El an\u00e1lisis de las radiograf\u00edas de t\u00f3rax, un examen clave para detectar enfermedades como la neumon\u00eda o la tuberculosis, ha dependido durante mucho tiempo de la experiencia humana. Hoy en d\u00eda, la inteligencia artificial est\u00e1 transformando esta pr\u00e1ctica al automatizar parte del proceso con una precisi\u00f3n que, a veces, supera la de los radi\u00f3logos. Los primeros m\u00e9todos utilizaban algoritmos cl\u00e1sicos, basados en caracter\u00edsticas definidas manualmente. Actualmente, las redes neuronales profundas, como los modelos de tipo convolutional neural networks<\/em> o transformers<\/em>, permiten detectar anomal\u00edas con una fiabilidad notable. Estos sistemas analizan miles de im\u00e1genes para identificar patrones invisibles a simple vista, como lesiones u opacidades, e incluso producen informes radiol\u00f3gicos completos.<\/p>\n Los avances recientes integran modelos multimodales, que combinan im\u00e1genes y datos cl\u00ednicos, como el historial del paciente o los resultados de laboratorio. Este enfoque hol\u00edstico mejora la precisi\u00f3n de los diagn\u00f3sticos al cruzar la informaci\u00f3n visual con el contexto m\u00e9dico. Por ejemplo, un modelo puede generar ahora un informe detallado a partir de una radiograf\u00eda, teniendo en cuenta los s\u00edntomas o los antecedentes del paciente. Estos avances tambi\u00e9n reducen los plazos de an\u00e1lisis: en algunos hospitales, el tiempo medio para producir un informe ha pasado de m\u00e1s de diez d\u00edas a menos de tres, gracias a una clasificaci\u00f3n autom\u00e1tica de los casos urgentes.<\/p>\n Sin embargo, persisten desaf\u00edos. Los modelos de inteligencia artificial pueden estar sesgados si los datos utilizados para su entrenamiento no son representativos de la diversidad de los pacientes. Un estudio mostr\u00f3 que el rendimiento disminu\u00eda para ciertas poblaciones, como las mujeres o las personas de minor\u00edas \u00e9tnicas, debido a desequilibrios en los conjuntos de datos. Adem\u00e1s, el funcionamiento interno de estos sistemas sigue siendo, a menudo, opaco, lo que dificulta la confianza de los profesionales de la salud. T\u00e9cnicas de explicaci\u00f3n, como los mapas de calor que destacan las zonas de la imagen que han influido en el diagn\u00f3stico, ayudan a hacer que estas herramientas sean m\u00e1s transparentes.<\/p>\n La generalizaci\u00f3n de los modelos plantea otro problema. Un algoritmo entrenado en un hospital puede perder eficacia cuando se aplica a radiograf\u00edas de otro centro, debido a diferencias en los equipos o los protocolos. Para solucionarlo, los investigadores exploran m\u00e9todos de adaptaci\u00f3n de dominio, que permiten ajustar los modelos a nuevas condiciones sin tener que reaprenderlo todo. El intercambio de datos entre instituciones, aunque complejo debido a las cuestiones de confidencialidad, tambi\u00e9n es una v\u00eda para mejorar la robustez de los sistemas.<\/p>\n Las bases de datos desempe\u00f1an un papel central en estos avances. Conjuntos como ChestX-ray14<\/em>, CheXpert<\/em> o MIMIC-CXR<\/em> contienen cientos de miles de radiograf\u00edas anotadas, lo que permite entrenar modelos cada vez m\u00e1s eficaces. Algunos incluso incluyen informes radiol\u00f3gicos completos, lo que facilita el aprendizaje de la generaci\u00f3n autom\u00e1tica de textos. Para los ni\u00f1os, conjuntos de datos especializados, como PediCXR<\/em>, ayudan a adaptar las herramientas a las particularidades pedi\u00e1tricas, a menudo diferentes de las de los adultos.<\/p>\n Los modelos m\u00e1s recientes, como los vision-language models<\/em>, van a\u00fan m\u00e1s lejos. Son capaces de responder preguntas sobre una radiograf\u00eda o de generar im\u00e1genes sint\u00e9ticas realistas a partir de descripciones textuales. Estas innovaciones abren la puerta a aplicaciones como la simulaci\u00f3n de casos raros para mejorar el entrenamiento de los algoritmos. Sin embargo, el uso de datos sint\u00e9ticos plantea preguntas sobre la protecci\u00f3n de la privacidad, ya que algunos modelos pueden memorizar y reproducir informaci\u00f3n sensible.<\/p>\n En el \u00e1mbito del texto, los grandes modelos de lenguaje, como los de la familia BERT<\/em> o GPT<\/em>, se utilizan cada vez m\u00e1s para analizar los informes radiol\u00f3gicos. Extraen autom\u00e1ticamente informaci\u00f3n estructurada, como la presencia de ciertas patolog\u00edas, o resumen informes en unas pocas frases clave. Un estudio mostr\u00f3 que los radi\u00f3logos ten\u00edan dificultades para distinguir un resumen generado por una inteligencia artificial de un texto escrito por un humano, lo que subraya la calidad de estas herramientas. No obstante, su implementaci\u00f3n requiere supervisi\u00f3n humana para evitar errores cr\u00edticos.<\/p>\n En el futuro, la integraci\u00f3n de estas tecnolog\u00edas en los hospitales podr\u00eda generalizarse a\u00fan m\u00e1s. Los sistemas de inteligencia artificial podr\u00edan integrarse directamente en los programas de gesti\u00f3n de im\u00e1genes m\u00e9dicas, ofreciendo alertas o sugerencias en tiempo real. Ensayos cl\u00ednicos ya han demostrado que la asistencia por inteligencia artificial reduce los errores de diagn\u00f3stico y mejora la coherencia entre los distintos radi\u00f3logos. Una colaboraci\u00f3n estrecha entre desarrolladores, cl\u00ednicos e instituciones ser\u00e1 esencial para superar los \u00faltimos obst\u00e1culos y garantizar que estas herramientas respondan a las necesidades reales de los profesionales de la salud.<\/p>\n DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1038\/s44401-026-00087-y<\/a><\/p>\n Titre\u00a0:<\/strong> Artificial intelligence for chest radiography: an overview of techniques, challenges, and future directions<\/p>\n Revue : <\/strong> npj Health Systems<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Hidetoshi Matsuo; Mizuho Nishio; Koji Fujimoto; Nicolas Deperrois; Takaaki Matsunaga; Farhad Nooralahzadeh; Michael Krauthammer; Takamichi Murakami<\/p>\n","protected":false},"excerpt":{"rendered":" \u00bfEst\u00e1 revolucionando la inteligencia artificial el an\u00e1lisis de las radiograf\u00edas pulmonares? El an\u00e1lisis de las radiograf\u00edas de t\u00f3rax, un examen clave para detectar enfermedades como la neumon\u00eda o la tuberculosis, ha dependido durante mucho tiempo de la experiencia humana. Hoy en d\u00eda, la inteligencia artificial est\u00e1 transformando esta pr\u00e1ctica al automatizar parte del proceso con… Seguir leyendo \u00bfEst\u00e1 revolucionando la inteligencia artificial el an\u00e1lisis de las radiograf\u00edas pulmonares?<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3,5,2],"tags":[],"class_list":["post-43","post","type-post","status-publish","format-standard","hentry","category-ciencia-y-tecnologia","category-humano-humanitario","category-salud","entry"],"_links":{"self":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts\/43","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/comments?post=43"}],"version-history":[{"count":1,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts\/43\/revisions"}],"predecessor-version":[{"id":44,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts\/43\/revisions\/44"}],"wp:attachment":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/media?parent=43"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/categories?post=43"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/tags?post=43"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
\nSources et cr\u00e9dits<\/h2>\n
\u00c9tude source<\/h3>\n