radiólogos se sientan abominables a depender de las recomendaciones de la AI, especialmente cuando el razonamiento detrás de una predicción es opaco.
La construcción de confianza adecuada requiere no sólo herramientas de explicabilidad técnica sino también educación sobre capacidades y limitaciones de IA, comunicación transparente sobre el rendimiento del sistema, y validación clínica que demuestra utilidad real del mundo. Los radiólogos necesitan entender cuándo confiar en las recomendaciones de IA y cuándo ejercer un juicio clínico independiente.
Generalización en todas las instituciones y equipos
Los modelos de IA entrenados en una institución que utilizan equipos específicos de imagen no pueden funcionar también cuando se implementan en otros lugares con diferentes escáneres, protocolos o poblaciones de pacientes. Este desafío de generalización requiere capacitación en conjuntos de datos muy diversos o desarrollar técnicas de adaptación de dominio que permitan a los modelos ajustarse a nuevos entornos.
Las variaciones en los protocolos de imagen, fabricantes de equipos y patrones de práctica locales pueden afectar todo el rendimiento de la IA. La validación robusta en múltiples sitios y tipos de equipos es esencial antes del despliegue generalizado.
Consideraciones jurídicas y éticas
La aplicación de un aprendizaje profundo en la práctica de radiología plantea retos jurídicos y éticos, principalmente: ¿quién será responsable de los errores que cometerá un ordenador? Las cuestiones de responsabilidad, consentimiento informado y el papel adecuado de la IA en la toma de decisiones clínicas requieren una consideración cuidadosa.
Cuando un sistema de inteligencia artificial pierde un hallazgo o genera un falso positivo que conduce a una intervención innecesaria, determinar la responsabilidad se vuelve compleja. ¿Es el radiólogo responsable de no atrapar el error de la inteligencia artificial? ¿Es la institución responsable de implementar un sistema imperfecto? ¿Es el desarrollador de inteligencia artificial responsable de los fallos algorítmicos? Estas preguntas carecen de precedentes legales claros y requieren un diálogo continuo entre los médicos, expertos legales y responsables de políticas.
Privacidad y seguridad de datos
Los datos de imagen médica contienen información confidencial sobre pacientes y los sistemas de inteligencia artificial que procesan estos datos deben cumplir con las normas de privacidad como HIPAA en los Estados Unidos y el GDPR en Europa. Garantizar la seguridad de los datos durante todo el ciclo de vida de AI —desde la recopilación de datos de capacitación mediante el despliegue y el aprendizaje continuo— requiere unas sólidas salvaguardias técnicas y administrativas.
Los sistemas de IA basados en la nube plantean preocupaciones adicionales de privacidad, ya que las imágenes médicas pueden transmitirse a servidores externos para su procesamiento. Equilibrar las ventajas computacionales de la infraestructura de la nube con los requisitos de privacidad requiere decisiones arquitectónicas cuidadosas y una gobernanza de datos sólida.
Future Directions and Emerging Technologies
El campo de la imagen de rayos X con ayuda de AI sigue evolucionando rápidamente, con tecnologías emergentes y direcciones de investigación que prometen una mayor capacidad en los próximos años. Entendiendo estas tendencias proporciona una visión del futuro paisaje de la práctica de la radiología.
Modelos de Fundación y Modelos de Lenguaje Grande
El aprendizaje profundo (CNN y sus variantes) sustenta la mayoría de los sistemas desplegados hoy, mientras que los modelos de base y las LLM representan la frontera, aunque a finales de 2025, ningún producto de radiología aprobado por la regulación aprovecha un LLM generativo. Estos modelos de gran escala formados en diversas fuentes de datos prometen sistemas de IA más generalizables que pueden adaptarse a nuevas tareas con una mínima formación adicional.
Los modelos de la Fundación para la Imagen Médica podrían comprender potencialmente las relaciones anatómicas, los patrones patológicos y el contexto clínico de manera que no puedan tener los modelos actuales específicos de tareas. La integración con los modelos de lenguajes grandes podría permitir sistemas de IA que generen informes de idiomas naturales, respondan preguntas clínicas y proporcionen apoyo educativo a los alumnos.
Integración multimodal y diagnósticos integrales
La generación de informes de radiología automática es una tarea difícil, ya que el modelo computacional necesita para médicos imitadores para obtener información de datos de entrada multimodal (es decir, imágenes médicas, información clínica, conocimiento médico, etc.) y producir informes completos y precisos, con numerosas obras emergentes para abordar este problema utilizando métodos basados en el aprendizaje profundo, como transformadores, aprendizaje contrastante y construcción de base de conocimientos.
Los sistemas futuros de IA probablemente integrarán información de múltiples modalidades de imagen, registros electrónicos de salud, datos genómicos y otras fuentes para proporcionar un apoyo diagnóstico integral, lo que refleja la forma en que los médicos expertos sintetizan diversas corrientes de información para llegar a conclusiones de diagnóstico.
Aprendizaje Federado y Privacidad-Preservando AI
Se están investigando la cadena de bloques y la computación multipartidista segura para permitir el aprendizaje federado en hospitales, preservando la privacidad (sin embargo existen productos clínicos).El aprendizaje federado permite capacitar a los modelos de IA en datos de múltiples instituciones sin centralizar información sensible de pacientes, abordando tanto las preocupaciones de privacidad de datos como la necesidad de diversos conjuntos de datos de capacitación.
Este enfoque podría permitir el desarrollo de la IA en colaboración en todos los sistemas de salud manteniendo la privacidad de los pacientes y la gobernanza de los datos institucionales. A medida que estas tecnologías maduran, pueden desbloquear el potencial de vastos conjuntos de datos distribuidos que actualmente permanecen en silo.
Sistemas de aprendizaje y adaptación continuos
La retroalimentación de los usuarios radiólogos que pueden aceptar o rechazar los hallazgos del sistema podría utilizarse teóricamente como nuevos datos de formación para mejorar el rendimiento. Los sistemas de aprendizaje continuos que mejoran con el tiempo basados en la retroalimentación clínica del mundo real representan una frontera emocionante, aunque también plantean retos de control y garantía de calidad.
Para garantizar que los sistemas de aprendizaje continuo mantengan o mejoren el rendimiento sin introducir nuevos prejuicios o errores, es necesario contar con marcos sofisticados de vigilancia y validación.
Radiomics y medicina de precisión
El crecimiento de la radiomics, un campo que busca unificar datos de radiología, patología y genómica para ofrecer un servicio de diagnóstico integral, se prevé para estimular la próxima transformación importante en radiología. La radiomics extrae características cuantitativas de imágenes médicas que pueden correlacionarse con características moleculares, respuesta al tratamiento o pronóstico.
La radiomica propulsada por la IA podría permitir caracterizar la biología tumoral, predicción de la respuesta al tratamiento y selección de terapia personalizada. Esta integración de la imagen con la medicina molecular muestra el potencial de la IA para apoyar iniciativas de medicina de precisión.
Punto de cuidado y móvil Imaging AI
A medida que los algoritmos de IA se vuelven más eficientes y portátiles dispositivos de imagen más capaces, las aplicaciones de IA de punto de cuidado pueden aportar un sofisticado apoyo diagnóstico a los departamentos de emergencia, unidades de atención intensiva e incluso ajustes prehospitales. Las unidades de rayos X móviles equipadas con IA pueden proporcionar información de diagnóstico inmediata en los hospitales de campo, escenarios de respuesta a desastres o lugares remotos.
Estas aplicaciones podrían ampliar drásticamente el acceso a la interpretación de diagnóstico a nivel de expertos en entornos en los que la disponibilidad de radiólogos es limitada o retrasada, lo que podría mejorar los resultados para condiciones que tengan en cuenta el tiempo.
Buenas prácticas para la implementación clínica
Para integrar la IA en la práctica de la radiología es necesario planificar con atención, participar con los interesados y garantizar la calidad. Las instituciones de atención de la salud que consideran la adopción de IA pueden beneficiarse de las mejores prácticas establecidas.
Evaluación de necesidades y selección de casos de uso
Las instituciones deben comenzar identificando necesidades clínicas específicas o problemas de flujo de trabajo que podría abordar la IA. Programas de detección de alto volumen, diagnósticos sensibles al tiempo o áreas con problemas de interpretación conocidos representan casos prometedores de uso inicial. La aplicación seleccionada debe alinearse con las prioridades institucionales y tener métricas claras para el éxito.
Selección de proveedores y debida diligencia
La evaluación de los proveedores de IA requiere una evaluación no sólo del rendimiento algorítmico sino también de las autorizaciones reglamentarias, los datos de validación, las capacidades de integración, el apoyo continuo y la estabilidad empresarial. Las instituciones deben solicitar datos detallados de rendimiento en las poblaciones de pacientes y el equipo de imagen pertinentes, incluyendo estudios de validación prospectiva.
Comprender los datos de formación utilizados para desarrollar un sistema de inteligencia artificial ayuda a evaluar si se generalizará con los protocolos de población y imagen de pacientes locales. La transparencia sobre las limitaciones algorítmicas y los modos de fallo conocidos es esencial para un uso clínico adecuado.
Pruebas piloto y validación
Antes de su despliegue completo, las pruebas piloto permiten a las instituciones evaluar el rendimiento de la IA en su entorno específico, identificar los retos de integración de flujo de trabajo y recabar información de los usuarios. La validación prospectiva utilizando datos locales proporciona la evaluación más fiable del rendimiento del mundo real.
Los programas piloto deben incluir diversos casos que representan el espectro completo de patología y características de los pacientes encontrados en la práctica clínica. Comparación con diagnósticos de la verdad terrestre o lecturas de consenso expertas ayuda a cuantificar el rendimiento de la IA.
Capacitación y Gestión del Cambio
La implementación exitosa de AI requiere una formación integral para radiólogos, tecnólogos y otros usuarios. La formación debe abarcar no sólo el funcionamiento técnico sino también la interpretación adecuada de los productos de IA, la comprensión de las limitaciones del sistema y la integración en los flujos de trabajo clínicos.
Las estrategias de gestión del cambio que involucran a los interesados en forma temprana, abordan las preocupaciones y demuestran que el valor ayuda a superar la resistencia y fomentar la adopción. Los radiólogos deben entender que las herramientas de IA están diseñadas para aumentar en lugar de sustituir su experiencia.
Vigilancia y garantía de calidad continua
La vigilancia posterior al despliegue asegura que los sistemas de IA mantengan su rendimiento con el tiempo. La detección de métricas como sensibilidad, especificidad, tasas positivas falsas y aceptación del usuario ayuda a identificar la degradación del rendimiento o problemas emergentes.
El examen periódico de casos discordantes —donde las interpretaciones de IA y radiólogo difieren— proporciona oportunidades de aprendizaje y ayuda a calibrar la confianza adecuada en las recomendaciones de IA. Los programas de garantía de calidad deben incluir mecanismos para informar e investigar errores de IA o comportamientos inesperados.
El papel evolutivo de los radiólogos
La integración de la IA en la radiología ha suscitado discusiones sobre el futuro papel de los radiólogos. En lugar de sustituir los radiólogos, la IA es más probable que transforme su práctica, haciendo hincapié en las actividades de mayor valor y la interacción de los pacientes.
De la interpretación de imágenes a la integración clínica
A medida que los sistemas de IA manejan aspectos rutinarios de interpretación de imágenes, los radiólogos pueden dedicar más tiempo a casos complejos que requieren juicio matizado, colaboración multidisciplinar y consulta directa de pacientes. El papel del radiólogo puede evolucionar hacia el especialista en integración clínica, sintetizando los hallazgos de imágenes con contexto clínico para guiar la gestión de pacientes.
Aprovechando esta poderosa herramienta, los radiólogos pueden hacerse cada vez más precisos en sus interpretaciones con menos errores y pasar más tiempo para centrarse en el cuidado de los pacientes. Este cambio hacia la práctica centrada en el paciente representa una oportunidad para mejorar el valor que los radiólogos proporcionan a los equipos de atención médica y pacientes.
Supervisión de la calidad y la gestión de las actividades conjuntas
Los radiólogos desempeñarán funciones esenciales en la validación de los sistemas de IA, la vigilancia de su rendimiento y la garantía de un uso clínico adecuado. Esta función de administración requiere comprensión de las capacidades y limitaciones de IA, capacidad para identificar errores algorítmicos y juicio sobre cuándo deben ser anulados las recomendaciones de IA.
A medida que los sistemas AI se vuelven más sofisticados, los radiólogos con experiencia tanto en la radiología clínica como en la tecnología AI serán valiosos para salvar la brecha entre desarrolladores de algoritmos y usuarios clínicos.
Evolución de la educación y la formación
Los programas de formación en radiología están empezando a incorporar la educación de IA, preparando a futuros radiólogos para trabajar eficazmente con estas tecnologías. Comprender conceptos básicos de IA, interpretar salidas algorítmicas y reconocer las limitaciones de IA se convertirán en competencias básicas para los radiólogos.
La educación continua para radiólogos practicantes garantiza que la fuerza laboral actual se adapte a la práctica aumentada por la IA. Las sociedades profesionales e instituciones académicas están elaborando planes de estudio y recursos para apoyar esta necesidad educativa.
Consecuencias y acceso a la salud mundial
La integración de la IA con las imágenes de rayos X tiene una promesa especial de abordar las disparidades mundiales en materia de salud y ampliar el acceso a servicios de diagnóstico de calidad en las regiones subsidiadas.
Democratizar la experiencia diagnóstica
En regiones con disponibilidad limitada de radiólogos, los sistemas de IA pueden proporcionar apoyo diagnóstico que de otra manera no estaría disponible. Esta democratización de los conocimientos especializados podría mejorar el acceso a la atención de la salud en las zonas rurales, los países en desarrollo y otros entornos en los que la escasez de especialistas limita las capacidades de diagnóstico.
Las iniciativas de salud móvil que incorporan la interpretación de imágenes impulsadas por AI podrían traer servicios de detección y diagnóstico a poblaciones remotas, lo que permitiría detectar enfermedades como la tuberculosis, el cáncer de pulmón y otras condiciones con un impacto significativo en la salud mundial.
Abordar las limitaciones de recursos
Los sistemas de IA que mejoran el rendimiento diagnóstico de los equipos básicos de imagen o permiten protocolos de dosis más bajas de radiación podrían hacer que los diagnósticos avanzados sean más accesibles en entornos limitados por recursos. Los servicios de IA basados en la nube podrían proporcionar análisis sofisticados sin requerir una infraestructura local costosa de cálculo.
Sin embargo, garantizar el acceso equitativo a las tecnologías de la información y las comunicaciones internacionales requiere abordar los obstáculos, como los costos, la conectividad a Internet y la necesidad de que los sistemas de información sobre las actividades conjuntas reciban capacitación sobre diversas poblaciones mundiales en lugar de datos de países de ingresos altos.
Capacity Building and Local Adaptation
La implementación sostenible de la IA en salud global no requiere sólo transferencia de tecnología sino creación de capacidad para apoyar la adaptación, validación y mantenimiento locales. La capacitación de los trabajadores sanitarios locales para utilizar y supervisar los sistemas de IA garantiza la sostenibilidad a largo plazo y la contextualización adecuada para los patrones de enfermedades locales y los sistemas de salud.
Impacto económico y valor de la atención de la salud
Las implicaciones económicas de la integración de la IA en la radiología se extienden más allá de los costos directos y los ahorros para abarcar consideraciones de valor sanitario más amplias.
Gaines de eficiencia y productividad
Los sistemas de IA que aceleran el flujo de trabajo, reducen los tiempos de lectura para estudios normales, o permiten a los radiólogos manejar volúmenes superiores pueden mejorar la productividad de los departamentos. Estos aumentos de eficiencia pueden ayudar a hacer frente a la creciente demanda de servicios de imagen sin aumentos proporcionales en la fuerza laboral de radiólogos.
Sin embargo, las mejoras de productividad deben equilibrarse contra consideraciones de calidad. El tratamiento a través de casos de presión de inteligencia artificial o la sobreexposición de evaluaciones algorítmicas podría socavar la precisión de diagnóstico a pesar de los aumentos aparentes de eficiencia.
Reducción de errores y responsabilidad
En la medida en que los sistemas de IA reduzcan los errores diagnósticos, pueden disminuir la responsabilidad por negligencia médica y los costos asociados. Sin embargo, el panorama de responsabilidad por el diagnóstico asistido por IA sigue siendo incierto, y las instituciones deben considerar cuidadosamente cómo la integración de IA afecta su perfil de riesgo.
La documentación del uso de la IA en la toma de decisiones clínicas y políticas claras sobre la supervisión radióloga de las recomendaciones de la IA ayudan a establecer estándares adecuados de atención en un entorno de práctica aumentada por la IA.
Resultados del paciente y atención basada en el valor
La medida definitiva del valor de la IA reside en los resultados de los pacientes. La detección previa de enfermedades, diagnósticos más precisos y procedimientos innecesarios reducidos contribuyen a mejorar la atención del paciente y se alinean con modelos de atención médica basados en el valor que enfatizan los resultados sobre el volumen.
Demostrar estas mejoras de resultados mediante estudios clínicos rigurosos apoya la propuesta de valor para la inversión de AI y puede influir en las políticas de reembolso y las decisiones de adopción.
Conclusión: Un futuro colaborativo
La integración de algoritmos informáticos con imágenes de rayos X representa uno de los avances tecnológicos más significativos en la radiología desde la introducción de imágenes digitales. La inteligencia artificial ha surgido como una tecnología transformadora en imagen médica, mejorando significativamente la precisión de diagnóstico, acelerando los flujos de trabajo, y permitiendo una interpretación avanzada de la imagen aprovechando el aprendizaje automático y los algoritmos de aprendizaje profundo para analizar imágenes médicas complejas, descubrir patrones sutiles y apoyar a los clínicos en la toma de decisiones.
La evidencia demuestra que los sistemas de IA pueden lograr un rendimiento de nivel experto en muchas tareas de diagnóstico, mejorar la precisión del médico en todas las especialidades y simplificar los flujos de trabajo de radiología. De la detección de nódulos y fracturas pulmonares a la identificación de golpes y caracterizar tumores, las aplicaciones de IA abarcan todo el espectro de la práctica radiológica.
Sin embargo, la realización del potencial completo de la IA en la radiología requiere abordar retos significativos. Asegurar la equidad algorítmica en diversas poblaciones, mantener la privacidad de datos, integrar la IA sin problemas en los flujos de trabajo clínicos, y establecer marcos regulatorios y de reembolso adecuados que requieren atención continua. Mientras que el aprendizaje profundo ha mostrado una promesa extraordinaria en otras tareas relacionadas con la imagen, los resultados en la radiología todavía están lejos de demostrar que los algoritmos de aprendizaje profundo reemplazarán un rápidos probables
El futuro de la radiología no se encuentra en la IA que reemplaza a los radiólogos sino en un modelo colaborativo donde la inteligencia computacional y humana se complementan. La IA se destaca por el rápido reconocimiento de patrones, el análisis cuantitativo y la consistencia incansable. Los radiólogos aportan contexto clínico, juicio matizado, adaptabilidad a situaciones novedosas y la conexión humana esencial para el cuidado centrado en el paciente.
A medida que las tecnologías de IA sigan evolucionando —con modelos de fundación, integración multimodal y sistemas de aprendizaje continuos en el horizonte—, las capacidades de la radiología con ayuda de IA se expandirán aún más. Las instituciones de atención de la salud, radiólogos, desarrolladores de IA, reguladores y responsables de la formulación de políticas deben trabajar de forma colaborativa para asegurar que estas tecnologías poderosas se desplieguen de manera responsable, equitativa y de manera que mejoren verdaderamente el cuidado del paciente.
La integración de algoritmos informáticos con imágenes de rayos X no es una posibilidad futura distante, sino una práctica actual de radiología transformadora en todo el mundo. Al abrazar esta tecnología de manera meditada, abordando sus desafíos proactivamente, y manteniendo el enfoque en beneficio del paciente, la comunidad médica puede aprovechar la IA para ofrecer una atención de diagnóstico más precisa, eficiente y accesible para todos.
Recursos adicionales
Para aquellos interesados en aprender más sobre la IA en imágenes médicas, varios recursos autorizados proporcionan información valiosa:
- La Sociedad Radiológica de América del Norte (RSNA) ofrece materiales y conferencias educativos centrados en la IA en la radiología en https://www.rsna.org/]
- El Instituto Americano de Ciencias de la Información de la Universidad Americana de Radiología (ACR) proporciona recursos sobre la aplicación y validación de la IA en https://www.acrdsi.org/]
- El Centro de Excelencia de la Salud Digital de la FDA ofrece orientación sobre las vías reglamentarias para los dispositivos médicos de la IA en https://www.fda.gov/medical-devices/digital-health-center-excellence
- Naturaleza Medicina Digital] y otras revistas revisadas por par publican regularmente investigaciones sobre aplicaciones de IA en imágenes médicas
- La sociedad acoge conferencias anuales en las que se muestran las investigaciones de vanguardia en http://www.miccai.org/]
Estos recursos proporcionan vías para que los profesionales de la salud, investigadores y personas interesadas permanezcan en la actualidad con este campo en rápida evolución y contribuyan al avance responsable de la IA en la imagen médica.