Detección y corrección automática de artefactos en imágenes médicas utilizando redes neuronales para identificar y mejorar la precisión diagnóstica

Abstract

La calidad de las imágenes médicas es fundamental para obtener diagnósticos precisos, pero los artefactos y fallos técnicos continúan siendo un desafío, especialmente en instituciones con limitaciones tecnológicas. Ante esta problemática, las herramientas basadas en inteligencia artificial, en particular las redes neuronales convolucionales (CNNs), han demostrado gran potencial para mejorar imágenes, identificar artefactos y reducir errores diagnósticos al automatizar procesos de análisis. Esta investigación analiza la viabilidad, efectividad e impacto clínico de modelos basados en CNNs aplicados a estudios como la resonancia magnética. Se emplea una metodología mixta que combina un enfoque cuantitativo para evaluar métricas de precisión, sensibilidad y especificidad, y un enfoque cualitativo para revisar literatura, estudios de caso y experiencias de implementación. La evidencia indica que estas tecnologías pueden mejorar la calidad diagnóstica, disminuir la repetición de estudios e integrarse incluso en entornos con recursos limitados. No obstante, persisten retos como la capacitación del personal, la aceptación clínica, la interoperabilidad y la necesidad de estandarización. Los resultados esperados incluyen validar el desempeño de los modelos, identificar vacíos en el conocimiento y proponer recomendaciones prácticas para su integración ética y escalable en distintos entornos clínicos. En resumen, se busca aportar al desarrollo de herramientas accesibles que fortalezcan la eficiencia diagnóstica y promuevan mayor equidad en el acceso a tecnologías avanzadas. Palabras Clave: inteligencia artificial, detección automática, aprendizaje profundo, redes neuronales convolucionales, deep learning.