Inicio > Radiodiagnóstico y Radioterapia > El papel de la inteligencia artificial en la interpretación de imágenes radiológicas: avances recientes y desafíos éticos

El papel de la inteligencia artificial en la interpretación de imágenes radiológicas: avances recientes y desafíos éticos

El papel de la inteligencia artificial en la interpretación de imágenes radiológicas: avances recientes y desafíos éticos

Autor principal: Alejandro Salas Henriquez

Vol. XX; nº 07; 312

The role of artificial intelligence in the interpretation of radiological images: recent advances and ethical challenges

Fecha de recepción: 6 de marzo de 2025

Fecha de aceptación: 3 de abril de 2025

Incluido en Revista Electrónica de PortalesMedicos.com Volumen XX. Número 07 Primera quincena de abril de 2025 – Página inicial: Vol. XX; nº 07; 312

Autores:

Alejandro Salas Henriquez, Médico General, Investigador Independiente, San José, Costa Rica. ORCID: https://orcid.org/0009-0007-7785-5145

Alina Fernanda Barboza Arias, Médico general, Investigadora Independiente, Alajuela, Costa Rica. ORCID: https://orcid.org/0000-0002-6897-2557

Gastón de Jesús Vega Salazar, Médico General, Investigador Independiente, San José, Costa Rica. ORCID: https://orcid.org/0000-0002-3011-5672

Esteban Gonzalez Nuñez, Médico General, Investigador Independiente, San José, Costa Rica. ORCID: https://orcid.org/0000-0003-4537-8114

Resumen

Este artículo revisa los avances recientes en la aplicación de la inteligencia artificial (IA) en la interpretación de imágenes radiológicas y explora los desafíos éticos y legales asociados con su implementación y posible uso diario en la práctica clínica. Se discuten los desarrollos en algoritmos de IA, su impacto en la precisión diagnóstica y la eficiencia clínica, y las implicaciones éticas relacionadas con la responsabilidad, la privacidad de los datos y la transformación de la profesión radiológica. Finalmente, se presentan recomendaciones para una integración ética y efectiva de la IA en la práctica clínica, destacando la importancia de la transparencia, la formación continua y la colaboración interdisciplinaria.

Palabras clave

inteligencia artificial, radiología, diagnóstico, ética, imágenes médicas

Abstract:

This article reviews recent advances in the application of artificial intelligence (AI) in the interpretation of radiological images and explores the ethical and legal challenges associated with its implementation and daily use in the clinical practice. The development of artificial intelligence algorithms, their impact on diagnostic accuracy and clinical efficiency, and ethical implications related to responsibility, data privacy, and the transformation of the medical and radiological profession as a whole, are examined. And to close the discussion, recommendations for the ethical and effective integration of artificial intelligence into clinical practice are presented, highlighting the importance of transparency, continuous education, and interdisciplinary collaboration.

Keywords:

artificial intelligence, radiology, diagnosis, ethics, medical imaging

Introducción

La inteligencia artificial (IA) ha emergido como una tecnología transformadora en diversas industrias, incluyendo la medicina, donde ha encontrado aplicaciones prometedoras en la radiología​. Desde el descubrimiento de los rayos X, la radiología ha sido una disciplina en la vanguardia de la adopción de tecnologías innovadoras. En la última década, el avance de la IA, especialmente a través del aprendizaje profundo y las redes neuronales convolucionales, ha permitido que estas tecnologías superen capacidades humanas en tareas específicas, como la detección de nódulos pulmonares y la clasificación de lesiones mamarias​. Este desarrollo ha generado un creciente interés en la comunidad médica, ya que la IA tiene el potencial de mejorar la precisión diagnóstica y optimizar los flujos de trabajo en la radiología.2,12

El objetivo de este artículo es revisar los avances recientes en la aplicación de la inteligencia artificial en la radiología, y explorar los desafíos éticos y legales que su implementación conlleva. Con el aumento en la adopción de IA en los entornos clínicos, es fundamental comprender no solo los beneficios tecnológicos, sino también las implicaciones éticas y legales que podrían afectar la práctica radiológica. Se discutirá cómo la IA está transformando la precisión diagnóstica y la eficiencia clínica, además de abordar las limitaciones actuales y los desafíos que presenta su implementación.

Este artículo se divide en varias secciones para proporcionar una visión comprensiva de la inteligencia artificial en la radiología. En la primera sección, se examinan los avances recientes en el desarrollo de algoritmos de IA y sus aplicaciones clínicas. A continuación, se evalúa el impacto de la IA en la práctica radiológica, incluyendo su efecto en la precisión diagnóstica y la colaboración hombre-máquina. Finalmente, se discuten los desafíos éticos y legales emergentes del uso de IA en radiología, tales como la responsabilidad en caso de errores diagnósticos y las preocupaciones sobre la privacidad de los datos de los pacientes.

Avances recientes en IA aplicada a la radiología

Desarrollo de algoritmos de IA

En la última década, el desarrollo de algoritmos de inteligencia artificial (IA) ha avanzado significativamente, especialmente en el campo de la radiología. Los algoritmos de aprendizaje profundo y las redes neuronales convolucionales (CNN) han revolucionado la manera en que se analizan las imágenes médicas, permitiendo la identificación y clasificación de patologías con una precisión sin precedentes. Un ejemplo notable es el uso de CNN en la detección de cáncer de mama, donde los algoritmos han demostrado una capacidad comparable e incluso superior a la de los radiólogos en ciertos escenarios.13

Además, el desarrollo de técnicas de aprendizaje por transferencia ha permitido a los modelos de IA mejorar su rendimiento utilizando datos pre-entrenados, lo que es especialmente útil en entornos clínicos donde los datos etiquetados son limitados. Estos avances no solo han optimizado la precisión diagnóstica, sino que también han acelerado el proceso de diagnóstico, lo que es crucial en entornos de alta demanda clínica.6

Aplicaciones clínicas

Las aplicaciones clínicas de la IA en radiología son cada vez más diversas. Un área de gran impacto es la detección automática de anomalías en imágenes, como nódulos pulmonares en tomografías computarizadas (TC) y microcalcificaciones en mamografías. Estas herramientas no solo ayudan a los radiólogos a identificar rápidamente las áreas de interés, sino que también priorizan los casos que requieren atención inmediata, mejorando así el flujo de trabajo y reduciendo la carga de trabajo de los profesionales.5

Otro avance significativo es la integración de la IA en los sistemas de gestión de imágenes, lo que permite un análisis más completo y rápido de los datos de los pacientes. Por ejemplo, en resonancia magnética (RM), los algoritmos de IA ahora pueden ayudar a mejorar la calidad de las imágenes y reducir el ruido, lo que resulta en diagnósticos más precisos. Además, la IA se está utilizando para generar imágenes sintéticas a partir de datos incompletos, lo que reduce la necesidad de exponer a los pacientes a dosis adicionales de radiación.8,15

Impacto en la eficiencia

La incorporación de la IA en la radiología ha tenido un impacto significativo en la eficiencia del diagnóstico. Los algoritmos de IA han permitido una reducción notable en el tiempo de interpretación de las imágenes, lo que es esencial en situaciones críticas donde el tiempo es un factor clave. Además, la capacidad de la IA para automatizar tareas repetitivas, como la segmentación de tejidos y la detección de anomalías, ha liberado tiempo valioso para los radiólogos, permitiéndoles enfocarse en casos más complejos.11

Un aspecto crucial es que la IA ha ayudado a disminuir la tasa de errores humanos en la interpretación de imágenes, lo que contribuye a mejorar la calidad del diagnóstico y la seguridad del paciente. Estos avances son particularmente importantes en países con una alta carga de trabajo para los radiólogos, donde la IA puede actuar como un aliado para mantener la calidad del servicio sin comprometer la velocidad del diagnóstico.14

Innovaciones en el flujo de trabajo y la gobernanza

A medida que la IA se adopta en la práctica clínica, se han desarrollado nuevas estructuras de gobernanza y flujos de trabajo para garantizar la implementación y el monitoreo adecuados de los algoritmos de IA. Instituciones de salud están estableciendo comités de gobernanza para supervisar la selección, adquisición e implementación de soluciones de IA, asegurando que estas tecnologías se integren de manera segura y efectiva en la práctica clínica. Este enfoque estructurado es esencial para manejar la complejidad creciente de las aplicaciones de IA y garantizar que estas tecnologías cumplan con los estándares clínicos y éticos necesarios.7

Impacto en la práctica clínica

Precisión diagnóstica

La inteligencia artificial (IA) ha demostrado un impacto significativo en la precisión diagnóstica dentro de la práctica radiológica. Los algoritmos de IA han mejorado notablemente la detección de patologías, lo que se traduce en diagnósticos más precisos y tratamientos más oportunos. Por ejemplo, en el ámbito de la radiología pediátrica, se han desarrollado aplicaciones de IA que no solo detectan con mayor precisión las enfermedades, sino que también reducen la necesidad de intervenciones innecesarias. Esto es especialmente importante en pacientes pediátricos, donde la exposición a radiación debe ser minimizada​.3

Además, la IA ha sido implementada para identificar hallazgos críticos en estudios radiológicos, como hemorragias intracraneales y oclusiones vasculares. Estos sistemas permiten alertar de inmediato a los radiólogos y equipos de intervención, reduciendo significativamente el tiempo entre la adquisición de imágenes y el tratamiento, lo que mejora los resultados clínicos. Un estudio demostró que la implementación de IA en el manejo de accidentes cerebrovasculares redujo el tiempo entre la angiografía por tomografía computarizada (CTA) y la intervención de 281 minutos a 243 minutos en promedio​.9

Colaboración hombre-máquina

La IA no solo ha mejorado la precisión diagnóstica, sino que también ha fomentado una colaboración más efectiva entre los radiólogos y las máquinas. Este trabajo conjunto ha permitido a los radiólogos concentrarse en casos más complejos, mientras que la IA maneja tareas más rutinarias o de menor complejidad. Por ejemplo, en la detección de tuberculosis en radiografías de tórax, la IA actúa como una herramienta de preselección, lo que permite a los radiólogos enfocarse en los casos positivos mientras se reduce la carga de trabajo en entornos con recursos limitados​.13

Esta colaboración también se ha extendido al proceso de informes radiológicos. La IA ha comenzado a automatizar la medición de lesiones y otros hallazgos anatómicos, lo que mejora la consistencia y precisión de los informes, al mismo tiempo que reduce el tiempo que los radiólogos deben dedicar a estas tareas. Este enfoque no solo aumenta la eficiencia, sino que también reduce la variabilidad entre observadores, un problema común en la interpretación radiológica​.10

Limitaciones actuales

A pesar de los avances extraordinarios, la implementación de IA en radiología aún enfrenta varias limitaciones. Uno de los desafíos más significativos es la necesidad de grandes volúmenes de datos para entrenar de manera efectiva los modelos de IA. Sin embargo, la calidad y la representatividad de estos datos pueden ser variables, lo que limita la generalización de los algoritmos. Además, existe una preocupación creciente sobre el «efecto de la caja negra» en la IA, donde las decisiones del algoritmo son difíciles de interpretar o justificar por los humanos. Esto plantea desafíos éticos y de responsabilidad, especialmente en casos donde los errores podrían tener consecuencias graves para el paciente​.1,3

Otra limitación es la integración de la IA en los flujos de trabajo clínicos existentes. Aunque la IA tiene el potencial de aumentar la eficiencia, su implementación puede requerir cambios significativos en la infraestructura tecnológica y en la formación del personal. Esto incluye la necesidad de sistemas de gobernanza que supervisen la implementación y monitoreo de los algoritmos de IA para garantizar que cumplan con los estándares clínicos y éticos necesarios​.9

Impacto en la eficiencia clínica

La IA ha mejorado la eficiencia en la práctica radiológica al reducir el tiempo de interpretación de imágenes y al automatizar tareas repetitivas. Un estudio reciente mostró que el uso de IA para priorizar los exámenes radiológicos críticos redujo los tiempos de respuesta de 80 minutos a 35-50 minutos, lo que permite una intervención más rápida en casos urgentes. Asimismo, la IA ha demostrado ser efectiva en la reducción del tiempo necesario para leer imágenes normales en comparación con los casos patológicos, lo que permite a los radiólogos dedicar más tiempo a los casos que requieren atención inmediata.4

Además, la IA ha contribuido a optimizar la planificación y programación de citas en radiología, lo que mejora la gestión del flujo de trabajo en entornos de alta demanda. La capacidad de la IA para predecir ausencias en citas y optimizar la programación ha demostrado ser útil para reducir la tasa de ausencias y mejorar la eficiencia general de las operaciones radiológicas.13

Privacidad y manejo de datos

Uno de los desafíos éticos más importantes relacionados con la implementación de IA en radiología es la privacidad y el manejo de datos de los pacientes. La IA depende en gran medida de grandes conjuntos de datos, lo que aumenta el riesgo de violaciones de la privacidad. Además, la transferencia y el almacenamiento de datos requieren un enfoque robusto para garantizar la seguridad de la información del paciente​.11

Desafíos éticos y consideraciones legales16

Responsabilidad y seguridad

El uso de la inteligencia artificial (IA) en radiología plantea importantes desafíos éticos y legales, especialmente en términos de responsabilidad y seguridad. A medida que los sistemas de IA se vuelven más autónomos, surge la pregunta de quién es responsable en caso de un error diagnóstico. Según un consenso internacional, la responsabilidad última debe recaer en los diseñadores humanos y operadores de los sistemas de IA, ya que la tecnología aún carece de la capacidad para asumir decisiones morales o legales​.

Los errores cometidos por sistemas de IA pueden tener consecuencias graves, especialmente cuando se utilizan en entornos clínicos donde las decisiones rápidas son cruciales​. La IA puede amplificar los riesgos sistémicos de daño si no se implementa con los controles y la supervisión adecuados​​. Por lo tanto, es esencial que se establezcan marcos regulatorios y códigos de ética para guiar el desarrollo y la implementación de la IA en radiología​. Estos marcos deben asegurar que la tecnología se utilice de manera que promueva el bienestar de los pacientes y minimice el daño​.

Privacidad y manejo de datos

La ética de los datos es un componente fundamental de la IA en radiología, dado que el desarrollo de estos sistemas depende en gran medida de la recolección y el manejo de grandes volúmenes de datos. Los radiólogos tienen la obligación moral de utilizar los datos que recogen de manera que beneficie a los pacientes y mejore la práctica médica​. Sin embargo, también deben proteger esos datos contra usos indebidos que podrían perjudicar a los pacientes o comprometer la confidencialidad​​.

La privacidad y la protección de los datos son particularmente preocupantes en el contexto de la IA, ya que la comercialización de estos datos podría generar presiones para que se compartan de manera no ética. Además, la transparencia en el uso de datos y la obtención de consentimiento informado son esenciales para mantener la confianza de los pacientes en la tecnología​​. Este desafío se complica aún más por la necesidad de equilibrar la transparencia con la protección de la propiedad intelectual y la seguridad contra ataques maliciosos​​.

Impacto en la profesión médica

El avance de la IA también plantea preguntas sobre el futuro de la profesión radiológica. La automatización de ciertas tareas podría reducir la demanda de radiólogos en algunas áreas, mientras que, en otras, la IA podría aumentar la necesidad de expertos que supervisen y validen los resultados generados por máquinas. Este cambio podría exacerbar las desigualdades existentes entre las instituciones con acceso a tecnología avanzada y aquellas que carecen de recursos suficientes​​.

Además, la dependencia de la IA podría llevar a un sesgo de automatización, donde los radiólogos confían excesivamente en las decisiones generadas por máquinas, lo que podría resultar en errores si la tecnología falla​. Este riesgo es particularmente alto en entornos con recursos limitados, donde la supervisión humana puede ser menos rigurosa​​. Por lo tanto, es crucial que los radiólogos mantengan un rol activo en la toma de decisiones y que se desarrollen estrategias para mitigar los riesgos asociados con la automatización​​.

Consideraciones legales

Desde un punto de vista legal, la implementación de la IA en radiología introduce complejidades adicionales en términos de responsabilidad por daños. Aunque la responsabilidad última recae en los humanos, el desarrollo de marcos legales para abordar las fallas de la IA es aún incipiente. La creación de sistemas de responsabilidad que puedan abordar de manera justa y eficaz los daños causados por la IA en la práctica clínica es un desafío continuo​​.

Es probable que surjan diferentes modelos de responsabilidad para distintos entornos y formas de IA. A medida que estos sistemas se implementan en la práctica clínica, será necesario evaluar continuamente su eficacia y seguridad, y ajustar los marcos legales y éticos en consecuencia​​.

Discusión

Reflexión sobre los avances

Los avances en inteligencia artificial (IA) aplicada a la radiología han demostrado un impacto significativo en la práctica clínica, ofreciendo mejoras en la precisión diagnóstica, la eficiencia y la capacidad para manejar grandes volúmenes de datos. La capacidad de la IA para procesar y analizar imágenes médicas con una rapidez y precisión que a menudo superan a la de los humanos ha sido fundamental para su integración en entornos clínicos​​. Sin embargo, estos avances no están exentos de desafíos y limitaciones. A pesar de los logros en la mejora del flujo de trabajo y la precisión diagnóstica, la necesidad de grandes volúmenes de datos para entrenar modelos y la posible falta de generalización de los algoritmos plantean preocupaciones significativas.​1,5,7,9,16

Además, la dependencia creciente de la IA en radiología ha llevado a un cambio en la dinámica entre humanos y máquinas. Si bien la colaboración hombre-máquina ha demostrado ser beneficiosa, existe el riesgo de un sesgo de automatización, donde los radiólogos podrían confiar excesivamente en las decisiones generadas por la IA, lo que podría conducir a errores diagnósticos si la tecnología falla.​11,16

Proyección futura

El futuro de la IA en radiología es prometedor, con desarrollos continuos que probablemente mejorarán aún más su capacidad para detectar y diagnosticar enfermedades con mayor precisión y eficiencia. A medida que los algoritmos se vuelven más sofisticados, es probable que veamos una integración más profunda de la IA en la práctica radiológica diaria, no solo en la interpretación de imágenes, sino también en la generación de informes y la gestión de datos​.1,8, 9

Sin embargo, para que la IA alcance su máximo potencial en radiología, será crucial abordar las limitaciones actuales. Esto incluye la necesidad de desarrollar modelos que sean más transparentes y explicables, para que los radiólogos puedan comprender y confiar plenamente en las decisiones tomadas por la IA​. Además, será esencial que la comunidad radiológica participe activamente en el desarrollo de estándares y códigos de ética que guíen el uso de la IA, asegurando que se utilice de manera justa y equitativa​.13, 14

Recomendaciones

Para integrar de manera ética y efectiva la IA en la radiología, se deben considerar varias recomendaciones clave. Primero, es fundamental que los desarrolladores y usuarios de IA trabajen juntos para crear sistemas más transparentes y comprensibles. La capacidad de explicar cómo y por qué la IA toma ciertas decisiones es crucial para la aceptación y confianza de los profesionales de la salud​.10, 16

Además, se debe priorizar la educación y formación de los radiólogos en el uso de la IA. A medida que estas tecnologías se vuelven más prevalentes, es esencial que los radiólogos comprendan no solo cómo utilizar estas herramientas, sino también los posibles sesgos y limitaciones que podrían afectar sus decisiones clínicas​​. Asimismo, se debe fomentar la colaboración interdisciplinaria para abordar los desafíos éticos y legales, asegurando que las soluciones de IA se desarrollen y utilicen de manera que maximicen los beneficios y minimicen los riesgos​​.15,16

Finalmente, es crucial que se establezcan mecanismos robustos de monitoreo y evaluación para asegurar que los sistemas de IA continúen funcionando como se espera una vez implementados en la práctica clínica​​. Esto incluye la creación de protocolos para la gestión de datos y la seguridad, así como la implementación de salvaguardas contra posibles fallos o ataques maliciosos​​.16

Conclusiones

La integración de la inteligencia artificial (IA) en la radiología representa uno de los avances más significativos en la medicina moderna. A lo largo de este artículo, hemos explorado cómo la IA ha transformado la práctica radiológica, mejorando la precisión diagnóstica, la eficiencia clínica y la capacidad para manejar grandes volúmenes de datos con una rapidez sin precedentes. Estos avances no solo han permitido una detección más temprana y precisa de patologías, sino que también han optimizado el flujo de trabajo y han aliviado la carga de los radiólogos, permitiéndoles concentrarse en casos más complejos.

Sin embargo, este progreso no está exento de desafíos. La necesidad de grandes volúmenes de datos, el riesgo de sesgos en los algoritmos y las cuestiones éticas relacionadas con la responsabilidad y la privacidad son áreas que requieren una atención continua. La colaboración entre desarrolladores, profesionales de la salud y reguladores será crucial para abordar estos desafíos y asegurar que la IA se utilice de manera ética y efectiva en la radiología.

Mirando hacia el futuro, es evidente que la IA seguirá desempeñando un papel central en la evolución de la radiología. La clave para maximizar sus beneficios radica en un enfoque equilibrado que combine el entusiasmo por la tecnología con una reflexión cuidadosa sobre sus implicaciones éticas y legales. Para lograr esto, es fundamental que se establezcan estándares claros, se promueva la educación continua de los radiólogos en el uso de IA, y se desarrollen sistemas más transparentes y explicables que permitan a los profesionales de la salud confiar plenamente en estas herramientas.

En conclusión, la inteligencia artificial tiene el potencial de redefinir la radiología y mejorar significativamente los resultados para los pacientes. Sin embargo, su éxito dependerá de nuestra capacidad para integrarla de manera responsable, asegurando que su implementación beneficie a todos los involucrados y que los riesgos sean gestionados de manera eficaz. La radiología, como campo, debe continuar avanzando hacia un futuro en el que la tecnología y la ética coexistan en armonía, garantizando así que la IA se utilice para el bien común.

Referencias

  1. Syed AB, Zoga AC. Artificial Intelligence in Radiology: Current Technology and Future Directions. Semin Musculoskelet Radiol. 2018 Nov;22(5):540-545. doi: 10.1055/s-0038-1673383. Epub 2018 Nov 6. PMID: 30399618.
  2. Gore JC. Artificial intelligence in medical imaging. Magn Reson Imaging. 2020 May;68:A1-A4. doi: 10.1016/j.mri.2019.12.006. Epub 2019 Dec 16. PMID: 31857130.
  3. Gallée L, Kniesel H, Ropinski T, Götz M. Artificial intelligence in radiology – beyond the black box. Rofo. 2023 Sep;195(9):797-803. English, German. doi: 10.1055/a-2076-6736. Epub 2023 May 9. PMID: 37160147.
  4. Katzman BD, van der Pol CB, Soyer P, Patlas MN. Artificial intelligence in emergency radiology: A review of applications and possibilities. Diagn Interv Imaging. 2023 Jan;104(1):6-10. doi: 10.1016/j.diii.2022.07.005. Epub 2022 Aug 4. PMID: 35933269.
  5. Kelly BS, Judge C, Bollard SM, Clifford SM, Healy GM, Aziz A, Mathur P, Islam S, Yeom KW, Lawlor A, Killeen RP. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE). Eur Radiol. 2022 Nov;32(11):7998-8007. doi: 10.1007/s00330-022-08784-6. Epub 2022 Apr 14. Erratum in: Eur Radiol. 2022 Nov;32(11):8054. doi: 10.1007/s00330-022-08832-1. PMID: 35420305; PMCID: PMC9668941.
  6. Sorantin E, Grasser MG, Hemmelmayr A, Tschauner S, Hrzic F, Weiss V, Lacekova J, Holzinger A. The augmented radiologist: artificial intelligence in the practice of radiology. Pediatr Radiol. 2022 Oct;52(11):2074-2086. doi: 10.1007/s00247-021-05177-7. Epub 2021 Oct 19. PMID: 34664088; PMCID: PMC9537212.
  7. Mello-Thoms C, Mello CAB. Clinical applications of artificial intelligence in radiology. Br J Radiol. 2023 Oct;96(1150):20221031. doi: 10.1259/bjr.20221031. Epub 2023 Apr 26. PMID: 37099398; PMCID: PMC10546456.
  8. Richardson ML, Garwood ER, Lee Y, Li MD, Lo HS, Nagaraju A, Nguyen XV, Probyn L, Rajiah P, Sin J, Wasnik AP, Xu K. Noninterpretive Uses of Artificial Intelligence in Radiology. Acad Radiol. 2021 Sep;28(9):1225-1235. doi: 10.1016/j.acra.2020.01.012. Epub 2020 Feb 12. PMID: 32059956.
  9. van Leeuwen KG, de Rooij M, Schalekamp S, van Ginneken B, Rutten MJCM. How does artificial intelligence in radiology improve efficiency and health outcomes? Pediatr Radiol. 2022 Oct;52(11):2087-2093. doi: 10.1007/s00247-021-05114-8. Epub 2021 Jun 12. PMID: 34117522; PMCID: PMC9537124.
  10. Hardy M, Harvey H. Artificial intelligence in diagnostic imaging: impact on the radiography profession. Br J Radiol. 2020 Apr;93(1108):20190840. doi: 10.1259/bjr.20190840. Epub 2019 Dec 16. PMID: 31821024; PMCID: PMC7362930.
  11. Banerjee I, Bhattacharjee K, Burns JL, Trivedi H, Purkayastha S, Seyyed-Kalantari L, Patel BN, Shiradkar R, Gichoya J. «Shortcuts» Causing Bias in Radiology Artificial Intelligence: Causes, Evaluation, and Mitigation. J Am Coll Radiol. 2023 Sep;20(9):842-851. doi: 10.1016/j.jacr.2023.06.025. Epub 2023 Jul 27. PMID: 37506964; PMCID: PMC11192466.
  12. Sogani J, Allen B Jr, Dreyer K, McGinty G. Artificial intelligence in radiology: the ecosystem essential to improving patient care. Clin Imaging. 2020 Jan;59(1):A3-A6. doi: 10.1016/j.clinimag.2019.08.001. Epub 2019 Aug 31. PMID: 31481284.
  13. Daye D, Wiggins WF, Lungren MP, Alkasab T, Kottler N, Allen B, Roth CJ, Bizzo BC, Durniak K, Brink JA, Larson DB, Dreyer KJ, Langlotz CP. Implementation of Clinical Artificial Intelligence in Radiology: Who Decides and How? Radiology. 2022 Dec;305(3):555-563. doi: 10.1148/radiol.212151. Epub 2022 Aug 2. Erratum in: Radiology. 2022 Oct;305(1):E62. doi: 10.1148/radiol.229021. PMID: 35916673; PMCID: PMC9713445.
  14. Tariq A, Purkayastha S, Padmanaban GP, Krupinski E, Trivedi H, Banerjee I, Gichoya JW. Current Clinical Applications of Artificial Intelligence in Radiology and Their Best Supporting Evidence. J Am Coll Radiol. 2020 Nov;17(11):1371-1381. doi: 10.1016/j.jacr.2020.08.018. PMID: 33153541.
  15. Weikert T, Cyriac J, Yang S, Nesic I, Parmar V, Stieltjes B. A Practical Guide to Artificial Intelligence-Based Image Analysis in Radiology. Invest Radiol. 2020 Jan;55(1):1-7. doi: 10.1097/RLI.0000000000000600. PMID: 31503083.
  16. Geis JR, Brady AP, Wu CC, Spencer J, Ranschaert E, Jaremko JL, Langer SG, Kitts AB, Birch J, Shields WF, van den Hoven van Genderen R, Kotter E, Gichoya JW, Cook TS, Morgan MB, Tang A, Safdar NM, Kohli M. Ethics of Artificial Intelligence in Radiology: Summary of the Joint European and North American Multisociety Statement. Can Assoc Radiol J. 2019 Nov;70(4):329-334. doi: 10.1016/j.carj.2019.08.010. Epub 2019 Oct 1. PMID: 31585825.

Declaración de buenas prácticas:

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.