https://repository.unad.edu.co/handle/10596/52586 2026-05-09T21:05:13Z 2026-05-09T21:05:13Z https://repository.unad.edu.co/handle/10596/80773 2026-05-07T20:07:58Z 2026-05-01T00:00:00Z

Title: Análisis documental del riesgo asociado a ataques adversariales en el flujo de trabajo radiológico: consecuencias en la validez del diagnóstico por (IA) y retos para la protección de datos sensibles bajo estándares internacionales Abstract: La presente investigación analiza el impacto de los ataques adversariales en los sistemas de inteligencia artificial aplicados a la radiología, con énfasis en sus efectos sobre la validez diagnóstica y la seguridad de los datos clínicos. El estudio se desarrolla bajo un enfoque cualitativo, con un diseño documental basado en la revisión de literatura científica relacionada con inteligencia artificial, ciberseguridad y diagnóstico por imágenes. A partir del análisis de fuentes académicas, se identifican las principales vulnerabilidades de los sistemas de IA frente a la manipulación de imágenes médicas, evidenciando riesgos asociados a diagnósticos erróneos, alteración de la información clínica y posibles afectaciones a la seguridad del paciente. Asimismo, se examinan las implicaciones técnicas, éticas y clínicas derivadas de estos ataques en entornos hospitalarios digitalizados. De igual forma, se destacan estrategias de mitigación basadas en la literatura, orientadas al fortalecimiento de la ciberseguridad, la protección de datos sensibles y la confiabilidad de los sistemas diagnósticos asistidos por inteligencia artificial. El estudio resalta la necesidad de fortalecer los marcos de gobernanza de datos y la supervisión humana en los sistemas de inteligencia artificial, considerando que la automatización en radiología no elimina la responsabilidad clínica del profesional. En este sentido, se plantea que la implementación segura de estas tecnologías requiere una integración equilibrada entre innovación tecnológica, regulación ética y capacitación especializada del personal, con el fin de garantizar diagnósticos confiables y minimizar riesgos asociados a la manipulación adversarial en entornos clínicos digitalizados. Palabras clave: inteligencia artificial, radiología, ataques adversariales, ciberseguridad, diagnóstico médico.

2026-05-01T00:00:00Z https://repository.unad.edu.co/handle/10596/79194 2026-04-10T21:15:16Z 2026-02-19T00:00:00Z

Title: Eficacia de las redes neuronales en la mitigación de artefactos para tomografía computarizada y resonancia magnética: una revisión bibliográfica sobre calidad de imagen Abstract: Este trabajo analiza la eficacia de las redes neuronales en la mitigación de artefactos en Tomografía Computarizada (TC) y Resonancia Magnética (RM), tecnologías esenciales cuya fidelidad diagnóstica se ve frecuentemente alterada por distorsiones visuales denominadas artefactos. El marco teórico establece que estas anomalías como el endurecimiento del haz, los efectos metálicos en TC, o el solapamiento y las imágenes fantasmagóricas en RM surgen de interacciones complejas entre el equipo, el paciente y factores técnicos. Tales errores inducen a "falsos positivos" y obligan a la repetición de estudios, lo que contraviene el principio ALARA al aumentar la dosis de radiación y los costos operativos. La revisión destaca el potencial de la Inteligencia Artificial, específicamente de las Redes Neuronales Convolucionales (CNN) como U-Net y ResNet, para automatizar la detección y corrección de estas distorsiones. A diferencia de los métodos tradicionales dependientes de la pericia humana, estas arquitecturas permiten identificar patrones complejos para diferenciar la anatomía real del ruido técnico, optimizando la relación señal-ruido. El documento aborda además el marco legal y ético, incluyendo normativas colombianas y la protección de datos, subrayando cómo la automatización busca estandarizar la calidad diagnóstica y garantizar la seguridad del paciente en los servicios de imagenología contemporáneos. Palabras clave: Artefactos, Inteligencia artificial, Redes Neuronales Convolucionales, Tomografía Computarizada, Resonancia Magnética.

2026-02-19T00:00:00Z https://repository.unad.edu.co/handle/10596/78863 2026-03-25T22:48:28Z 2026-02-16T00:00:00Z

Title: Detección y corrección subóptima de artefactos en imágenes de radiografía digital mediante métodos manuales Abstract: La presente investigación tiene como propósito identificar y comparar prototipos de software para la detección y corrección automática de artefactos en imágenes de radiografía digital, esto se lleva a cabo con el análisis de información encontrada en diferentes bases de datos consultadas con material de estudio, que permite comparar su desempeño con los métodos manuales utilizados tradicionalmente. Los artefactos representan un desafío importante en el diagnóstico por imágenes, ya que pueden afectar la calidad visual y conducir a interpretaciones erróneas. El estudio incluye un análisis comparativo entre los métodos automáticos y manuales, considerando indicadores de precisión, tiempo de procesamiento y mejora en la calidad de imagen. Los resultados obtenidos buscan demostrar la viabilidad del uso de herramientas automatizadas en entornos clínicos, contribuyendo a optimizar los procesos radiológicos y mejorar la seguridad y exactitud diagnóstica.

2026-02-16T00:00:00Z https://repository.unad.edu.co/handle/10596/78782 2026-04-11T17:09:14Z 2026-02-16T00:00:00Z

Title: Optimización de parámetros de imagen basada en IA y aprendizaje automático Abstract: El presente proyecto aplicado tiene como objetivo optimizar los parámetros de adquisición de imagen en radiología mediante el uso de herramientas basadas en inteligencia artificial y aprendizaje automático, con el fin de mejorar la calidad diagnóstica y reducir la dosis de radiación al paciente. La investigación aborda la importancia de la implementación de tecnologías emergentes en los servicios de imágenes diagnósticas, permitiendo la estandarización de protocolos, la disminución de la variabilidad dependiente del operador y la optimización de los procesos en la práctica clínica. A partir de la revisión de literatura científica y del análisis del impacto de la IA en la radiología, se identifican los beneficios en términos de eficiencia, seguridad del paciente y apoyo en la toma de decisiones. Los resultados evidencian que la integración de estos sistemas contribuye al fortalecimiento de la calidad del servicio, al mejoramiento continuo de los procesos y al desarrollo tecnológico en el área de imágenes diagnósticas.

2026-02-16T00:00:00Z