Aplicaciones de inteligencia artificial y aprendizaje automático en radiología: de la fase experimental a la implementación clínica

Artículo original: Brown J, Dashevsky BZ, Polat D, Doo F, Straus C, Rozenshtein A, Retrouvey M. A RRA Perspective on AI and Machine Learning Applications in Radiology: From Experimental to Clinically Viable Solutions. Academic Radiology. 2026;33(3):617–629.  DOI: 10.1016/j.acra.2025.11.021

Sociedad: Association of Academic Radiology (@aaradiol)

Palabras clave: aprendizaje automático, inteligencia artificial, machine learning, radiología, workflow.

Abreviaturas y acrónimos utilizados: AUC (Area Under the Curve), CNN (Convolutional Neural Network), IA (Inteligencia Artificial), LLM (Large Language Model), ML (Machine Learning).

Línea editorial del número: Academic Radiology es la revista oficial de la Association of Academic Radiology, con publicación mensual y enfoque en investigación e innovación en radiología. El volumen 33, número 3 (marzo de 2026), incluye múltiples artículos centrados en tecnologías emergentes, especialmente inteligencia artificial, optimización del flujo de trabajo y herramientas avanzadas de apoyo diagnóstico. Este artículo forma parte de una serie de revisiones de la Radiology Research Alliance (RRA) dedicada a la integración de nuevas tecnologías en la práctica radiológica.

Motivos para la selección: La inteligencia artificial constituye uno de los principales motores de cambio en la radiología actual. Su impacto abarca desde la interpretación de imagen hasta la organización del trabajo y la generación de informes. Para el radiólogo en formación, resulta fundamental conocer tanto sus aplicaciones como sus limitaciones y grado de evidencia, lo que convierte este artículo en una revisión especialmente relevante y actualizada.

Resumen:

La IA está transformando la radiología en tres dominios principales:

1. Interpretación de imagen: Los modelos de deep learning, especialmente las CNN, han demostrado alcanzar elevadas precisiones diagnósticas, con valores de AUC que pueden llegar hasta 0,97 en aplicaciones específicas. Asimismo, los modelos multimodales basados en LLM permiten integrar la información radiológica con el contexto clínico del paciente, favoreciendo una interpretación más completa. No obstante, el rendimiento de estos sistemas presenta una notable variabilidad en función del modelo y del entorno clínico, persistiendo limitaciones en la generalización, con descensos de rendimiento en validaciones externas.

2. Optimización del flujo de trabajo: La IA ha demostrado un impacto significativo en la eficiencia de los servicios de radiología, con reducciones de los tiempos de espera de los pacientes de hasta un 71% y disminuciones de la carga de trabajo del radiólogo entre el 68% y el 87%. Estos beneficios se sustentan en la implementación de sistemas de triaje y priorización automática de estudios, así como en herramientas de control de calidad capaces de detectar errores diagnósticos. Además, contribuye a optimizar la asignación de estudios y a mejorar la organización global del flujo de trabajo.

3. Generación de informes: Los LLM han permitido avanzar hacia la automatización de informes estructurados, logrando reducir el tiempo de elaboración hasta en un 58%. Esta automatización se asocia a una mayor estandarización y legibilidad de los informes, además de facilitar la detección de errores y asegurar la calidad. Sin embargo, estas herramientas requieren supervisión humana continua debido al riesgo de errores clínicamente relevantes, lo que refuerza la necesidad de un modelo de colaboración entre la IA y el radiólogo.

A pesar de estos avances, la implementación de la IA en radiología presenta limitaciones relevantes, entre las que destacan: los sesgos algorítmicos derivados de la falta de representatividad de los datos, la variabilidad en el rendimiento entre distintos entornos clínicos, la escasez de estudios prospectivos y multicéntricos, así como las dificultades de integración en el flujo de trabajo habitual. A ello se suman importantes implicaciones éticas, regulatorias y de responsabilidad médica que aún no están completamente resueltas. En este contexto, la IA ha evolucionado desde una herramienta experimental hacia una tecnología con una aplicabilidad clínica creciente, si bien su mayor eficacia se alcanza cuando se utiliza como complemento al radiólogo, dentro de un modelo de colaboración humano-máquina.

Puntos fuertes y débiles del artículo / Valoración personal:

El artículo aporta una visión global y actualizada del papel de la inteligencia artificial en radiología, siendo especialmente útil para comprender su impacto en la práctica clínica y su evolución reciente. Destaca su valor formativo, al permitir al radiólogo desarrollar una visión crítica sobre estas tecnologías. No obstante, su aplicabilidad práctica inmediata es limitada, ya que no establece recomendaciones concretas ni criterios estandarizados para su implementación. Aun así, constituye una revisión relevante para residentes, especialmente en el contexto actual de creciente integración de la IA en la radiología.

Puntos fuertes:

• Revisión estructurada de las principales aplicaciones de la IA en radiología.
  
• Integración de múltiples estudios recientes con datos cuantitativos relevantes.
  
• Enfoque clínico orientado a la práctica real.
  
• Análisis equilibrado que incluye limitaciones y barreras de implementación.
  

Puntos débiles:

• Revisión narrativa, no sistemática, con posible sesgo de selección.
  
• Heterogeneidad de los estudios incluidos.
  
• Escasa profundización técnica en los modelos de IA.
  
• Limitada aplicabilidad directa en la práctica clínica diaria.

Pilar Cifrián Casuso

Hospital Universitario Marqués de Valdecilla (Santander). R3.