Inteligencia artificial aplicada al análisis de imágenes biomédicas: segmentación, clasificación y modelos deep learning para diagnóstico asistido

La inteligencia artificial, particularmente el deep learning, ha transformado el análisis de imágenes biomédicas mediante la automatización de tareas de segmentación, clasificación, detección y localización en múltiples modalidades diagnósticas. Sin embargo, el alto rendimiento obtenido en conjuntos de datos controlados no siempre garantiza utilidad clínica. Se realizó un revisión integrativa con síntesis narrativa de 30 artículos publicados entre 2018 y 2026 sobre tomografía computarizada, resonancia magnética, tomografía por emisión de positrones, tomografía por emisión de fotones únicos, radiografía, ultrasonido, dermatoscopia, citología e histopatología. Se analizaron las arquitecturas empleadas, las tareas diagnósticas, las métricas de rendimiento, la validación externa y los métodos de explicabilidad. La evidencia muestra que las redes convolucionales continúan siendo una base sólida para extracción de patrones locales, mientras que los Vision Transformers y arquitecturas híbridas CNN-Transformer amplían la representación del contexto global. En segmentación, modelos U-Net/ResUNet y sistemas híbridos alcanzan resultados elevados, incluidos Dice de 98,3% en un enfoque pulmonar multimodal y 0,9568 en HAM10000. En clasificación, varios estudios reportan precisiones superiores a 95%; sin embargo, la revisión crítica evidencia que métricas extraordinarias en datasets controlados no garantizan desempeño clínico. Solo una fracción limitada de estudios incorpora validación externa, y se han descrito pérdidas de rendimiento entre datasets heterogéneos. La explicabilidad mediante Grad-CAM, LIME y métodos relacionados mejora la auditabilidad, pero aún carece de estandarización clínica. La adopción confiable de IA en imágenes biomédicas requiere priorizar la generación, la robustez, la interpretabilidad clínicamente válida, la equidad y la integración en flujos asistenciales reales, en lugar de optimizar únicamente métricas aisladas.