La inteligencia artificial (IA) está transformando la forma en que se realizan, procesan e interpretan los estudios de imagen. En radiología, sus aplicaciones ya no se limitan a proyectos experimentales: actualmente existen herramientas de IA destinadas a mejorar la calidad de las imágenes, optimizar protocolos, apoyar la interpretación y hacer más eficiente el flujo de trabajo.
En los estudios realizados con medios de contraste, estas tecnologías adquieren especial relevancia porque pueden ayudar a optimizar parámetros relacionados con la adquisición, reducir el ruido de imagen y, en determinados escenarios, disminuir la cantidad de contraste y la dosis de radiación necesaria para obtener imágenes diagnósticas adecuadas.
Respuesta rápida
La inteligencia artificial en radiología puede utilizarse durante diferentes etapas de un estudio contrastado: desde la planificación y adquisición hasta la reconstrucción y análisis de las imágenes. En tomografía computarizada (CT), una de las aplicaciones más desarrolladas es la reconstrucción basada en deep learning, que permite reducir el ruido y mantener una calidad diagnóstica adecuada con protocolos de menor dosis. También se investiga el uso de IA para reducir la cantidad de medio de contraste yodado, automatizar protocolos y detectar hallazgos.
La IA no sustituye al radiólogo. Su función actual es proporcionar herramientas de apoyo que permitan tomar decisiones más informadas y trabajar de manera más eficiente.
¿Qué es la inteligencia artificial aplicada a la radiología?
La inteligencia artificial engloba diferentes tecnologías capaces de analizar grandes cantidades de información y reconocer patrones.
En radiología, muchas de estas herramientas utilizan machine learning y deep learning para procesar imágenes médicas.
Los algoritmos pueden entrenarse para identificar características específicas en estudios de CT, MRI, PET/CT y otras modalidades.
Su aplicación puede encontrarse en diferentes etapas:
- Preparación del estudio.
- Adquisición de imágenes.
- Reconstrucción.
- Procesamiento.
- Detección de hallazgos.
- Cuantificación.
- Priorización de estudios.
- Elaboración y organización de información clínica.
¿Cómo se aplica la IA en estudios con contraste?
La IA puede intervenir en diferentes puntos del proceso. No existe una única aplicación, sino un conjunto de herramientas que pueden integrarse al flujo de trabajo.
1. Optimización de protocolos de CT
Los sistemas basados en IA pueden ayudar a determinar parámetros de adquisición adecuados según las características del paciente y el estudio.
Entre los factores que pueden optimizarse se encuentran:
- Posicionamiento del paciente.
- Rango de exploración.
- Parámetros de adquisición.
- Reconstrucción de imágenes.
- Nivel de ruido.
Una revisión publicada en 2025 identificó aplicaciones de IA para optimizar la dosis en CT mediante posicionamiento, determinación del rango de exploración y reconstrucción, incluyendo estudios de angiografía por CT.
2. Reconstrucción de imágenes mediante deep learning
Esta es una de las aplicaciones más relevantes actualmente.
Los algoritmos de Deep Learning Reconstruction (DLR) procesan los datos obtenidos por el tomógrafo para generar imágenes con menor ruido y mantener características útiles para el diagnóstico.
Esto puede ser especialmente importante cuando se utilizan protocolos de menor dosis.
La evidencia disponible indica que la reconstrucción mediante deep learning puede mejorar la calidad de imagen y reducir el ruido, aunque el nivel de reducción de dosis posible depende del equipo, algoritmo, protocolo y objetivo diagnóstico.
3. Reducción de la dosis de radiación
Una de las principales áreas de investigación es utilizar IA para obtener imágenes diagnósticas con una menor exposición a radiación.
Esto puede lograrse mediante:
- Optimización de parámetros.
- Mejor posicionamiento.
- Reducción del rango de exploración.
- Reconstrucción basada en deep learning.
- Reducción del ruido.
Una revisión reciente de la evidencia publicada entre 2020 y 2025 encontró resultados favorables para diferentes estrategias basadas en IA destinadas a reducir la dosis en CT, aunque también señaló la necesidad de validación multicéntrica y control de calidad antes de generalizar estos resultados.
4. Reducción de la cantidad de medio de contraste
Una de las aplicaciones especialmente interesantes para los estudios contrastados es la posibilidad de trabajar con protocolos que utilicen una menor cantidad de medio de contraste.
Los modelos de deep learning pueden utilizarse para mejorar imágenes obtenidas con dosis reducidas de contraste o, en determinadas investigaciones, generar imágenes que simulan una mayor concentración de contraste.
El objetivo es mantener una calidad diagnóstica adecuada utilizando menos medio de contraste.
Una revisión sistemática encontró que diferentes modelos de deep learning han sido investigados para reducir la necesidad de contraste yodado en CT, incluyendo la generación de imágenes de apariencia equivalente a protocolos con dosis completa a partir de adquisiciones con menor cantidad de contraste.
Sin embargo, esta aplicación debe evaluarse cuidadosamente antes de incorporarse a protocolos clínicos, ya que el desempeño puede variar según el algoritmo, el estudio y la indicación clínica.
5. Mejoramiento de la calidad de imagen
La IA también puede ayudar a mejorar la visualización de estructuras anatómicas y reducir artefactos o ruido.
Esto es especialmente relevante cuando se busca obtener una buena diferenciación entre tejidos o estructuras vasculares.
En determinados estudios, una mejor relación señal-ruido puede facilitar la interpretación y aumentar la confianza diagnóstica.
Una revisión y metaanálisis publicados en 2025 encontraron una mejora significativa de la calidad de imagen en estudios de CT con intervenciones basadas en IA, aunque los resultados sobre reducción de dosis no fueron uniformes entre los estudios analizados.
6. Automatización del flujo de trabajo
La inteligencia artificial también puede utilizarse fuera de la generación directa de imágenes.
Algunas aplicaciones permiten automatizar tareas como:
- Priorización de estudios.
- Identificación de estudios potencialmente urgentes.
- Segmentación anatómica.
- Mediciones automáticas.
- Comparación con estudios previos.
- Organización de información.
Esto puede reducir tareas repetitivas y permitir que el personal se concentre en actividades de mayor valor clínico.
7. Detección y cuantificación de hallazgos
Los algoritmos pueden entrenarse para identificar determinados hallazgos en estudios de imagen.
En estudios contrastados, esto puede incluir aplicaciones relacionadas con:
- Lesiones tumorales.
- Alteraciones vasculares.
- Embolia pulmonar.
- Nódulos.
- Alteraciones de órganos.
- Cambios en el tamaño de lesiones.
- Cuantificación de estructuras.
La IA puede funcionar como una herramienta adicional para llamar la atención sobre posibles hallazgos, pero la interpretación final continúa dependiendo del profesional responsable.
¿Puede la IA reemplazar al radiólogo?
Actualmente, la IA debe entenderse principalmente como una herramienta de apoyo a la decisión clínica, no como un sustituto del radiólogo.
La interpretación de un estudio requiere integrar las imágenes con:
- Historia clínica.
- Motivo del estudio.
- Antecedentes.
- Estudios anteriores.
- Hallazgos clínicos.
- Conocimiento médico.
Además, los algoritmos pueden presentar errores, falsos positivos, falsos negativos o comportamientos diferentes cuando se utilizan fuera de las condiciones con las que fueron validados.
El American College of Radiology ha señalado la importancia de implementar mecanismos de evaluación, monitoreo y control de calidad para garantizar un uso seguro y efectivo de la IA en imagen médica.
¿Qué ventajas puede aportar la IA a los estudios contrastados?
Cuando está correctamente validada e integrada al flujo de trabajo, la IA puede contribuir a:
- Mejorar la calidad de imagen.
- Optimizar protocolos de CT.
- Reducir el ruido.
- Disminuir potencialmente la dosis de radiación.
- Investigar protocolos con menor cantidad de contraste.
- Automatizar tareas repetitivas.
- Facilitar la cuantificación.
- Priorizar determinados estudios.
- Mejorar la eficiencia operativa.
¿Cuáles son sus principales limitaciones?
La implementación de IA también presenta desafíos.
Validación clínica
Un algoritmo que funciona correctamente en un conjunto de datos no necesariamente tendrá el mismo desempeño en otro hospital, equipo o población.
Variabilidad entre equipos
Los diferentes fabricantes, modelos de tomógrafos y protocolos pueden afectar el comportamiento de una herramienta de IA.
Supervisión humana
Los resultados generados por IA deben ser revisados dentro del contexto clínico correspondiente.
Actualización de los algoritmos
Los sistemas pueden requerir monitoreo continuo para identificar cambios en su desempeño.
Integración con el flujo de trabajo
Una herramienta que no está correctamente integrada con los sistemas del hospital puede generar más tareas en lugar de reducirlas.
¿Qué debe considerar un servicio de radiología antes de implementar IA?
Antes de incorporar una solución de inteligencia artificial es recomendable evaluar:
- Objetivo clínico específico.
- Evidencia científica disponible.
- Validación del algoritmo.
- Compatibilidad con los equipos existentes.
- Integración con RIS y PACS.
- Seguridad de los datos.
- Desempeño en la población del centro.
- Monitoreo continuo.
- Capacitación del personal.
- Impacto real sobre el flujo de trabajo.
La ACR aprobó en 2026 un parámetro de práctica específico para IA en imagen, enfocado precisamente en aspectos como selección, implementación, monitoreo y mejora continua de estas tecnologías.
¿Cuál es el futuro de la IA en estudios con contraste?
La evolución de la IA apunta hacia sistemas cada vez más integrados con los equipos de imagen y los sistemas de información clínica.
En el futuro cercano es probable que aumente la integración entre:
Paciente → protocolo → inyector → adquisición → reconstrucción → análisis → informe
Esto podría permitir flujos de trabajo más personalizados y automatizados.
En estudios contrastados, una de las áreas con mayor interés es la combinación entre optimización de la adquisición, reducción de ruido y protocolos que permitan disminuir la cantidad de contraste manteniendo la utilidad diagnóstica.
Sin embargo, la incorporación de estas tecnologías debe avanzar acompañada de evidencia clínica, validación y control de calidad.
Preguntas frecuentes
¿La inteligencia artificial ya se utiliza en radiología?
Sí. Existen numerosas aplicaciones de IA utilizadas en imagen médica, particularmente en CT, radiografía, mamografía y otras modalidades. La FDA mantiene una lista de dispositivos médicos habilitados para IA autorizados para comercialización en Estados Unidos.
¿La IA puede reducir la cantidad de medio de contraste?
Puede contribuir a desarrollar y optimizar protocolos con menor cantidad de contraste, y existen investigaciones sobre reconstrucción y generación de imágenes a partir de dosis reducidas. Sin embargo, su aplicación depende del algoritmo, equipo, estudio y validación clínica.
¿La IA mejora la calidad de una imagen de CT?
Puede hacerlo, especialmente mediante técnicas de reconstrucción basadas en deep learning que reducen el ruido y pueden mejorar la calidad percibida o la detectabilidad de determinadas estructuras.
¿La IA elimina la necesidad de un radiólogo?
No. La IA proporciona información adicional y automatiza determinadas tareas, pero la interpretación médica y la toma de decisiones clínicas requieren supervisión profesional.
Puntos clave
- La IA ya forma parte del desarrollo actual de la radiología.
- La reconstrucción mediante deep learning es una de sus aplicaciones más desarrolladas en CT.
- Puede ayudar a mejorar la calidad de imagen y optimizar la dosis de radiación.
- También se investiga su capacidad para reducir la cantidad de medio de contraste.
- La automatización puede mejorar el flujo de trabajo y disminuir tareas repetitivas.
- Los algoritmos deben validarse y monitorearse antes y después de su implementación.
- La IA debe utilizarse como herramienta de apoyo, manteniendo la supervisión del profesional de salud.
La inteligencia artificial está modificando progresivamente el flujo de trabajo de la radiología y ofrece nuevas posibilidades para optimizar los estudios realizados con medios de contraste.
Desde la planificación del estudio hasta la reconstrucción y análisis de las imágenes, la IA puede ayudar a mejorar la calidad diagnóstica, optimizar la dosis de radiación, automatizar procesos y explorar nuevas estrategias para reducir la cantidad de contraste utilizada.
Sin embargo, su valor no depende únicamente de la tecnología. Una implementación adecuada requiere evidencia científica, validación clínica, integración con los sistemas existentes, capacitación y monitoreo continuo.
La tendencia apunta hacia una radiología más automatizada y personalizada, donde la tecnología ayude a los profesionales a trabajar con mayor precisión y eficiencia, manteniendo siempre el criterio clínico y la supervisión humana como elementos fundamentales.
Referencias
- American College of Radiology. ACR-SIIM Practice Parameter for Imaging Artificial Intelligence. 2026.
- American College of Radiology. Artificial Intelligence in Radiology / Data Science Institute.
- U.S. Food and Drug Administration. Artificial Intelligence-Enabled Medical Devices. 2026.
- Bani-Ahmad, M., England, A., McLaughlin, L., Hadi, Y. H., & McEntee, M. Potential of artificial intelligence for radiation dose reduction in computed tomography – A scoping review. Radiography, 2025.
- Isik, I. H. Artificial intelligence for radiation dose reduction in computed tomography: a narrative synthesis of clinical evidence from 2020 to 2025. Journal of Radiological Protection, 2026.
- Azarfar, G., et al. Applications of deep learning to reduce the need for iodinated contrast media for CT imaging: a systematic review. International Journal of Computer Assisted Radiology and Surgery, 2023.
- Brady, S. L. Implementation of AI image reconstruction in CT—how is it validated and what dose reductions can be achieved. British Journal of Radiology, 2023.
- Effectiveness of AI for Enhancing Computed Tomography Image Quality and Radiation Protection in Radiology: Systematic Review and Meta-Analysis. 2025.