Vol. 12/ Núm. 3 2025 pág. 369
https://doi.org/10.69639/arandu.v12i3.1309
El rol del radiólogo con la implementación de la inteligencia
artificial
The role of the radiologist with the implementation of artificial intelligence
Verónica Maribel Álvarez Córdova
valvarezgp@yahoo.es
https://orcid.org/0000-0002-8008-1319
Médica-Magister en Ciencias Biomédicas Mención Ciencias Básicas
Universidad Técnica de Ambato
Ambato - Ecuador
Artículo recibido: 18 junio 2025 - Aceptado para publicación: 28 julio 2025
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La inteligencia artificial ha ganado un importante campo en la actualidad se aplica en múltiples
ramas y no podría quedar de lado las ciencias de interpretación por imágenes donde su
implementación se a instaurado rápidamente y convirtiéndose en una herramienta útil en la
atención médica, en particular en radiología, donde ofrece importantes oportunidades para
mejorar la precisión diagnóstica y la eficiencia del flujo de trabajo. La inteligencia artificial es
capaz de reconocer patrones, procesar datos y ejecutar tareas de manera eficiente. En las
diferentes tareas del imagenologo ha revolucionado las prácticas tradicionales al automatizar los
análisis y reducir la subjetividad. Si bien los radiólogos tradicionalmente se basan en la
experiencia y la evaluación visual para detectar y monitorear anomalías, este enfoque puede verse
limitado por la variabilidad, la fatiga y el sesgo. La inteligencia artificial complementa a los
radiólogos de una manera eficiente, al proporcionar evaluaciones objetivas y cuantitativas, lo que
permite la detección temprana de enfermedades, la clasificación de lesiones y la segmentación de
imágenes con mayor velocidad y precisión. A pesar de su potencial, el rendimiento actual de la
inteligencia artificial sigue siendo específico para cada tarea, lo que requiere supervisión humana
para garantizar la precisión y la fiabilidad, especialmente en casos ambiguos. Es necesario abordar
desafíos como el sesgo de algoritmos, las consideraciones éticas y los obstáculos regulatorios para
garantizar la generalización, la transparencia y la confianza del paciente. Los radiólogos
desempeñan un papel fundamental en la validación de las herramientas de inteligencia artificial y
en la promoción de su implementación responsable, garantizando que mejore los flujos de trabajo
clínicos sin comprometer la conexión humana esencial en la atención médica.
Palabras clave: inteligencia artificial, pruebas de imagen, precisión diagnóstica
Vol. 12/ Núm. 3 2025 pág. 370
ABSTRACT
Artificial intelligence has gained significant ground. It is currently applied in multiple branches
and cannot be left out in the imaging sciences, where its implementation has rapidly established
itself and is becoming a useful tool in healthcare, particularly in radiology, where it offers
significant opportunities to improve diagnostic accuracy and workflow efficiency. Artificial
intelligence is capable of recognizing patterns, processing data, and efficiently executing tasks.
In various imaging tasks, it has revolutionized traditional practices by automating analyses and
reducing subjectivity. While radiologists traditionally rely on experience and visual assessment
to detect and monitor anomalies, this approach can be limited by variability, fatigue, and bias.
Artificial intelligence effectively complements radiologists by providing objective and
quantitative assessments, enabling early disease detection, lesion classification, and image
segmentation with increased speed and accuracy. Despite its potential, current AI performance
remains task-specific, requiring human oversight to ensure accuracy and reliability, especially in
ambiguous cases. Challenges such as algorithm bias, ethical considerations, and regulatory
hurdles need to be addressed to ensure generalizability, transparency, and patient trust.
Radiologists play a critical role in validating AI tools and promoting their responsible
implementation, ensuring they improve clinical workflows without compromising the essential
human connection in healthcare.
Keywords: artificial intelligence, imaging, diagnostic accuracy
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
ABSTRACT
Artificial intelligence has gained significant ground. It is currently applied in multiple branches
and cannot be left out in the imaging sciences, where its implementation has rapidly established
itself and is becoming a useful tool in healthcare, particularly in radiology, where it offers
significant opportunities to improve diagnostic accuracy and workflow efficiency. Artificial
intelligence is capable of recognizing patterns, processing data, and efficiently executing tasks.
In various imaging tasks, it has revolutionized traditional practices by automating analyses and
reducing subjectivity. While radiologists traditionally rely on experience and visual assessment
to detect and monitor anomalies, this approach can be limited by variability, fatigue, and bias.
Artificial intelligence effectively complements radiologists by providing objective and
quantitative assessments, enabling early disease detection, lesion classification, and image
segmentation with increased speed and accuracy. Despite its potential, current AI performance
remains task-specific, requiring human oversight to ensure accuracy and reliability, especially in
ambiguous cases. Challenges such as algorithm bias, ethical considerations, and regulatory
hurdles need to be addressed to ensure generalizability, transparency, and patient trust.
Radiologists play a critical role in validating AI tools and promoting their responsible
implementation, ensuring they improve clinical workflows without compromising the essential
human connection in healthcare.
Keywords: artificial intelligence, imaging, diagnostic accuracy
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 3 2025 pág. 371
INTRODUCCIÓN
La inteligencia artificial (IA) se ha consolidado rápidamente como una tecnología que ha
generado mucha curiosidad y ayuda en diversos sectores, siendo la atención médica desde el
contacto primario hasta la más alta especialidad médica. La IA se define, en términos generales,
como una entidad artificial capaz de percibir su entorno, reconocer patrones, planificar y ejecutar
acciones, y realizar razonamiento inductivo (Rezazade, 2021).Esta definición engloba la
capacidad de la IA para imitar las funciones cognitivas humanas, lo que le permite procesar
grandes cantidades de datos, obtener información y tomar decisiones informadas. En el contexto
de la atención médica, la IA ha revolucionado áreas como el descubrimiento de fármacos, la
monitorización remota de pacientes, el análisis predictivo, el diagnóstico médico, la
imagenología, la gestión de riesgos y las operaciones hospitalarias. Su capacidad de computación
de alta velocidad, reconocimiento de patrones y automatización la hace especialmente adecuada
para disciplinas con uso intensivo de datos, como la radiología.
La radiología, como especialidad, se basa en gran medida en la imagenología y la toma de
decisiones basada en datos para detectar, diagnosticar y monitorear enfermedades.
Tradicionalmente, los radiólogos evalúan imágenes médicas utilizando su experiencia,
capacitación y análisis visual para detectar anomalías como tumores, lesiones o patologías
orgánicas. Si bien este enfoque humano ha sido eficaz, es inherentemente subjetivo y propenso a
la variabilidad entre los observadores. Factores como la fatiga, el sesgo o la exposición limitada
a patologías raras pueden influir en la precisión diagnóstica (Hosny A, 2018). En este sentido, la
IA ofrece una solución transformadora al proporcionar evaluaciones objetivas, automatizadas y
reproducibles de imágenes médicas. La IA analiza patrones complejos dentro de los datos de
imágenes, puede complementar la experiencia de los radiólogos, mejorando la precisión
diagnóstica y reduciendo el error humano.
La integración de la IA en los flujos de trabajo de radiología ha demostrado un gran
potencial para mejorar la atención al paciente. La IA puede analizar conjuntos de datos masivos
en una fracción del tiempo que le toma a un humano un mayor tiempo y esfuerzo, pudiendo
generar diagnósticos erróneos, ofreciendo información en tiempo real que facilita la detección
temprana de enfermedades, la estratificación del riesgo y la planificación personalizada del
tratamiento. Por ejemplo, los algoritmos basados en IA en mamografía pueden detectar signos
sutiles de cáncer de mama con una precisión que rivaliza con la de radiólogos experimentados.
Además, las herramientas de IA agilizan la segmentación de imágenes, automatizan la
clasificación de lesiones y optimizan los protocolos de imagen, lo que resulta en flujos de trabajo
más eficientes y tiempos de respuesta diagnósticos más cortos (Derevianko A, 2023). Al aliviar
la carga de trabajo de los radiólogos y mitigar la fatiga cognitiva causada por tareas repetitivas,
INTRODUCCIÓN
La inteligencia artificial (IA) se ha consolidado rápidamente como una tecnología que ha
generado mucha curiosidad y ayuda en diversos sectores, siendo la atención médica desde el
contacto primario hasta la más alta especialidad médica. La IA se define, en términos generales,
como una entidad artificial capaz de percibir su entorno, reconocer patrones, planificar y ejecutar
acciones, y realizar razonamiento inductivo (Rezazade, 2021).Esta definición engloba la
capacidad de la IA para imitar las funciones cognitivas humanas, lo que le permite procesar
grandes cantidades de datos, obtener información y tomar decisiones informadas. En el contexto
de la atención médica, la IA ha revolucionado áreas como el descubrimiento de fármacos, la
monitorización remota de pacientes, el análisis predictivo, el diagnóstico médico, la
imagenología, la gestión de riesgos y las operaciones hospitalarias. Su capacidad de computación
de alta velocidad, reconocimiento de patrones y automatización la hace especialmente adecuada
para disciplinas con uso intensivo de datos, como la radiología.
La radiología, como especialidad, se basa en gran medida en la imagenología y la toma de
decisiones basada en datos para detectar, diagnosticar y monitorear enfermedades.
Tradicionalmente, los radiólogos evalúan imágenes médicas utilizando su experiencia,
capacitación y análisis visual para detectar anomalías como tumores, lesiones o patologías
orgánicas. Si bien este enfoque humano ha sido eficaz, es inherentemente subjetivo y propenso a
la variabilidad entre los observadores. Factores como la fatiga, el sesgo o la exposición limitada
a patologías raras pueden influir en la precisión diagnóstica (Hosny A, 2018). En este sentido, la
IA ofrece una solución transformadora al proporcionar evaluaciones objetivas, automatizadas y
reproducibles de imágenes médicas. La IA analiza patrones complejos dentro de los datos de
imágenes, puede complementar la experiencia de los radiólogos, mejorando la precisión
diagnóstica y reduciendo el error humano.
La integración de la IA en los flujos de trabajo de radiología ha demostrado un gran
potencial para mejorar la atención al paciente. La IA puede analizar conjuntos de datos masivos
en una fracción del tiempo que le toma a un humano un mayor tiempo y esfuerzo, pudiendo
generar diagnósticos erróneos, ofreciendo información en tiempo real que facilita la detección
temprana de enfermedades, la estratificación del riesgo y la planificación personalizada del
tratamiento. Por ejemplo, los algoritmos basados en IA en mamografía pueden detectar signos
sutiles de cáncer de mama con una precisión que rivaliza con la de radiólogos experimentados.
Además, las herramientas de IA agilizan la segmentación de imágenes, automatizan la
clasificación de lesiones y optimizan los protocolos de imagen, lo que resulta en flujos de trabajo
más eficientes y tiempos de respuesta diagnósticos más cortos (Derevianko A, 2023). Al aliviar
la carga de trabajo de los radiólogos y mitigar la fatiga cognitiva causada por tareas repetitivas,
Vol. 12/ Núm. 3 2025 pág. 372
la IA permite a los médicos centrarse en casos complejos que requieren razonamiento complejo
y toma de decisiones clínicas.
Sin embargo, si bien la IA ha logrado avances sustanciales en radiología, su rendimiento a
menudo requiere supervisión humana para garantizar la precisión y la fiabilidad. Las herramientas
de segmentación de imágenes automatizadas y semiautomatizadas, son potentes, pero aún pueden
producir errores o requerir mejoras, especialmente en casos complejos o ambiguos. Además, la
competencia de la IA se limita a dominios específicos de cada tarea, careciendo de la comprensión
matizada y el razonamiento contextual que poseen los radiólogos humanos. Por estas razones, la
IA se conceptualiza mejor como una herramienta de apoyo que complementa, en lugar de
reemplazar, las funciones de los radiólogos.
Las aplicaciones de la IA en radiología van más allá del diagnóstico por imagen. La IA ha
sido fundamental para optimizar los protocolos de imagenología, predecir los resultados de los
pacientes y mejorar la eficiencia del flujo de trabajo. Los modelos predictivos basados en IA
pueden integrar los hallazgos de imagenología con datos clínicos y genómicos para proporcionar
información práctica, encontrando el camino hacia la medicina de precisión (Noguerol MT,
2019). Además, la IA facilita la detección temprana de enfermedades y la estratificación del
riesgo, lo que permite una intervención oportuna y un mejor pronóstico en afecciones como el
cáncer de pulmón, las enfermedades cardiovasculares y los trastornos neurodegenerativos.
A pesar de su potencial, la integración de la IA en radiología presenta una serie de desafíos.
Estos incluyen limitaciones técnicas, consideraciones éticas, obstáculos regulatorios y la
necesidad de procesos de validación amplios. El sesgo en los conjuntos de datos de entrenamiento
puede obstaculizar el rendimiento de la IA, lo que genera desigualdades entre diferentes
poblaciones. Garantizar que los algoritmos de IA sean transparentes, generalizables e imparciales
sigue siendo una prioridad fundamental. Además, es necesario abordar las preocupaciones en
torno a la rendición de cuentas, la privacidad del paciente y la implementación ética para fomentar
la confianza entre profesionales clínicos y pacientes. Los radiólogos desempeñan un papel
fundamental en este proceso, actuando como defensores, desarrolladores y guardianes de las
tecnologías de IA para garantizar su integración exitosa y responsable en la práctica clínica.
Si bien la IA puede reducir la carga de trabajo humana, debe preservarse el papel
insustituible del radiólogo en la interpretación de los hallazgos de las imágenes en el contexto
clínico, la comunicación de los resultados y el mantenimiento de la relación médico-paciente. Las
aplicaciones de IA se centran en tareas relacionadas con la percepción y el razonamiento dentro
del flujo de trabajo radiológico, mientras que solo un número limitado de herramientas aborda
tareas como la administración y la generación de informes. Las siguientes secciones explorarán
las funcionalidades que estas aplicaciones de IA ofrecen para respaldar diversas tareas
radiológicas.
la IA permite a los médicos centrarse en casos complejos que requieren razonamiento complejo
y toma de decisiones clínicas.
Sin embargo, si bien la IA ha logrado avances sustanciales en radiología, su rendimiento a
menudo requiere supervisión humana para garantizar la precisión y la fiabilidad. Las herramientas
de segmentación de imágenes automatizadas y semiautomatizadas, son potentes, pero aún pueden
producir errores o requerir mejoras, especialmente en casos complejos o ambiguos. Además, la
competencia de la IA se limita a dominios específicos de cada tarea, careciendo de la comprensión
matizada y el razonamiento contextual que poseen los radiólogos humanos. Por estas razones, la
IA se conceptualiza mejor como una herramienta de apoyo que complementa, en lugar de
reemplazar, las funciones de los radiólogos.
Las aplicaciones de la IA en radiología van más allá del diagnóstico por imagen. La IA ha
sido fundamental para optimizar los protocolos de imagenología, predecir los resultados de los
pacientes y mejorar la eficiencia del flujo de trabajo. Los modelos predictivos basados en IA
pueden integrar los hallazgos de imagenología con datos clínicos y genómicos para proporcionar
información práctica, encontrando el camino hacia la medicina de precisión (Noguerol MT,
2019). Además, la IA facilita la detección temprana de enfermedades y la estratificación del
riesgo, lo que permite una intervención oportuna y un mejor pronóstico en afecciones como el
cáncer de pulmón, las enfermedades cardiovasculares y los trastornos neurodegenerativos.
A pesar de su potencial, la integración de la IA en radiología presenta una serie de desafíos.
Estos incluyen limitaciones técnicas, consideraciones éticas, obstáculos regulatorios y la
necesidad de procesos de validación amplios. El sesgo en los conjuntos de datos de entrenamiento
puede obstaculizar el rendimiento de la IA, lo que genera desigualdades entre diferentes
poblaciones. Garantizar que los algoritmos de IA sean transparentes, generalizables e imparciales
sigue siendo una prioridad fundamental. Además, es necesario abordar las preocupaciones en
torno a la rendición de cuentas, la privacidad del paciente y la implementación ética para fomentar
la confianza entre profesionales clínicos y pacientes. Los radiólogos desempeñan un papel
fundamental en este proceso, actuando como defensores, desarrolladores y guardianes de las
tecnologías de IA para garantizar su integración exitosa y responsable en la práctica clínica.
Si bien la IA puede reducir la carga de trabajo humana, debe preservarse el papel
insustituible del radiólogo en la interpretación de los hallazgos de las imágenes en el contexto
clínico, la comunicación de los resultados y el mantenimiento de la relación médico-paciente. Las
aplicaciones de IA se centran en tareas relacionadas con la percepción y el razonamiento dentro
del flujo de trabajo radiológico, mientras que solo un número limitado de herramientas aborda
tareas como la administración y la generación de informes. Las siguientes secciones explorarán
las funcionalidades que estas aplicaciones de IA ofrecen para respaldar diversas tareas
radiológicas.
Vol. 12/ Núm. 3 2025 pág. 373
Figura 1
Las aplicaciones de IA brindan apoyo a diversas tareas de radiología
MATERIALES Y MÉTODOS
Es un estudio descriptivo-exploratorio tipo revisión bibliográfica. Se analizaron estudios
desde el año 2018 hasta 2025 en bases de datos electrónicos como PUBMED, ELSEVIER,
y Web of Science utilizando revisiones en el idioma inglés. Las palabras clave utilizadas en la
búsqueda MesH fueron: Inteligencia artificial; Pruebas de imagen; Precisión diagnóstica. Se
aplicó el método PRISMA utilizando criterios de inclusión: términos de búsqueda, nivel de
evidencia, resúmenes y palabras claves, criterios de exclusión: no relaciones al tópico, fuera de
límite de años, no disponibles; se clasificaron por año, tipo de estudio y nivel de evidencia. Se
tomaron un total de 15 bibliografías las cuales contaban con alto nivel de impacto y cumplían con
nuestros criterios de inclusión y orientaban y respondían nuestro planteamiento de investigación.
RESULTADOS Y DISCUSIÓN
Tradicionalmente, los radiólogos evalúan imágenes médicas utilizando su experiencia para
detectar, caracterizar y monitorear enfermedades. Si bien es efectivo, este enfoque es
inherentemente subjetivo y susceptible a errores humanos. La IA, con su capacidad para analizar
patrones complejos en los datos de imágenes, brinda la oportunidad de realizar evaluaciones
cuantitativas y automatizadas. Al integrarse en los flujos de trabajo clínicos, la IA puede mejorar
la precisión y la reproducibilidad del diagnóstico, lo que podría reducir los errores y mejorar los
resultados de los pacientes (Filipovic-Grcic L, 2019).
El rendimiento de muchos algoritmos de IA, en particular en tareas como la segmentación
automatizada y semiautomatizada de imágenes, a menudo requiere supervisión humana para
Figura 1
Las aplicaciones de IA brindan apoyo a diversas tareas de radiología
MATERIALES Y MÉTODOS
Es un estudio descriptivo-exploratorio tipo revisión bibliográfica. Se analizaron estudios
desde el año 2018 hasta 2025 en bases de datos electrónicos como PUBMED, ELSEVIER,
y Web of Science utilizando revisiones en el idioma inglés. Las palabras clave utilizadas en la
búsqueda MesH fueron: Inteligencia artificial; Pruebas de imagen; Precisión diagnóstica. Se
aplicó el método PRISMA utilizando criterios de inclusión: términos de búsqueda, nivel de
evidencia, resúmenes y palabras claves, criterios de exclusión: no relaciones al tópico, fuera de
límite de años, no disponibles; se clasificaron por año, tipo de estudio y nivel de evidencia. Se
tomaron un total de 15 bibliografías las cuales contaban con alto nivel de impacto y cumplían con
nuestros criterios de inclusión y orientaban y respondían nuestro planteamiento de investigación.
RESULTADOS Y DISCUSIÓN
Tradicionalmente, los radiólogos evalúan imágenes médicas utilizando su experiencia para
detectar, caracterizar y monitorear enfermedades. Si bien es efectivo, este enfoque es
inherentemente subjetivo y susceptible a errores humanos. La IA, con su capacidad para analizar
patrones complejos en los datos de imágenes, brinda la oportunidad de realizar evaluaciones
cuantitativas y automatizadas. Al integrarse en los flujos de trabajo clínicos, la IA puede mejorar
la precisión y la reproducibilidad del diagnóstico, lo que podría reducir los errores y mejorar los
resultados de los pacientes (Filipovic-Grcic L, 2019).
El rendimiento de muchos algoritmos de IA, en particular en tareas como la segmentación
automatizada y semiautomatizada de imágenes, a menudo requiere supervisión humana para
Vol. 12/ Núm. 3 2025 pág. 374
garantizar la precisión. Además, la competencia de la IA en tareas específicas no equivale a una
comprensión integral comparable a la de la inteligencia humana. Sigue siendo una herramienta
que apoya, en lugar de reemplazar, a los radiólogos (Jia G, 2022).
Las aplicaciones de la IA en radiología incluyen la detección y clasificación de lesiones, la
segmentación de imágenes y la optimización de protocolos de imagen. Estas herramientas han
demostrado ser prometedoras para aumentar la eficiencia de los radiólogos al reducir la fatiga
cognitiva y aliviar la carga de trabajo derivada de las tareas repetitivas. Por ejemplo, la IA puede
facilitar la detección temprana de anomalías, la gestión personalizada de pacientes y la evaluación
de riesgos, lo que contribuye a una mejor toma de decisiones clínicas (Strubchevska O, 2024).
No obstante, la integración exitosa de la IA en radiología exige una cuidadosa
consideración de factores técnicos, éticos y humanísticos. Los radiólogos desempeñan un papel
fundamental en el desarrollo, la validación y la implementación de herramientas de IA. Deben
garantizar que la tecnología complemente la atención al paciente sin comprometer la conexión
humana. Además, las perspectivas de los pacientes deben guiar la aplicación ética de la IA para
mantener la confianza y la empatía en las interacciones médicas (Lambert A, 2024).
La llegada de la IA a la imagenología médica marca una fase innovadora en radiología,
transformando significativamente el rol del radiólogo. El aumento del volumen de imágenes, la
disminución de los reembolsos y el incremento de la carga de trabajo han generado una demanda
de eficiencia, donde la IA ofrece un apoyo sustancial (Kirubarajan A, 2020).
La IA destaca en la automatización de tareas rutinarias como la detección, segmentación y
cuantificación de imágenes, lo que reduce la fatiga cognitiva y optimiza los flujos de trabajo. Al
integrar datos de historias clínicas electrónicas, los sistemas de IA mejoran la reproducibilidad de
los protocolos, mejoran la calidad de la imagen, minimizan las dosis de radiación y acortan los
tiempos de generación de informes (Sajid S, 2025) .Estos avances permiten a los radiólogos
dedicar más tiempo a la resolución de problemas clínicos complejos, priorizando la atención
centrada en el paciente y colaborando en equipos multidisciplinarios.
A pesar de su potencial, la IA no está exenta de limitaciones. Los sistemas actuales de IA
suelen requerir supervisión humana, ya que su dominio de tareas específicas no se traduce en
capacidades integrales de resolución de problemas. Depender excesivamente de la IA sin una
evaluación crítica puede comprometer los resultados del paciente. Por lo tanto, los radiólogos
deben interactuar activamente con la IA, aprendiendo su terminología y colaborando con los
desarrolladores para garantizar que la tecnología se ajuste a las necesidades clínicas (Mouridsen
K, 2020).
Los desafíos legales y éticos acentúan aún más la evolución del rol de los radiólogos. La
monitorización continua de los algoritmos de IA, la gestión de sesgos en los conjuntos de datos y
la transparencia en la toma de decisiones son cruciales. Además, los informes estructurados
asistidos por IA pueden estandarizar las prácticas diagnósticas, pero los radiólogos deben
garantizar la precisión. Además, la competencia de la IA en tareas específicas no equivale a una
comprensión integral comparable a la de la inteligencia humana. Sigue siendo una herramienta
que apoya, en lugar de reemplazar, a los radiólogos (Jia G, 2022).
Las aplicaciones de la IA en radiología incluyen la detección y clasificación de lesiones, la
segmentación de imágenes y la optimización de protocolos de imagen. Estas herramientas han
demostrado ser prometedoras para aumentar la eficiencia de los radiólogos al reducir la fatiga
cognitiva y aliviar la carga de trabajo derivada de las tareas repetitivas. Por ejemplo, la IA puede
facilitar la detección temprana de anomalías, la gestión personalizada de pacientes y la evaluación
de riesgos, lo que contribuye a una mejor toma de decisiones clínicas (Strubchevska O, 2024).
No obstante, la integración exitosa de la IA en radiología exige una cuidadosa
consideración de factores técnicos, éticos y humanísticos. Los radiólogos desempeñan un papel
fundamental en el desarrollo, la validación y la implementación de herramientas de IA. Deben
garantizar que la tecnología complemente la atención al paciente sin comprometer la conexión
humana. Además, las perspectivas de los pacientes deben guiar la aplicación ética de la IA para
mantener la confianza y la empatía en las interacciones médicas (Lambert A, 2024).
La llegada de la IA a la imagenología médica marca una fase innovadora en radiología,
transformando significativamente el rol del radiólogo. El aumento del volumen de imágenes, la
disminución de los reembolsos y el incremento de la carga de trabajo han generado una demanda
de eficiencia, donde la IA ofrece un apoyo sustancial (Kirubarajan A, 2020).
La IA destaca en la automatización de tareas rutinarias como la detección, segmentación y
cuantificación de imágenes, lo que reduce la fatiga cognitiva y optimiza los flujos de trabajo. Al
integrar datos de historias clínicas electrónicas, los sistemas de IA mejoran la reproducibilidad de
los protocolos, mejoran la calidad de la imagen, minimizan las dosis de radiación y acortan los
tiempos de generación de informes (Sajid S, 2025) .Estos avances permiten a los radiólogos
dedicar más tiempo a la resolución de problemas clínicos complejos, priorizando la atención
centrada en el paciente y colaborando en equipos multidisciplinarios.
A pesar de su potencial, la IA no está exenta de limitaciones. Los sistemas actuales de IA
suelen requerir supervisión humana, ya que su dominio de tareas específicas no se traduce en
capacidades integrales de resolución de problemas. Depender excesivamente de la IA sin una
evaluación crítica puede comprometer los resultados del paciente. Por lo tanto, los radiólogos
deben interactuar activamente con la IA, aprendiendo su terminología y colaborando con los
desarrolladores para garantizar que la tecnología se ajuste a las necesidades clínicas (Mouridsen
K, 2020).
Los desafíos legales y éticos acentúan aún más la evolución del rol de los radiólogos. La
monitorización continua de los algoritmos de IA, la gestión de sesgos en los conjuntos de datos y
la transparencia en la toma de decisiones son cruciales. Además, los informes estructurados
asistidos por IA pueden estandarizar las prácticas diagnósticas, pero los radiólogos deben
Vol. 12/ Núm. 3 2025 pág. 375
mantener su rol interpretativo y consultivo (Tripathi S, 2023). Estudios han demostrado que los
equipos que combinan esfuerzos humanos y de IA logran una mayor precisión diagnóstica en
comparación con cualquiera de ellos trabajando de forma independiente. Esto refuerza la idea de
que la IA debe complementar, y no reemplazar, a los radiólogos. La familiaridad con tecnologías
como la detección asistida por computadora (DAC) facilita la integración fluida de las
herramientas de IA en múltiples modalidades de imagen.
La IA continúa revolucionando la radiología al optimizar los flujos de trabajo, minimizar
errores y permitir diagnósticos de alta precisión. Además de automatizar tareas rutinarias como la
detección, segmentación y cuantificación de lesiones, los sistemas de IA pueden respaldar la toma
de decisiones clínicas mediante la síntesis de datos de historias clínicas electrónicas, estudios de
imagen e información genómica. Esto facilita estrategias de tratamiento personalizadas,
mejorando así los resultados de los pacientes (Najja, 2023).
Un avance prometedor es el potencial de la IA en el análisis predictivo, que podría respaldar
la atención médica preventiva al identificar poblaciones en riesgo antes de la aparición de la
enfermedad. Por ejemplo, los algoritmos de IA en mamografía han demostrado una mayor
sensibilidad y especificidad en la detección del cáncer de mama en etapa temprana, lo que facilita
las intervenciones tempranas. Además, las herramientas de IA para el triaje de casos urgentes de
imágenes en entornos de emergencia han reducido significativamente los tiempos de notificación
de hallazgos críticos, como hemorragia intracraneal o accidente cerebrovascular agudo
(Ranschaert E, 2021).
Persisten los desafíos, como la dependencia de los sistemas de IA de conjuntos de datos de
entrenamiento diversos y de alta calidad. Una representación insuficiente en los conjuntos de
datos de entrenamiento puede generar sesgos algorítmicos, que afectan de forma
desproporcionada a grupos demográficos específicos. La monitorización continua del
rendimiento y las actualizaciones algorítmicas son esenciales para mitigar estos sesgos y mantener
la fiabilidad clínica (Colosimo BM, 2021).
Las consideraciones éticas en torno a la privacidad de los datos del paciente y el
consentimiento informado en la implementación de la IA también son cruciales. Los radiólogos
deben promover prácticas transparentes en el desarrollo y la aplicación de la IA, garantizando que
estas tecnologías prioricen la seguridad del paciente y los estándares éticos. Los radiólogos se
encuentran en una posición privilegiada para guiar la integración de la IA en la atención médica.
Al participar en colaboraciones multidisciplinarias con científicos de datos, ingenieros y
especialistas en ética, pueden garantizar que las herramientas de IA satisfagan eficazmente las
necesidades clínicas. La formación en radiología debe evolucionar para incorporar la
alfabetización en IA, lo que permitirá a los futuros profesionales desenvolverse en este panorama
transformador. (Bizzo BC, 2021)
mantener su rol interpretativo y consultivo (Tripathi S, 2023). Estudios han demostrado que los
equipos que combinan esfuerzos humanos y de IA logran una mayor precisión diagnóstica en
comparación con cualquiera de ellos trabajando de forma independiente. Esto refuerza la idea de
que la IA debe complementar, y no reemplazar, a los radiólogos. La familiaridad con tecnologías
como la detección asistida por computadora (DAC) facilita la integración fluida de las
herramientas de IA en múltiples modalidades de imagen.
La IA continúa revolucionando la radiología al optimizar los flujos de trabajo, minimizar
errores y permitir diagnósticos de alta precisión. Además de automatizar tareas rutinarias como la
detección, segmentación y cuantificación de lesiones, los sistemas de IA pueden respaldar la toma
de decisiones clínicas mediante la síntesis de datos de historias clínicas electrónicas, estudios de
imagen e información genómica. Esto facilita estrategias de tratamiento personalizadas,
mejorando así los resultados de los pacientes (Najja, 2023).
Un avance prometedor es el potencial de la IA en el análisis predictivo, que podría respaldar
la atención médica preventiva al identificar poblaciones en riesgo antes de la aparición de la
enfermedad. Por ejemplo, los algoritmos de IA en mamografía han demostrado una mayor
sensibilidad y especificidad en la detección del cáncer de mama en etapa temprana, lo que facilita
las intervenciones tempranas. Además, las herramientas de IA para el triaje de casos urgentes de
imágenes en entornos de emergencia han reducido significativamente los tiempos de notificación
de hallazgos críticos, como hemorragia intracraneal o accidente cerebrovascular agudo
(Ranschaert E, 2021).
Persisten los desafíos, como la dependencia de los sistemas de IA de conjuntos de datos de
entrenamiento diversos y de alta calidad. Una representación insuficiente en los conjuntos de
datos de entrenamiento puede generar sesgos algorítmicos, que afectan de forma
desproporcionada a grupos demográficos específicos. La monitorización continua del
rendimiento y las actualizaciones algorítmicas son esenciales para mitigar estos sesgos y mantener
la fiabilidad clínica (Colosimo BM, 2021).
Las consideraciones éticas en torno a la privacidad de los datos del paciente y el
consentimiento informado en la implementación de la IA también son cruciales. Los radiólogos
deben promover prácticas transparentes en el desarrollo y la aplicación de la IA, garantizando que
estas tecnologías prioricen la seguridad del paciente y los estándares éticos. Los radiólogos se
encuentran en una posición privilegiada para guiar la integración de la IA en la atención médica.
Al participar en colaboraciones multidisciplinarias con científicos de datos, ingenieros y
especialistas en ética, pueden garantizar que las herramientas de IA satisfagan eficazmente las
necesidades clínicas. La formación en radiología debe evolucionar para incorporar la
alfabetización en IA, lo que permitirá a los futuros profesionales desenvolverse en este panorama
transformador. (Bizzo BC, 2021)
Vol. 12/ Núm. 3 2025 pág. 376
Estudios que comparan la precisión diagnóstica de la colaboración humano-IA con sistemas
independientes subrayan el papel de la IA como herramienta aumentativa. Por ejemplo, las
investigaciones indican que los radiólogos que trabajan junto con sistemas de IA superan a
cualquiera de las dos entidades por separado en la identificación de anomalías como nódulos
pulmonares y lesiones hepáticas. (Paverd H, 2024)
A medida que la IA avanza, es probable que sus aplicaciones se extiendan a ámbitos
administrativos, como la optimización del flujo de trabajo, la asignación de recursos y el control
de calidad. Estas capacidades pueden aliviar los cuellos de botella operativos, permitiendo a los
radiólogos centrarse en tareas diagnósticas e intervencionistas complejas. (Dubey K, 2023)
CONCLUSIONES
La inteligencia artificial es una herramienta muy prometedora en radiología, ya que ofrece
oportunidades para mejorar la precisión diagnóstica, optimizar la eficiencia y facilitar la atención
personalizada al paciente. Al automatizar tareas rutinarias, detectar características sutiles en las
imágenes y optimizar los flujos de trabajo, la IA tiene el potencial de transformar la práctica
radiológica y mejorar los resultados de los pacientes. Sin embargo, una integración exitosa
requiere abordar desafíos técnicos, éticos y humanísticos, donde los radiólogos desempeñan un
papel fundamental en la guía del desarrollo y la implementación de herramientas de IA.
Estudios que comparan la precisión diagnóstica de la colaboración humano-IA con sistemas
independientes subrayan el papel de la IA como herramienta aumentativa. Por ejemplo, las
investigaciones indican que los radiólogos que trabajan junto con sistemas de IA superan a
cualquiera de las dos entidades por separado en la identificación de anomalías como nódulos
pulmonares y lesiones hepáticas. (Paverd H, 2024)
A medida que la IA avanza, es probable que sus aplicaciones se extiendan a ámbitos
administrativos, como la optimización del flujo de trabajo, la asignación de recursos y el control
de calidad. Estas capacidades pueden aliviar los cuellos de botella operativos, permitiendo a los
radiólogos centrarse en tareas diagnósticas e intervencionistas complejas. (Dubey K, 2023)
CONCLUSIONES
La inteligencia artificial es una herramienta muy prometedora en radiología, ya que ofrece
oportunidades para mejorar la precisión diagnóstica, optimizar la eficiencia y facilitar la atención
personalizada al paciente. Al automatizar tareas rutinarias, detectar características sutiles en las
imágenes y optimizar los flujos de trabajo, la IA tiene el potencial de transformar la práctica
radiológica y mejorar los resultados de los pacientes. Sin embargo, una integración exitosa
requiere abordar desafíos técnicos, éticos y humanísticos, donde los radiólogos desempeñan un
papel fundamental en la guía del desarrollo y la implementación de herramientas de IA.
Vol. 12/ Núm. 3 2025 pág. 377
REFERENCIAS
Bizzo BC, A. R. (2021). Artificial Intelligence Enabling Radiology Reporting. Radiol Clin North
Am, 59(6):1045-52.
Colosimo BM, d. C.-F. (2021). Artificial intelligence and statistics for quality technology: an
introduction to the special issue. J Qual Technol, 53(5):443-53.
Derevianko A, P. S. ( 2023). The use of artificial intelligence (AI) in the radiology field: what is
the state of doctor patient communication in cancer diagnosis? Cancers (Basel).,
15(2):470.
Dubey K, B. M. (2023). Enhancing operational efficiency in healthcare with AI-powered
management. 2023 International Conference on Artificial Intelligence for Innovations in
Healthcare Industries (ICAIIHI). , (págs. 2023;1-7).
Filipovic-Grcic L, Đ. F. (2019). Artificial intelligence in radiology. Rad Hrvatske , 537(46-47):55-
9.
Hosny A, P. C. (2018). Artificial intelligence in radiology. Nat Rev Cancer, 18(8):500.
Jia G, H. X. (2022). Artificial intelligence-based medical image segmentation for 3D printing and
naked eye 3D visualization. Intell Med, 2(1):1.
Kirubarajan A, T. A. (2020). Artificial intelligence in emergency medicine: A scoping review. J
Am Coll Emerg Physicians Open, 1(6):1691-702.
Lambert A, S. A. (2024). Artificial intelligence modelling human mental fatigue: A
comprehensive survey. Neurocomputing., 28:567.
Mouridsen K, T. P. (2020). Artificial intelligence applications in stroke. . Stroke, 51(8):10.
Najja. (2023). Redefining Radiology: A Review of Artificial Intelligence Integration in Medical
Imaging. Diagnostics (Basel), 13(17):2760.
Noguerol MT, P. F. (2019). Strengths, weaknesses, opportunities, and threats analysis of artificial
intelligence and machine learning applications in radiology. J Am Coll Radiol, 16:1239
47.
Paverd H, Z.-P. K.-O. (2024). Radiology and multi-scale data integration for precision oncology.
NPJ Precis Oncol, (26):158.
Ranschaert E, T. L. ( 2021). Optimization of radiology workflow with artificial intelligence.
Radiologic Clin N Am, 59(6):955-6.
Rezazade, v. O. (2021). M. Applications of artificial intelligence (AI) in diagnostic radiology: a
technography study. Eur Radiol, 31(4):1805.
Sajid S, J. A. (2025). Building trust in predictive analytics: a review of ML explainability and
interpretability. Int J Comput Sci Res, 9:3364-91.
Strubchevska O, K. M. (2024). The Role of Artificial Intelligence in Diagnostic Radiology.
Cureus, 16(10):e72173.
REFERENCIAS
Bizzo BC, A. R. (2021). Artificial Intelligence Enabling Radiology Reporting. Radiol Clin North
Am, 59(6):1045-52.
Colosimo BM, d. C.-F. (2021). Artificial intelligence and statistics for quality technology: an
introduction to the special issue. J Qual Technol, 53(5):443-53.
Derevianko A, P. S. ( 2023). The use of artificial intelligence (AI) in the radiology field: what is
the state of doctor patient communication in cancer diagnosis? Cancers (Basel).,
15(2):470.
Dubey K, B. M. (2023). Enhancing operational efficiency in healthcare with AI-powered
management. 2023 International Conference on Artificial Intelligence for Innovations in
Healthcare Industries (ICAIIHI). , (págs. 2023;1-7).
Filipovic-Grcic L, Đ. F. (2019). Artificial intelligence in radiology. Rad Hrvatske , 537(46-47):55-
9.
Hosny A, P. C. (2018). Artificial intelligence in radiology. Nat Rev Cancer, 18(8):500.
Jia G, H. X. (2022). Artificial intelligence-based medical image segmentation for 3D printing and
naked eye 3D visualization. Intell Med, 2(1):1.
Kirubarajan A, T. A. (2020). Artificial intelligence in emergency medicine: A scoping review. J
Am Coll Emerg Physicians Open, 1(6):1691-702.
Lambert A, S. A. (2024). Artificial intelligence modelling human mental fatigue: A
comprehensive survey. Neurocomputing., 28:567.
Mouridsen K, T. P. (2020). Artificial intelligence applications in stroke. . Stroke, 51(8):10.
Najja. (2023). Redefining Radiology: A Review of Artificial Intelligence Integration in Medical
Imaging. Diagnostics (Basel), 13(17):2760.
Noguerol MT, P. F. (2019). Strengths, weaknesses, opportunities, and threats analysis of artificial
intelligence and machine learning applications in radiology. J Am Coll Radiol, 16:1239
47.
Paverd H, Z.-P. K.-O. (2024). Radiology and multi-scale data integration for precision oncology.
NPJ Precis Oncol, (26):158.
Ranschaert E, T. L. ( 2021). Optimization of radiology workflow with artificial intelligence.
Radiologic Clin N Am, 59(6):955-6.
Rezazade, v. O. (2021). M. Applications of artificial intelligence (AI) in diagnostic radiology: a
technography study. Eur Radiol, 31(4):1805.
Sajid S, J. A. (2025). Building trust in predictive analytics: a review of ML explainability and
interpretability. Int J Comput Sci Res, 9:3364-91.
Strubchevska O, K. M. (2024). The Role of Artificial Intelligence in Diagnostic Radiology.
Cureus, 16(10):e72173.
Vol. 12/ Núm. 3 2025 pág. 378
Tripathi S, G. K. (2023). Understanding biases and disparities in radiology AI datasets: a review.
J Am Coll Radiol, 20(9):836-41.
Tripathi S, G. K. (2023). Understanding biases and disparities in radiology AI datasets: a review.
J Am Coll Radiol, 20(9):836-41.