[Durgical](https://durgical.com/) › [DurgiPedia](https://durgical.com/durgipedia/) › [Epidemiología](https://durgical.com/epidemiologia/) › [Informática médica](https://durgical.com/epidemiologia/areas/informatics/) › Inteligencia artificial en imágenes médicas: redes neuronales convolucionales

# Inteligencia artificial en imágenes médicas: redes neuronales convolucionales

- Concepto

Casi toda la [IA médica](https://durgical.com/epidemiologia/inteligencia-artificial-en-medicina-usos-y-limites/) que ya se usa lee imágenes. Saber cómo «ve» un estudio le indica cuándo confiar en su alerta y cuándo mirar de nuevo usted mismo.

Actualizado 20 nov 2026

## Lo esencial

- CNN: filtros aprendidos se deslizan sobre los píxeles; las primeras capas detectan bordes, las profundas formas y patrones; se entrena con imágenes etiquetadas, no con reglas escritas.
- Tareas: clasificación (¿está?), detección o localización (¿dónde?), segmentación (su contorno), triaje (¿qué estudio primero?) y cuantificación (¿cuánto mide?).
- Fallas propias de las imágenes: cambio de equipo y protocolo, etiquetas de un solo lector, pistas espurias como marcas de texto o reglas, hallazgos raros y [sesgo de automatización](https://durgical.com/semiologia/usar-ayudas-de-decision-e-ia-junto-a-la-cama-del-paciente/).
- El punto de corte se elige sobre la [curva ROC](https://durgical.com/epidemiologia/curva-roc/) según la tarea: el triaje favorece la sensibilidad; cuente las falsas alertas por 1 000 estudios con la [prevalencia](https://durgical.com/epidemiologia/prevalencia/) local.
- Escalera de validación: prueba retrospectiva, prueba externa multicéntrica, estudio de lectores, uso prospectivo y vigilancia después de la [implementación](https://durgical.com/epidemiologia/gestion-del-cambio-lograr-que-las-mejoras-perduren/).
- La IA que diagnostica es software como dispositivo médico: la FDA autoriza dispositivos con IA, la mayoría en radiología; en Colombia el INVIMA vigila los dispositivos médicos.

En esta página

- Lo básico Lo esencial
- Qué es
- Cómo pensarlo
- Datos clave
- Ejemplo resuelto
- Marcadores
- En la práctica
- Errores frecuentes
- Trampas frecuentes
- En otras secciones

- Clínica Tareas de la IA en imágenes: qué responde cada una

- Estudio Póngase a prueba

- Conexiones Conexiones

## Qué es

Una red neuronal convolucional (CNN, por su sigla en inglés) es un modelo de aprendizaje profundo hecho para imágenes. Pequeños filtros aprendidos se deslizan sobre los píxeles y construyen rasgos capa por capa, de bordes a formas y a patrones completos; las últimas capas los convierten en una salida: una probabilidad de enfermedad, un recuadro sobre un hallazgo o el contorno de un órgano. Aprende de miles de imágenes etiquetadas, no de reglas escritas por personas. En la práctica es una prueba diagnóstica dentro de un software, y así se evalúa, se autoriza y se vigila.

## Cómo pensarlo

Una CNN aprende cualquier patrón de píxeles que separe las etiquetas que recibió. No sabe qué patrón es la enfermedad y cuál es el equipo, el hospital o una regla sobre la placa. Cada falla propia de las imágenes se deriva de este único hecho.

## Datos clave

- Un filtro es una pequeña cuadrícula de pesos, por ejemplo de 3 × 3 píxeles; al deslizarlo sobre la imagen genera un mapa de rasgos que se enciende donde aparece su patrón.
- El agrupamiento (pooling) reduce los mapas, así cada capa más profunda ve un área mayor: los bordes forman texturas y las texturas, un nódulo o una línea de fractura.
- El entrenamiento ajusta los pesos para reducir el error entre la salida y la etiqueta, imagen tras imagen; nadie le dice al modelo qué rasgos usar.
- Los mapas de calor muestran qué píxeles pesaron en la salida; ayudan a detectar una pista equivocada, pero no prueban que el modelo razone bien.
- Un algoritmo bloqueado da la misma salida para la misma imagen tras su autorización; uno adaptativo cambia con datos nuevos, y sus cambios requieren un plan de control de cambios acordado.
- El software con fin médico que funciona sin ser parte de un equipo físico se llama software como dispositivo médico (SaMD, por su sigla en inglés).

## Ejemplo resuelto

- Un hospital prueba un modelo de triaje de sangrado en TC de cráneo con 1 000 estudios seguidos: 80 (8 %) muestran hemorragia intracraneal y 920 no.
- Punto de corte A (umbral bajo): sensibilidad 95 %, [especificidad](https://durgical.com/epidemiologia/especificidad/) 85 %. Marca 76 de 80 sangrados y el 15 % de 920 = 138 estudios sin sangrado.
- Punto A: 76 + 138 = 214 alertas; VPP = 76 / 214 ≈ 36 %; 4 sangrados quedan sin alerta y esperan en la fila normal.
- Punto de corte B (umbral más alto): sensibilidad 85 %, especificidad 95 %. Marca 68 sangrados y el 5 % de 920 = 46 estudios sin sangrado.
- Punto B: 68 + 46 = 114 alertas; VPP = 68 / 114 ≈ 60 %; 12 sangrados quedan sin alerta.
- Pasar de A a B elimina 92 falsas alertas por 1 000 estudios, pero deja 8 sangrados más sin prioridad.
- Un radiólogo igual lee todos los estudios, así que una alerta perdida es un retraso, no un diagnóstico perdido: para triaje suele convenir el punto A.
- Lectura: el punto de corte es una decisión clínica sobre la curva ROC que pesa el costo del retraso frente a las falsas alarmas con la prevalencia local.

## Tareas de la IA en imágenes: qué responde cada una

| Tarea | Pregunta que responde | Salida | Ejemplo | Cómo se evalúa |
| --- | --- | --- | --- | --- |
| Clasificación | ¿Está presente el hallazgo? | Una probabilidad o clase para toda la imagen | [Retinopatía diabética](https://durgical.com/enfermedades/retinopatia-diabetica/) referible en una fotografía de [retina](https://durgical.com/anatomia/retina/) | Sensibilidad, especificidad, curva ROC |
| Detección o localización | ¿Dónde está? | Un recuadro o punto sobre cada hallazgo | Nódulos pulmonares en TC de tórax, fracturas en radiografías | Hallazgos encontrados y marcas falsas por imagen |
| Segmentación | ¿Cuál es su contorno exacto? | Una máscara píxel a píxel | Contorno de un tumor, un infarto o las cavidades cardíacas | Superposición entre la máscara del modelo y la del experto |
| Triaje | ¿Qué estudio se debe leer primero? | Una alerta que sube el estudio en la lista de trabajo | Oclusión de gran vaso o hemorragia en TC de cráneo | Tiempo hasta la lectura y el tratamiento; falsas alertas por día |
| Cuantificación | ¿Cuánto mide, cuánto hay, qué tan rápido cambia? | Un número, como un volumen o una densidad | Crecimiento del volumen de un nódulo, densidad mamaria, fracción de eyección | Concordancia con la medición experta y repetibilidad |

## Marcadores

- CNN
- SaMD
- AUC
- PCCP

## En la práctica

- Tamizaje de retinopatía diabética: un modelo gradúa fotografías de retina en atención primaria y remite al oftalmólogo a los positivos.
- Mamografía: un modelo marca zonas sospechosas o actúa como segundo lector, con la meta de mantener la detección de cáncer con menos rellamadas.
- Radiografía y TC de tórax: los modelos alertan sobre nódulos, [neumotórax](https://durgical.com/enfermedades/neumotorax/) o consolidación y miden el crecimiento de un nódulo entre estudios.
- Ataque cerebrovascular y hemorragia: en TC o angio-TC de cráneo, un modelo de triaje avisa al equipo de una posible oclusión de gran vaso o un sangrado.
- Detección de fracturas: en urgencias, un modelo marca fracturas sutiles en radiografías para que el clínico las revise.
- Antes de apoyarse en una herramienta, pregunte: qué tarea, en qué equipos y población se probó, con qué punto de corte y quién revisa sus errores.

## Errores frecuentes

- Leer el AUC de los datos del desarrollador como si se mantuviera con los equipos y protocolos propios.
- Tomar un estudio de lectores con casos enriquecidos como prueba de beneficio en la práctica diaria.
- No calcular la carga diaria de falsas alertas antes de encender una herramienta de triaje.
- Omitir la vigilancia tras la instalación, de modo que una actualización o un equipo nuevo bajan el desempeño sin que nadie lo note.

## Trampas frecuentes

- **La CNN busca la enfermedad como un radiólogo**: aprende cualquier patrón que separe las etiquetas, incluidas marcas de texto, reglas, el rótulo de una placa portátil o el equipo del hospital, y puede acertar por la razón equivocada.
- **Superar a los radiólogos en un estudio de lectores prueba el beneficio**: esos estudios usan casos enriquecidos y condiciones artificiales; la prevalencia real, el uso prospectivo y el humano con la herramienta deciden el efecto.
- **Sin alerta del triaje, el estudio es normal**: el triaje solo reordena la lista de trabajo; un estudio sin alerta igual necesita una lectura completa.
- **Las etiquetas de entrenamiento son la verdad**: las de un solo lector arrastran sus omisiones; un mejor patrón de referencia usa consenso, seguimiento o patología.
- **Un algoritmo autorizado sigue aprendiendo solo y sin riesgo**: un modelo bloqueado no cambia, y los cambios de uno adaptativo deben revisarse o acordarse antes en un plan de control de cambios; ambos requieren vigilancia local.

## Póngase a prueba

Piense la respuesta y toque la pregunta para verla.

## Un modelo de fracturas funciona bien en su hospital de origen, pero mal con imágenes de equipos de otro fabricante. ¿Por qué y qué se debe hacer?

Cambio en los datos: otros equipos y protocolos modifican los píxeles en que se apoya el modelo. Se prueba con imágenes locales antes de usarlo y se vigila después.

## Un modelo de radiografía de tórax detecta neumotórax sobre todo en placas que ya muestran un tubo de tórax. ¿Qué aprendió?

Una pista espuria: el tubo marca casos ya tratados. Puede fallar en el neumotórax sin tratar, el que importa; se prueba con imágenes sin tubo.

## En un triaje de hemorragia donde toda TC se lee igual, ¿por qué elegir un punto de corte de alta sensibilidad?

Una alerta perdida solo retrasa una lectura y un sangrado detectado se lee antes; el precio son más falsas alertas, que se deben contar por 1 000 estudios.

## ¿Por qué un estudio de lectores con 50 % de cánceres exagera el VPP que verá un radiólogo en tamizaje?

El VPP sube con la prevalencia; en tamizaje es mucho menor, así que la misma sensibilidad y especificidad dan muchos más falsos positivos por cada verdadero.

## Un radiólogo cambia una lectura correcta para coincidir con la marca errónea de la IA. ¿Qué es y qué lo reduce?

Sesgo de automatización. Lo reducen leer primero y luego ver la salida de la IA, conocer los errores típicos de la herramienta y auditar los desacuerdos.

[Agregar a mis tarjetas (5)](https://durgical.app/estudiar/?add=/epidemiologia/inteligencia-artificial-en-imagenes-medicas-redes-neuronales-convolucionales/)

## En otras secciones

- [Usar ayudas de decisión e IA junto a la cama del paciente](https://durgical.com/semiologia/usar-ayudas-de-decision-e-ia-junto-a-la-cama-del-paciente/)

## Conexiones

## Relacionados 8

- [Inteligencia artificial en medicina: usos y límites](https://durgical.com/epidemiologia/inteligencia-artificial-en-medicina-usos-y-limites/)
- [Sistemas de apoyo a la decisión clínica](https://durgical.com/epidemiologia/sistemas-de-apoyo-a-la-decision-clinica/)
- [Curva ROC](https://durgical.com/epidemiologia/curva-roc/)
- [Punto de corte: sensibilidad frente a especificidad](https://durgical.com/epidemiologia/punto-de-corte-sensibilidad-frente-a-especificidad/)
- [Sesgo de espectro](https://durgical.com/epidemiologia/sesgo-de-espectro/)
- [Efecto de la prevalencia en los valores predictivos](https://durgical.com/epidemiologia/efecto-de-la-prevalencia-en-los-valores-predictivos/)
- [Prueba de referencia (patrón de oro)](https://durgical.com/epidemiologia/prueba-de-referencia/)
- [Ingeniería de factores humanos: diseñar para personas reales](https://durgical.com/epidemiologia/ingenieria-de-factores-humanos-disenar-para-personas-reales/)

[← Toda la epidemiología](https://durgical.com/epidemiologia/)

Contenido educativo sobre métodos epidemiológicos y estadísticos; los ejemplos usan números inventados para enseñar el cálculo. No es una guía clínica ni normativa: las normas colombianas vigentes se consultan en las fuentes oficiales.

Fuentes: [Artificial Intelligence-Enabled Medical Devices](https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-software-medical-device) (U.S. Food and Drug Administration, 2026); [List of Artificial Intelligence-Enabled Medical Devices](https://www.fda.gov/medical-devices/artificial-intelligence-enabled-medical-devices/list-artificial-intelligence-enabled-medical-devices) (U.S. Food and Drug Administration, 2026); [Software as a Medical Device (SaMD)](https://www.fda.gov/medical-devices/digital-health-center-excellence/software-medical-device-samd) (U.S. Food and Drug Administration, 2018); [Ethics and governance of artificial intelligence for health](https://www.who.int/publications/i/item/9789240029200) (World Health Organization, 2021).

## **¿Ha detectado un error?** Siempre buscamos mejorar para la comunidad. Cuéntenos qué está mal y nuestro equipo lo revisa. Reportar un error

Modelo representativo, solo con fines educativos.

---
Source: https://durgical.com/epidemiologia/inteligencia-artificial-en-imagenes-medicas-redes-neuronales-convolucionales/
License: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Cite as: DurgiPedia (durgical.com), https://durgical.com/epidemiologia/inteligencia-artificial-en-imagenes-medicas-redes-neuronales-convolucionales/
