EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Inteligencia artificial en radiología: revisión sistemática de las aplicaciones del aprendizaje profundo para la detección temprana de enfermedades

Karla Castro-Lòpez

MQRInvestigar · 08.03.2026 · 10 (1) · e150

DOI: 10.56048/mqr.2026.e150 ↗

Kurz gefasst

Fachartikel in der Zeitschrift MQRInvestigar, online erschienen am 08.03.2026. Verfasst von Karla Castro-Lòpez. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Introducción. El sector de la radiología es una herramienta primordial para el diagnóstico médico a partir de técnicas de imagen clínica. De hecho, en los últimos años, la inteligencia artificial, en particular los modelos de deep learning, ha demostrado poseer la capacidad de procesar imágenes médicas para detectar patrones complejos asociados a diversas enfermedades. En este contexto, el objetivo de esta investigación es analizar las aplicaciones del aprendizaje profundo en radiología para la detección precoz de enfermedades y evaluar el rendimiento diagnóstico. Metodología. Se llevó a cabo un estudio de revisión sistemática de la literatura considerando las recomendaciones de PRISMA 2020. La búsqueda se realizó en Scopus, Web of Science, PubMed, IEEE Xplore y ScienceDirect utilizando palabras clave relacionadas con inteligencia artificial, deep learning, radiología e imagen médica. La búsqueda inicial incluyó trabajos publicados entre 2015 y 2025 que analizaban algoritmos de aprendizaje profundo empleados en el diagnóstico por imagen. Tras aplicar los criterios de selección, 52 trabajos fueron finalmente incluidos en la revisión. Resultados. Los estudios revisados muestran un aumento considerable del número de investigaciones sobre inteligencia artificial en el ámbito de la radiología. Las modalidades de imagen que se presentaron con mayor frecuencia fueron la tomografía computarizada, la resonancia magnética, la mamografía, la radiografía y el ultrasonido. Los modelos basados en redes neuronales convolucionales y arquitecturas como ResNet, DenseNet y U-Net mostraron altos niveles de sensibilidad, especificidad, precisión y AUC en la detección temprana de patologías oncológicas, neurológicas, cardiovasculares y pulmonares. Conclusiones. Los modelos de aprendizaje profundo poseen un elevado potencial para incrementar la precisión del diagnóstico en radiología y apoyar la interpretación clínica de las imágenes médicas, pero aún se requieren validaciones clínicas multicéntricas que confirmen su aplicabilidad en el entorno real.

Zitieren

APA

Castro-Lòpez, K. (2026). Inteligencia artificial en radiología: revisión sistemática de las aplicaciones del aprendizaje profundo para la detección temprana de enfermedades. MQRInvestigar, 10(1), e150. https://doi.org/10.56048/mqr.2026.e150

Vancouver

Castro-Lòpez K. Inteligencia artificial en radiología: revisión sistemática de las aplicaciones del aprendizaje profundo para la detección temprana de enfermedades. MQRInvestigar. 2026;10(1):e150. doi:10.56048/mqr.2026.e150

BibTeX
@article{CastroLpez2026,
  author = {Castro-Lòpez, Karla},
  title = {Inteligencia artificial en radiología: revisión sistemática de las aplicaciones del aprendizaje profundo para la detección temprana de enfermedades},
  journal = {MQRInvestigar},
  year = {2026},
  volume = {10},
  number = {1},
  pages = {e150},
  doi = {10.56048/mqr.2026.e150}
}
Kostenlos starten →