Aplicaciones de la inteligencia artificial en el diagnóstico pulmonar por tomografía computarizada: Avances, desafíos y perspectivas clínicas
Autora principal: Dra. Daniela Zúñiga Salazar
Vol. XX; nº 08; 406
Applications of artificial intelligence in pulmonary diagnosis by computed tomography: Advances, challenges, and clinical perspectives
Fecha de recepción: 1 de abril de 2025
Fecha de aceptación: 22 de abril de 2025
Incluido en Revista Electrónica de PortalesMedicos.com Volumen XX. Número 08 Segunda quincena de abril de 2025 – Página inicial: Vol. XX; nº 08; 406
Autores:
Dra. Daniela Zúñiga Salazar
Médico general, investigadora Independiente. Cartago, Costa Rica.
Orcid: 009-0008-0582-6350
Código Medico 17555
Dra. Melissa Marcela Araya Obando
Médico general, investigadora Independiente. Cartago, Costa Rica.
Orcid: 0009-0001-5437-5903
Código Medico 17098
Dra. Katerine Agüero Garita
Médico general, investigadora Independiente. Cartago, Costa Rica.
Orcid: 0009-0007-8635-0384
Código Medico 17093
Dra. Kembly Mc Lean Johnson
Médico general, investigadora Independiente. Cartago, Costa Rica.
Orcid: 009-002-7384-4661
Código Medico 17437
Dra. Ana María Alfaro Villalobos
Médico general, investigadora Independiente. Cartago, Costa Rica.
Orcid: 0009-0007-8561-6048
Código Medico 17680
Dra. Valerie Campos Alfaro
Médico general, investigadora Independiente. Cartago, Costa Rica.
Orcid: 0000-0002-6512-8174
Código Medico 17574
Los autores de este manuscrito declaran que:
Todos ellos han participado en su elaboración y no tienen conflictos de intereses
La investigación se ha realizado siguiendo las Pautas éticas internacionales para la investigación relacionada con la salud con seres humanos elaboradas por el Consejo de Organizaciones Internacionales de las Ciencias Médicas (CIOMS) en colaboración con la Organización Mundial de la Salud (OMS).
El manuscrito es original y no contiene plagio.
El manuscrito no ha sido publicado en ningún medio y no está en proceso de revisión en otra revista.
Han obtenido los permisos necesarios para las imágenes y gráficos utilizados.
Han preservado las identidades de los pacientes.
Palabras clave: Aprendizaje profundo, tomografía computarizada, nódulos pulmonares, redes neuronales, diagnóstico precoz, cáncer de pulmón.
Key words: Deep learning, computed tomography, lung nodules, neural networks, early diagnosis, lung cancer.
Resumen:
La inteligencia artificial ha revolucionado la imagenología médica, especialmente en el análisis de tomografías computarizadas pulmonares. Desde sus inicios con algoritmos simples de aprendizaje automático, como árboles de decisión y redes neuronales básicas, la evolución ha llevado al desarrollo de redes neuronales convolucionales y modelos de aprendizaje profundo, capaces de detectar patrones complejos con alta precisión. Estos avances han permitido mejorar significativamente el diagnóstico de patologías como el cáncer de pulmón, al aumentar la sensibilidad para la detección de nódulos pulmonares y facilitar intervenciones más tempranas. Además, se ha extendido su utilidad al manejo de enfermedades intersticiales, infecciones pulmonares como la COVID-19, y patologías crónicas como la enfermedad pulmonar obstructiva crónica, al automatizar el análisis de volumen y densidad pulmonar.
Entre las principales ventajas de la inteligencia artificial se encuentran la reducción del tiempo diagnóstico, la estandarización de los informes radiológicos y la mejora de la reproducibilidad. Sin embargo, persisten desafíos técnicos, como la necesidad de bases de datos amplias y diversas para entrenamiento, y consideraciones éticas y legales sobre la privacidad y la responsabilidad clínica. Para su integración exitosa, es esencial una implementación validada, monitoreo continuo, transparencia y colaboración efectiva con el personal médico. En este contexto, la inteligencia artificial no solo complementa el trabajo del radiólogo, sino que abre el camino hacia una medicina más personalizada y predictiva, al integrar datos multidimensionales para optimizar el tratamiento individual y anticipar riesgos clínicos.
Abstract:
Artificial intelligence has revolutionized medical imaging, especially in the analysis of lung CT scans. From its beginnings with simple machine learning algorithms, such as decision trees and basic neural networks, evolution has led to the development of convolutional neural networks and deep learning models capable of detecting complex patterns with high accuracy. These advances have significantly improved the diagnosis of pathologies such as lung cancer, by increasing the sensitivity for the detection of lung nodules and facilitating earlier interventions. Furthermore, its usefulness has been extended to the management of interstitial diseases, lung infections such as COVID-19, and chronic pathologies such as chronic obstructive pulmonary disease, by automating the analysis of lung volume and density.
The main advantages of artificial intelligence include reduced diagnostic time, standardization of radiology reports, and improved reproducibility. However, technical challenges remain, such as the need for large and diverse databases for training, and ethical and legal considerations regarding privacy and clinical liability. For successful integration, validated implementation, continuous monitoring, transparency, and effective collaboration with medical staff are essential. In this context, artificial intelligence not only complements the work of radiologist but also paves the way for more personalized and predictive medicine, integrating multidimensional data to optimize individual treatment and anticipate clinical risks.
Introducción:
La inteligencia artificial (IA) ha comenzado a ocupar un lugar destacado en el campo de la radiología, especialmente en el diagnóstico de enfermedades pulmonares mediante tomografía computarizada (TC). Esta tecnología representa una herramienta poderosa para afrontar desafíos estructurales del sistema de salud, como la escasez de radiólogos y la creciente complejidad de las imágenes torácicas. Gracias a su capacidad para procesar grandes volúmenes de datos con rapidez y consistencia, la IA no solo mejora la precisión diagnóstica, sino que también optimiza la eficiencia y la coherencia de las evaluaciones clínicas. Su integración en el diagnóstico por imagen resulta particularmente relevante en el contexto de las enfermedades pulmonares, en las que una identificación precoz y precisa puede marcar la diferencia en la evolución del paciente (1; 2).
Uno de los principales argumentos que respaldan el uso de la IA en radiología es su capacidad para mejorar la detección de lesiones pulmonares, en especial los nódulos. Estudios recientes han demostrado que los sistemas basados en inteligencia artificial aumentan las tasas de detección de nódulos pulmonares, aunque este beneficio inicial puede ir acompañado de un aumento de los falsos positivos, lo que podría reducir temporalmente la precisión general del diagnóstico (1). Sin embargo, estos modelos están en constante evolución, y los avances recientes han permitido mejorar su especificidad sin sacrificar la sensibilidad diagnóstica. Además, los algoritmos de IA pueden detectar de manera automática nódulos clínicamente significativos que podrían pasar desapercibidos en una lectura convencional, lo cual contribuye a que los pacientes reciban un seguimiento y tratamiento adecuados (2).
Más allá de la detección de lesiones, la inteligencia artificial también ha demostrado su valor en la diferenciación de enfermedades pulmonares complejas. Algunos modelos han alcanzado un desempeño comparable al de especialistas médicos en la identificación de afecciones como la mucormicosis, la aspergilosis o la tuberculosis, lo que reafirma su utilidad como apoyo diagnóstico en contextos clínicos donde el diagnóstico diferencial es particularmente desafiante (3).
En cuanto a la relevancia de la tomografía computarizada en el diagnóstico de enfermedades pulmonares, su papel es insustituible. Esta técnica de imagen permite una visualización detallada del parénquima pulmonar, los vasos y la arquitectura bronquial, lo cual es esencial para detectar signos tempranos de patologías como la congestión pulmonar, un indicador clave de insuficiencia cardíaca aguda. Los algoritmos de IA han mostrado una alta sensibilidad y especificidad en la detección de este tipo de afecciones, permitiendo una intervención más oportuna y precisa (4).
Además, los modelos de IA aplicados a imágenes de TC han demostrado su utilidad en la estratificación del riesgo de malignidad en los nódulos pulmonares, superando en muchos casos el rendimiento de los modelos estadísticos tradicionales. Esta capacidad permite identificar con mayor precisión a los pacientes que requieren biopsia o seguimiento intensivo, contribuyendo así a la detección temprana del cáncer de pulmón y mejorando los desenlaces clínicos (5).
En conjunto, la combinación de tomografía computarizada e inteligencia artificial no solo mejora la precisión del diagnóstico, sino que también optimiza los flujos de trabajo en radiología. Esta sinergia permite generar resultados más consistentes entre distintos perfiles de pacientes y tipos de enfermedades pulmonares, reforzando el potencial de la IA como un aliado esencial en la medicina moderna (5).
El objetivo de este artículo es analizar el papel actual y emergente de la inteligencia artificial en el diagnóstico de enfermedades pulmonares mediante tomografía computarizada, evaluando su impacto en la precisión diagnóstica, la detección temprana, la optimización de flujos de trabajo clínico y la toma de decisiones médicas, así como identificar sus beneficios, limitaciones y perspectivas en el contexto de la práctica radiológica moderna.
Metodología:
Para el desarrollo de esta investigación sobre la aplicación de la inteligencia artificial en el diagnóstico pulmonar mediante tomografía computarizada, se llevó a cabo una revisión bibliográfica exhaustiva con el objetivo de analizar los avances tecnológicos actuales, el rendimiento diagnóstico de los modelos de inteligencia artificial y su impacto en la práctica clínica radiológica. Esta revisión incluyó aspectos clave como la detección de nódulos pulmonares, la diferenciación de enfermedades respiratorias, la optimización de flujos de trabajo en imagenología y las limitaciones técnicas y clínicas de la inteligencia artificial en este contexto.
Con el fin de garantizar la calidad y relevancia de la información recopilada, se consultaron bases de datos científicas reconocidas, como PubMed, Scopus y Web of Science, por su amplia cobertura en temas de radiología, informática médica e inteligencia artificial aplicada a la salud. Se establecieron criterios rigurosos de inclusión y exclusión. Se seleccionaron estudios publicados entre 2020 y 2025, en inglés o español, que abordaran el uso de inteligencia artificial en tomografía computarizada pulmonar, incluyendo investigaciones clínicas, revisiones sistemáticas y estudios de validación tecnológica. Se excluyeron trabajos con información incompleta, duplicados o sin revisión por pares. La búsqueda se realizó utilizando palabras clave como: Aprendizaje profundo, tomografía computarizada, nódulos pulmonares, redes neuronales, diagnóstico precoz, cáncer de pulmón.
La búsqueda inicial identificó 19 fuentes relevantes, entre las cuales se incluyeron artículos originales, guías clínicas, estudios de validación comparativa y reportes técnicos. A partir de estas fuentes, se realizó un análisis detallado para extraer información sobre la precisión diagnóstica de los algoritmos, los beneficios clínicos potenciales, los desafíos de implementación y las áreas de desarrollo futuro.
El análisis se llevó a cabo mediante un enfoque cualitativo y comparativo. Los hallazgos se organizaron en categorías temáticas, lo que permitió identificar patrones de aplicación clínica, tendencias tecnológicas, resultados diagnósticos y barreras prácticas en la integración de la inteligencia artificial en la radiología pulmonar. Este enfoque integral ofrece una visión actualizada del estado del conocimiento en esta área emergente, y resalta oportunidades para investigaciones futuras y para una adopción más efectiva de la inteligencia artificial en entornos clínicos reales.
Fundamentos de la inteligencia artificial en imagenología médica:
El aprendizaje automático representa una de las primeras aplicaciones de la inteligencia artificial en imágenes médicas. En sus inicios, esta tecnología se basaba en algoritmos relativamente simples, como los árboles de decisión y las redes neuronales básicas. Estas herramientas permitían realizar tareas como la detección y clasificación de lesiones con cierto grado de automatización, aunque con limitaciones en cuanto a la profundidad del análisis y la adaptabilidad a casos clínicos complejos (6).
La introducción de las redes neuronales marcó un hito importante en la evolución de estos sistemas. Estas estructuras computacionales, inspiradas en el funcionamiento del cerebro humano, ofrecieron una mayor capacidad para procesar patrones y relacionar datos. A partir de estas bases, surgieron arquitecturas más avanzadas como las redes neuronales convolucionales (RNC), que se consolidaron como una herramienta esencial en el análisis de imágenes médicas (6).
El aprendizaje profundo, una rama avanzada del aprendizaje automático, se ha posicionado como el motor de los mayores avances en inteligencia artificial aplicada a la imagenología. Este enfoque se basa en redes neuronales de múltiples capas que tienen la capacidad de aprender directamente de los datos sin necesidad de intervención humana en la extracción de características. En particular, las RNC han demostrado una eficacia notable en la detección de patrones complejos dentro de las imágenes médicas, incluyendo las tomografías computarizadas pulmonares, al reconocer estructuras sutiles y diferencias morfológicas difíciles de captar por métodos convencionales (7).
En comparación con los sistemas tradicionales de inteligencia artificial, que se apoyaban en reglas predefinidas y algoritmos de bajo nivel, el aprendizaje profundo representa un salto cualitativo. Mientras la IA tradicional ofrecía herramientas útiles pero limitadas para el análisis de datos complejos como los provenientes de imágenes médicas, las redes profundas permiten una extracción automática de características y un análisis mucho más preciso. Esta diferencia se traduce en un rendimiento superior en las tareas de clasificación, segmentación y predicción diagnóstica (7; 8).
Entre los algoritmos más utilizados en la tomografía computarizada pulmonar, las redes neuronales convolucionales ocupan un lugar central. Estas redes están especialmente diseñadas para procesar imágenes en forma de pixeles y extraer características espaciales relevantes, lo que las hace ideales para identificar nódulos, consolidaciones o patrones intersticiales con alta precisión (7). Además de las RNC, han surgido nuevos modelos que van un paso más allá en el procesamiento de datos. Uno de ellos es el modelo RCTM, que propone analizar directamente los datos sin procesar de la tomografía computarizada, sin necesidad de reconstruir la imagen final. Esta aproximación busca evitar la distorsión introducida durante la reconstrucción tradicional, con el objetivo de preservar la integridad de la información original y mejorar la precisión diagnóstica (9).
Aplicaciones clínicas de la IA en TC pulmonar:
La inteligencia artificial ha demostrado ser una herramienta valiosa en la mejora del diagnóstico del cáncer de pulmón, especialmente a través de la detección más precisa y temprana de los nódulos pulmonares. Diversos estudios han evidenciado que el uso de sistemas basados en inteligencia artificial incrementa la sensibilidad diagnóstica, con mejoras que oscilan entre el 5 y el 20 % para los nódulos considerados accionables y entre el 3 y el 15 % para aquellos que resultan ser malignos, en comparación con las lecturas realizadas sin asistencia tecnológica (10). Este aumento en la capacidad de detección permite una intervención clínica más temprana, lo cual es fundamental para mejorar el pronóstico del cáncer pulmonar. Sin embargo, este beneficio inicial puede verse acompañado de un aumento en los falsos positivos, lo que en una primera etapa podría disminuir la precisión global del diagnóstico (1).
En este marco, tanto las herramientas comerciales como las de investigación han sido objeto de análisis para determinar su utilidad en la práctica clínica. Plataformas como Aview v2.5 y ChestCTexplore han sido comparadas por su capacidad para detectar el volumen de los nódulos pulmonares, mostrando una fuerte concordancia en ese aspecto. No obstante, estas mismas herramientas han presentado una coincidencia moderada al momento de clasificar el riesgo de malignidad de los nódulos, lo que indica que aún existen desafíos en la estandarización de la estratificación del riesgo (11). En este sentido, las tecnologías basadas en radiómica, combinadas con inteligencia artificial, están siendo evaluadas por su potencial para mejorar la predicción del comportamiento de los nódulos y, por ende, para orientar mejor las decisiones clínicas (12).
El valor de la inteligencia artificial no se limita únicamente a la oncología pulmonar. Su integración en los flujos de trabajo radiológicos también ha comenzado a impactar positivamente el manejo de enfermedades pulmonares intersticiales. En estos casos, los sistemas automatizados permiten priorizar estudios radiográficos sospechosos y acelerar el acceso a tomografías computarizadas de seguimiento. Este tipo de optimización contribuye a reducir el tiempo de notificación y mejora la eficiencia general en el procesamiento de estudios radiológicos, lo cual es especialmente valioso en contextos de alta demanda (13).
Además, la inteligencia artificial ha probado ser de gran utilidad en el contexto de las infecciones pulmonares, incluyendo la COVID-19. Al detectar y cuantificar con precisión la afectación pulmonar, los modelos de IA no solo facilitan el diagnóstico precoz, sino que también permiten realizar un seguimiento clínico más preciso. Esta capacidad resulta crucial para ajustar tratamientos de manera oportuna y mejorar la gestión de recursos sanitarios durante situaciones de emergencia epidemiológica (13).
Otro campo donde la inteligencia artificial está comenzando a tener impacto es en el manejo de la enfermedad pulmonar obstructiva crónica (EPOC) y el enfisema. Actualmente, se están explorando modelos capaces de realizar evaluaciones automatizadas del volumen y la densidad pulmonar, parámetros esenciales para el diagnóstico y seguimiento de estas patologías crónicas. Este enfoque permite obtener mediciones más objetivas y reproducibles, lo que contribuye a una valoración más precisa de la progresión de la enfermedad y a una mejor planificación terapéutica (10).
Ventajas y limitaciones de la IA en el diagnóstico por TC:
La incorporación de la inteligencia artificial en el diagnóstico por tomografía computarizada ha traído consigo una serie de ventajas significativas que están transformando la práctica clínica radiológica. Una de las mejoras más destacadas es la reducción sustancial del tiempo necesario para el diagnóstico. Gracias a su capacidad para procesar grandes volúmenes de imágenes en cuestión de segundos, los algoritmos de inteligencia artificial pueden identificar anomalías con rapidez y precisión. Un ejemplo concreto de esta eficiencia se observa en la detección de embolias pulmonares incidentales, donde el uso de inteligencia artificial permitió reducir el porcentaje de casos no atendidos del 50 % al 7,1 %, lo que evidencia su impacto positivo en la atención oportuna de los pacientes (14).
Otra ventaja fundamental de la inteligencia artificial es su contribución a la estandarización de los informes radiológicos y al aumento de la reproducibilidad en los diagnósticos. A diferencia de las evaluaciones humanas, que pueden estar sujetas a variabilidad interobservador, las herramientas de IA ofrecen resultados consistentes, basados en patrones previamente aprendidos y ajustados. Un estudio que comparó la asistencia de IA con la lectura doble tradicional en la detección de fracturas costales demostró que los radiólogos asistidos por inteligencia artificial lograron una sensibilidad mejorada sin comprometer la especificidad, lo que sugiere que estos sistemas pueden complementar eficazmente la experiencia clínica (15).
Sin embargo, a pesar de estos avances, la implementación de la inteligencia artificial en el diagnóstico por tomografía computarizada no está exenta de limitaciones. Desde el punto de vista técnico, uno de los principales desafíos radica en la necesidad de grandes volúmenes de datos de entrenamiento representativos y diversos para garantizar un rendimiento adecuado de los modelos. La calidad y diversidad de estos conjuntos de datos son cruciales para evitar errores derivados del sesgo algorítmico, así como para minimizar problemas relacionados con las variantes anatómicas o los artefactos de imagen que pueden afectar la precisión diagnóstica. La falta de datos bien etiquetados y de amplia representación poblacional sigue siendo un obstáculo importante en el desarrollo de modelos robustos (16).
Además de los retos técnicos, existen importantes consideraciones éticas y legales asociadas con la utilización de inteligencia artificial en el entorno clínico. La privacidad de los datos de los pacientes es una de las principales preocupaciones, ya que el procesamiento automatizado de imágenes médicas requiere mecanismos de protección sólidos para evitar violaciones de confidencialidad. Asimismo, el uso de sistemas que puedan llegar a tomar decisiones diagnósticas sin intervención humana plantea preguntas críticas sobre la responsabilidad médica y la supervisión clínica. En este sentido, es fundamental que los marcos normativos evolucionen de manera paralela a la innovación tecnológica, de modo que se asegure una integración segura, ética y legalmente responsable de la inteligencia artificial en la práctica médica (16).
Integración clínica y perspectivas futuras:
La inteligencia artificial aplicada al diagnóstico por tomografía computarizada debe entenderse como una herramienta colaborativa y no como un reemplazo del radiólogo. Estas tecnologías están diseñadas para complementar el trabajo médico al encargarse de tareas repetitivas y del análisis de grandes volúmenes de datos, lo que permite a los especialistas concentrarse en los aspectos más complejos del diagnóstico y en la atención personalizada del paciente (17). Al trabajar en conjunto, la IA y los radiólogos pueden alcanzar mayores niveles de precisión y eficiencia diagnóstica. Gracias a su capacidad para identificar patrones sutiles y anomalías en las imágenes médicas con rapidez, la IA se convierte en un apoyo valioso en la toma de decisiones clínicas (18).
Para que esta colaboración sea efectiva, es necesario cumplir con ciertos requisitos en el proceso de implementación. Un despliegue exitoso de las herramientas de inteligencia artificial en los entornos hospitalarios requiere validaciones rigurosas y pruebas en condiciones clínicas reales que garanticen su confiabilidad y exactitud. Además, es imprescindible que estas soluciones se integren de manera fluida en los flujos de trabajo ya establecidos, evitando interrupciones en la práctica clínica y maximizando el valor que la tecnología puede aportar a los procesos diagnósticos. Asimismo, la retroalimentación continua y el monitoreo sistemático del desempeño de los sistemas de IA son fundamentales para adaptarlos a las necesidades cambiantes del entorno clínico y mantener altos estándares de rendimiento (17).
Otro factor clave para la adopción efectiva de estas herramientas es la construcción de confianza por parte de los profesionales de la salud. La transparencia en el funcionamiento de los algoritmos, la explicabilidad de los resultados generados por la IA y la asignación clara de responsabilidades son aspectos esenciales para asegurar que los médicos se sientan respaldados y no desplazados por estas tecnologías. Solo a través de una integración ética, clara y comprensible será posible promover su aceptación generalizada y su uso responsable (18).
Más allá del diagnóstico por imagen, la inteligencia artificial también está transformando áreas clave como la medicina personalizada y la predicción de riesgos. Una de sus grandes fortalezas es la capacidad de sintetizar información proveniente de múltiples fuentes, como imágenes, datos clínicos, registros electrónicos de salud y marcadores genéticos. Esta integración permite diseñar tratamientos más ajustados a los perfiles individuales de los pacientes, lo cual representa un avance significativo hacia la medicina de precisión. Además, mediante el análisis de datos históricos y en tiempo real, los algoritmos de IA pueden identificar patrones predictivos que revelan el riesgo de desarrollar determinadas patologías, lo que habilita intervenciones tempranas y preventivas que pueden cambiar el curso de la enfermedad antes de que se manifieste clínicamente (19).
Conclusiones:
La inteligencia artificial ha transformado el diagnóstico por tomografía computarizada pulmonar, al mejorar significativamente la sensibilidad en la detección de nódulos y patrones patológicos complejos. Su capacidad para procesar grandes volúmenes de datos en poco tiempo permite diagnósticos más rápidos y precisos, favoreciendo la intervención temprana en enfermedades como el cáncer de pulmón, la enfermedad pulmonar obstructiva crónica o la COVID-19.
A pesar de sus beneficios, la implementación de la inteligencia artificial presenta desafíos importantes, como la necesidad de conjuntos de datos diversos para evitar sesgos, así como consideraciones éticas y legales relacionadas con la privacidad de los pacientes y la supervisión clínica. La estandarización de los sistemas y la validación en entornos reales son condiciones indispensables para su uso confiable y seguro en la práctica médica.
El valor de la inteligencia artificial radica en su rol complementario al trabajo médico, no como sustituto del radiólogo. La colaboración entre la tecnología y los profesionales de la salud mejora la eficiencia diagnóstica, mientras que su aplicación en medicina personalizada y predicción de riesgos permite diseñar estrategias de tratamiento más precisas y anticipar complicaciones, lo que representa un avance clave hacia una atención sanitaria más proactiva e individualizada.
Referencias:
- Liu W, Wu Y, Zheng Z, Bittle M, Yu W, Kharrazi H. Enhancing Diagnostic Accuracy of Lung Nodules in Chest Computed Tomography Using Artificial Intelligence: Retrospective Analysis. Journal Of Medical Internet Research [Internet]. 27 de enero de 2025;27:e64649. Disponible en: https://doi.org/10.2196/64649
- Woodhouse P, Paez R, Meyers P, Lentz RJ, Shoajaee S, Sharp K, et al. Leveraging Artificial Intelligence as a Safety Net for Incidentally Identified Lung Nodules at a Tertiary Center. Journal Of The American College Of Surgeons [Internet]. 13 de enero de 2025b;. Disponible en: https://doi.org/10.1097/xcs.0000000000001275
- Li Y, Chen D, Zhang Y, Liu S, Liang L, Tan L, et al. Performance of Chest CT-Based Artificial Intelligence Models in Distinguishing Pulmonary Mucormycosis, Invasive Pulmonary Aspergillosis, and Pulmonary Tuberculosis. Medical Mycology [Internet]. 27 de diciembre de 2024c;63(1). Disponible en: https://doi.org/10.1093/mmy/myae123
- Miger K, Olesen AO, Orting S, Petersen J, De Bruijne M, Grand J, et al. Artificial intelligence to detect pulmonary congestion on chest computed tomography in consecutive dyspnoeic patients. European Heart Journal [Internet]. 1 de octubre de 2024;45(Supplement_1). Disponible en: https://doi.org/10.1093/eurheartj/ehae666.1004
- Piskorski L, Debic M, Von Stackelberg O, Schlamp K, Welzel L, Weinheimer O, et al. Malignancy risk stratification for pulmonary nodules: comparing a deep learning approach to multiparametric statistical models in different disease groups. European Radiology [Internet]. 2 de enero de 2025; Disponible en: https://doi.org/10.1007/s00330-024-11256-8
- Avanzo M, Stancanello J, Pirrone G, Drigo A, Retico A. The Evolution of Artificial Intelligence in Medical Imaging: From Computer Science to Machine and Deep Learning. Cancers [Internet]. 1 de noviembre de 2024b;16(21):3702. Disponible en: https://doi.org/10.3390/cancers16213702
- Kumar V, Singh A, Damasevicius R. Guest Editorial Artificial Intelligence-Driven Biomedical Imaging Systems for Precision Diagnostic Applications. IEEE Journal Of Biomedical And Health Informatics [Internet]. 1 de marzo de 2024;28(3):1158-60. Disponible en: https://doi.org/10.1109/jbhi.2024.3360759
- Prasad V, Verma A, Bhattacharya P, Shah S, Chowdhury S, Bhavsar M, et al. Revolutionizing healthcare: a comparative insight into deep learning’s role in medical imaging. Scientific Reports [Internet]. 4 de diciembre de 2024b;14(1). Disponible en: https://doi.org/10.1038/s41598-024-71358-7
- He B, Sun C, Li H, Wang Y, She Y, Zhao M, et al. Breaking boundaries in radiology: redefining AI diagnostics via raw data ahead of reconstruction. Physics In Medicine And Biology [Internet]. 15 de enero de 2024a;69(7):075015. Disponible en: https://doi.org/10.1088/1361-6560/ad1e7c
- Geppert J, Asgharzadeh A, Brown A, Stinton C, Helm EJ, Jayakody S, et al. Software using artificial intelligence for nodule and cancer detection in CT lung cancer screening: systematic review of test accuracy studies. Thorax [Internet]. 25 de septiembre de 2024;thorax-221662. Disponible en: https://doi.org/10.1136/thorax-2024-221662
- Kondrashova R, Klimeš F, Kaireit TF, May K, Barkhausen J, Stiebeler S, et al. Comparison of AI software tools for automated detection, quantification and categorization of pulmonary nodules in the HANSE LCS trial. Scientific Reports [Internet]. 13 de noviembre de 2024;14(1). Disponible en: https://doi.org/10.1038/s41598-024-78568-z
- Kim R, Yee C, Zeb S, Steltz J, Vickers AJ, Rendle KA, et al. Clinical Utility of an Artificial Intelligence Radiomics-based Tool for Risk Stratification of Pulmonary Nodules. JNCI Cancer Spectrum [Internet]. 18 de septiembre de 2024b;. Disponible en: https://doi.org/10.1093/jncics/pkae086
- Duncan S, McConnachie A, Blackwood J, Stobo D, Maclay J, Wu O, et al. Radiograph accelerated detection and identification of cancer in the lung (RADICAL): a mixed methods study to assess the clinical effectiveness and acceptability of Qure.ai artificial intelligence software to prioritise chest X-ray (CXR) interpretation. BMJ Open [Internet]. 1 de septiembre de 2024;14(9):e081062. Disponible en: https://doi.org/10.1136/bmjopen-2023-081062
- Graeve V, Laures S, Spirig A, Zaytoun H, Gregoriano C, Schuetz P, et al. Implementation of an AI Algorithm in Clinical Practice to Reduce Missed Incidental Pulmonary Embolisms on Chest CT and Its Impact on Short-Term Survival. Investigative Radiology [Internet]. 8 de octubre de 2024; Disponible en: https://doi.org/10.1097/rli.0000000000001122
- Sun L, Fan Y, Shi S, Sun M, Ma Y, Zhang K, et al. AI-assisted radiologists vs. standard double reading for rib fracture detection on CT images: A real-world clinical study. PLoS ONE [Internet]. 24 de enero de 2025b;20(1):e0316732. Disponible en: https://doi.org/10.1371/journal.pone.0316732
- Behzad S, Tabatabaei SMH, Lu MY, Eibschutz LS, Gholamrezanezhad A. Pitfalls in Interpretive Applications of Artificial Intelligence in Radiology. American Journal Of Roentgenology [Internet]. 24 de julio de 2024;223(4). Disponible en: https://doi.org/10.2214/ajr.24.31493
- Jiang S, Bukhari S, Krishnan A, Bera K, Sharma A, Caovan D, et al. Deployment of Artificial Intelligence in Radiology: Strategies for Success. American Journal Of Roentgenology [Internet]. 30 de octubre de 2024b;. Disponible en: https://doi.org/10.2214/ajr.24.31898
- Linguraru MG, Bakas S, Aboian M, Chang PD, Flanders AE, Kalpathy-Cramer J, et al. Clinical, Cultural, Computational, and Regulatory Considerations to Deploy AI in Radiology: Perspectives of RSNA and MICCAI Experts. Radiology Artificial Intelligence [Internet]. 1 de julio de 2024b;6(4). Disponible en: https://doi.org/10.1148/ryai.240225
- Artsi Y, Sorin V, Glicksberg BS, Nadkarni GN, Klang E. Advancing Clinical Practice: The Potential of Multimodal Technology in Modern Medicine. Journal Of Clinical Medicine [Internet]. 19 de octubre de 2024;13(20):6246. Disponible en: https://doi.org/10.3390/jcm13206246