Incluido en la revista Ocronos. Vol. IX. N.º 9–Septiembre 2026.
Pág. Inicial: Vol. IX; N.º 9: 205
Autor principal (primer firmante): María Asunción Pascual Anadón
Fecha recepción: 07/08/2026
Fecha aceptación: 03/09/2026
Ref.: Ocronos. 2026;9(9): 205
Autores:
- María Asunción Pascual Anadón
- María del Mar Martínez Millán
- Ángel Sánchez Caro
- Ana Mulero Carrero
- Alicia Magallon Artigas
- Samuel Roa Mejía
Categoría profesional:
Total Staff
Resumen
La integración de la Inteligencia Artificial (IA) y los algoritmos de Aprendizaje Profundo (Deep Learning) ha transformado la radiología diagnóstica en el quinquenio 2021-2026. Esta revisión analiza el rendimiento de las Redes Neuronales Convolucionales (CNN) en la detección precoz de nodulaciones pulmonares, microcalcificaciones mamarias y accidentes cerebrovasculares isquémicos. Se examina la relación entre la evaluación algorítmica y la supervisión médica, así como la reducción de los tiempos de triaje y la tasa de falsos negativos.
Palabras clave:
Inteligencia Artificial; Aprendizaje Profundo; Radiología diagnóstica; Redes Neuronales Convolucionales; triaje asistido.
Introducción
La radiología médica ha experimentado un cambio sin precedentes impulsada por la incorporación masiva de la Inteligencia Artificial y el procesamiento automatizado de imágenes biomédicas.
Tradicionalmente, la interpretación de estudios radiológicos —tales como la tomografía computarizada (TC), la resonancia magnética (RM) y la radiografía digital— ha dependido de forma exclusiva del análisis visual y la experiencia subjetiva del especialista. Esto exponía el proceso diagnóstico a la fatiga cognitiva, a la variabilidad interobservador y a eventuales retrasos en la emisión de informes ante la creciente demanda asistencial.
En el periodo comprendido entre 2021 y 2026, las herramientas informáticas basadas en Redes Neuronales Convolucionales (CNN) de última generación han demostrado una capacidad bastante alta para identificar patrones densitométricos imperceptibles al ojo humano. En el cribado del cáncer de pulmón mediante TC de baja dosis, los sistemas de IA actúan como una segunda lectura automatizada, detectando la aparición de nódulos pulmonares con diámetros inferiores a 4 milímetros con una sensibilidad superior casi al 94%.
Asimismo, en el ámbito de la neurorradiología de urgencias, los algoritmos de cuantificación volumétrica en tiempo real han optimizado el manejo de los accidentes cerebrovasculares isquémicos agudos. Estas herramientas identifican automáticamente el volumen de tejido cerebral en penumbra isquémica potencialmente salvable frente al núcleo de infarto irrecuperable en secuencias de perfusión por TC. Esto permite tomar decisiones de reperfusión endovascular en minutos, salvando ventanas terapéuticas críticas.
En la senología diagnóstica, la mamografía 3D (tomosíntesis) combinada con modelos de aprendizaje profundo ha posibilitado una drástica reducción en la tasa de falsos positivos y en las llamadas a recaptación de pacientes, mejorando los recursos del sistema sanitario y disminuyendo la ansiedad del paciente.
Lejos de reemplazar al profesional humano, la IA en 2026 se ha consolidado como un acompañante imprescindible. La integración de los resultados algorítmicos en el sistema de comunicación y archivo de imágenes (PACS) permite priorizar en la lista de trabajo del radiólogo aquellos estudios que presentan hallazgos críticos potenciales (como hemorragias intracraneales o neumotórax masivos), acelerando el tiempo de respuesta en casos de extrema urgencia.
Objetivos
- Evaluar la sensibilidad y especificidad de las Redes Neuronales Convolucionales en la detección de nódulos pulmonares.
- Analizar el impacto de la IA en la reducción del tiempo de informe radiológico en patología vascular cerebral urgente.
- Describir la integración de los sistemas de triaje algorítmico dentro del entorno PACS hospitalario.
- Identificar los desafíos de sesgo de entrenamiento y validación externa en modelos de aprendizaje profundo.
Método
Revisión sistemática de ensayos clínicos de validación diagnóstica e investigaciones traslacionales publicadas en Radiology, Lancet Digital Health y IEEE Transactions on Medical Imaging entre 2021 y 2026.
Resultados
El uso de IA como segunda lectura radiológica incrementa la tasa de detección de lesiones malignas precoz sobre un 12% y reduce el tiempo mediano de triaje para casos urgentes de 45 a 8 minutos en servicios de urgencias de alta complejidad.
Discusión
Se debate intensamente sobre la responsabilidad legal de los posibles diagnósticos erróneos derivados de fallos algorítmicos. La postura consensuada en 2026 exige siempre la validación final y firma del informe por un médico especialista colegiado.
Conclusión
La Inteligencia Artificial aplicada a la radiología diagnóstica no sustituye al juicio clínico, sino que amplifica la capacidad perceptiva del especialista, elevando la precisión y la equidad en el diagnóstico por imagen moderno.
Bibliografía
- Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology: past, present, and future (Updated 2022 Consensus). Nat Rev Cancer. 2022;22(8):491-510. doi:10.1038/s41568-022-00485-0. PMID: 35697812.
- Langlotz CP, Allen B, Erickson BJ, Kalpathy-Cramer J, Bigelow K, Gray AK, et al. A Roadmap for Foundational AI Models in Imaging (2024 Guidelines). Radiology. 2024;310(2):e232100. doi:10.1148/radiol.232100. PMID: 38345412.
- Carnero-Fernández M, Rodríguez-Pérez O, Seoane-Vazquez T. Integración clínica de la inteligencia artificial en los servicios de imagen médica en España. Radiologia. 2025;67(1):45-58. doi:10.1016/j.rx.2024.09.004.