Mundo Fesc
E-ISSN: 2216-0388 P- ISSN: 2216-0353
Artículo Original
Análisis Comparativo de Herramientas de Inteligencia Artificial para el Desarrollo de Plataformas de Diagnóstico por Imágenes Médicas de Enfermedades Respiratorias.
Comparative Analysis of Artificial Intelligence Tools for the Development of Medical Imaging-Based Diagnostic Platforms for Respiratory Diseases
Recibido: 13 Septiembre de 2024
Aprobado: 21 Diciembre de 2024
Cómo citar: D. C. Candia-Herrera, K. Y. Sánchez-Mojica, A. J. Contreras-Rodriguez, D.A. Beltrán-Reyes , J.D. Rico-Echeverri, “Análisis Comparativo de Herramientas de Inteligencia Artificial para el Desarrollo dePlataformas de Diagnóstico por Imágenes Médicas de Enfermedades Respiratorias.”, Mundo Fesc, vol. 15,no. 31, 2025, doi: 10.61799/2216-0388.1819.
Diana Carolina Candia-Herrera1*
Magister en Educación, Corporación Universitaria
Iberoamericana, Grupo de Investigación GIGCIC, diana.
candia@docente.ibero.edu.co, Colombia, https://orcid.
org/0000-0001-8934-8756
Karla Yohana Sánchez-Mojica2
Magister en Ingeniería Industrial, Corporación Universitaria
Iberoamericana, Grupo de Investigación GIGCIC, diana.
candia@docente.ibero.edu.co, Colombia, https://orcid.
org/0000-0003-3164-4725
Ana Yesmit Contreras-Rodriguez3
Esp-M.Sc Sistemas sostenibles de producción.
jfhoyosp@ufpso.edu.co
https://orcid.org/0000-0002-0377-4664
Docente asociado Universidad Francisco de Paula Santander Ocaña, Ocaña, Colombia
Diego Alejandro Beltrán-Reyes4
Estudiante Ingeniería de Software 7° semestre, Corporación
Universitaria Iberoamericana, dbeltr38@estudiante.ibero.edu.
co, Colombia, https://orcid.org/0009-0001-2991-192X
Jhonatan David Rico-Echeverri5
Estudiante Ingeniería de Software 7° semestre, Corporación
Universitaria Iberoamericana, jricoech@estudiante.ibero.edu.
co, Colombia, https://orcid.org/0009-0002-9857-3052
*Autor para correspondencia:
diana.candia@docente.ibero.edu.co
Análisis Comparativo de
Herramientas de Inteligencia
Artificial para el Desarrollo de
Plataformas de Diagnóstico por Imágenes
Médicas de Enfermedades Respiratorias.
Resumen
Las enfermedades respiratorias por virus y bacterias, como COVID-19, neumonía bacteriana y
tuberculosis representan una amenaza para la salud pública en general, especialmente en contextos
donde el acceso a herramientas médicas de alta tecnología es limitado. En este sentido, la inteligencia
artificial ha sobresalido como una herramienta clave para optimizar el diagnóstico por imágenes médicas,
mejorando la precisión y reduciendo los tiempos de atención. El objetivo general de esta investigación fue
identificar, caracterizar y comparar herramientas tecnológicas que faciliten el desarrollo de plataformas de
diagnóstico de enfermedades respiratorias mediante la IA. Se utilizó una metodología de tipo descriptivo con enfoque
cualitativo, estructurada en cuatro etapas: revisión documental, clasificación de herramientas, diseño de una matriz comparativa
y evaluación cualitativa, generando una ruta crítica de selección. Los resultados permitieron identificar herramientas como Python,
Tensor Flow, ChestX-ray8, ONNX, Pydicom, Flask/FastAPI, las cuales mostraron ventajas en términos de rendimiento,
compatibilidad, escalabilidad y accesibilidad. Estas herramientas ofrecen una base sólida para el desarrollo de
plataformas de diagnóstico automatizado, destacando especialmente en entornos clínicos con recursos limitados.
Esta investigación aporta una guía validada y consecuente para la selección de herramientas tecnológicas en
proyectos de soluciones médicas, contribuyendo al desarrollo de software de uso clínico robustos, escalables y éticamente responsables.
Palabras clave: COVID-19, Diagnóstico por imágenes médicas, Inteligencia artificial,
Neumonía bacteriana, Tuberculosis.
Comparative
Analysis of Artificial
Intelligence Tools for
the Development of
Medical ImagingBased Diagnostic
Platforms for
Respiratory Diseases
Abstract
Respiratory diseases caused by viruses and bacteria, such
as COVID-19, bacterial pneumonia, and tuberculosis, pose
a significant threat to public health, particularly in contexts
where access to high-tech medical tools is limited. In this
regard, artificial intelligence has emerged as a key tool to
optimize medical imaging diagnostics, improving accuracy
and reducing response times. The general objective of
this study was to identify, characterize, and compare
technological tools that facilitate the development of
diagnostic platforms for respiratory diseases through AI.
A descriptive methodology with a qualitative approach
was employed, structured in four stages: literature review,
tool classification, design of a comparative matrix, and
qualitative evaluation, leading to the development of
a critical selection pathway. The results allowed the
identification and prioritization of tools such as Python,
TensorFlow, ChestX-ray8, ONNX, Pydicom, and Flask/
FastAPI, which demonstrated advantages in terms of
performance, compatibility, scalability, and accessibility.
These tools provide a solid foundation for the development
of automated diagnostic platforms, particularly in clinical
environments with limited resources. This research
offers a validated and consistent guide for the selection
of technological tools in medical solution projects,
contributing to the development of robust, scalable, and
ethically responsible clinical software
Keywords: Artificial intelligence, Bacterial
pneumonia, COVID-19, Medical imaging
diagnostics, Tuberculosis.
Introducción
El propósito de este artículo es analizar y comparar las herramientas disponibles para
el desarrollo de una plataforma de reconocimiento de imágenes médicas enfocada en
la detección de enfermedades respiratorias infecciosas causadas tanto por virus como
por bacterias. Específicamente, se consideran patologías como el COVID-19, neumonía
bacteriana y tuberculosis, utilizando inteligencia artificial como base tecnológica para
mejorar la precisión y eficiencia en el diagnóstico.
El procesamiento de imágenes médicas desempeña un papel crucial en la detección
temprana de enfermedades respiratorias. Es por esto por lo que, la inteligencia artificial
ha aparecido como una herramienta clave para mejorar los procesos, permitiendo
analizar un mayor número de imágenes en menor tiempo y con mayor precisión [1],[18].
Por otro lado, en el desarrollo de software es esencial seleccionar las herramientas
adecuadas que permitan alcanzar los objetivos planteados. Teniendo en cuenta la
cantidad gran variedad de opciones disponibles para la creación de la plataforma,
es necesario caracterizarlas con el fin de clasificarlas y seleccionarlas a partir de las
ventajas y desventajas de cada una, para asegurar que la plataforma se construya con
la tecnología más apropiada. Estudios recientes han indicado que los algoritmos de IA
aplicados a radiografías de tórax pueden alcanzar una precisión diagnóstica comparable
a la de los profesionales de la salud en la identificación de neumonía [2].
Para ello, se llevó a cabo una búsqueda preliminar de herramientas alineadas con los
requerimientos del proyecto, obteniendo la identificación inicial de treinta herramientas
relacionadas, directa e indirectamente, con el desarrollo de la plataforma. Aunque el
equipo de investigación tenía conocimientos previos sobre algunas de ellas, fue necesario
realizar un análisis más profundo; luego, para organizar y evaluar esta información, se
diseñó una matriz comparativa que permitió describir y clasificar cada herramienta
según sus características clave, con este análisis se adecuó una guía para la selección
de herramientas tecnológicas para el desarrollo de plataformas de reconocimiento de
imágenes médicas.
Para esta exploración, se tuvo como base la metodología investigativa, donde se realizó
una revisión a fonde de literatura científica e información técnica relevante, analizando
herramientas utilizadas con anterioridad en el desarrollo de software médico. Los criterios
de selección incluyeron, relevancia para la plataforma, capacidades técnicas, facilidad
de implementación, requerimientos de la herramienta, costos y accesibilidad, soporte y
documentación, compatibilidad con otras herramientas, entre otros.
Los resultados de esta investigación proporcionan una guía sustentada para la selección
de las herramientas tecnológicas para el desarrollo de la plataforma, destacando
Candia-Herrera Diana Carolina, Sánchez-Mojica Karla Yohana, Contreras-Rodriguez
Ana Yesmit, Beltrán-Reyes Diego Alejandro, Rico-Echeverri Jhonatan David
aquellas que ofrecen mejores beneficios, en cuanto al lenguaje de programación y
el uso de inteligencia artificial, por ejemplo, Python [13], incluyendo algunas de sus
bibliotecas como Pydicom y PyTorch, entre otras. Este trabajo contribuye a la selección
de tecnologías orientadas a diagnósticos más rápidos y precisos en la detección de
enfermedades respiratorias infecciosas causadas por virus y bacterias.
Marco Teórico
1. Enfermedades Respiratorias Infecciosas:
Las enfermedades respiratorias de carácter infeccioso como lo son la neumonía, el COVID
19 y la tuberculosis, son un problema de salud bastante grave en todo el mundo, siendo
la primera de estas una de las principales causas de muerte por infección respiratoria,
donde las víctimas, en su mayoría, son menores de cinco años; anualmente se registran
más de 8 millones de pacientes con tuberculosis en todo el mundo y en cuanto al COVID
19, el número de casos activos puede variar dependiendo el momento y región que se
observe [19]. Estas enfermedades amenazan significativamente el bienestar en países
subdesarrollados, ya que en ellos se dificulta un diagnóstico en un tiempo prudente y el
acceso a una atención oportuna [3].
Estas enfermedades desafían considerablemente la salud mundial, en especial en
los países donde el acceso a la tecnología médica avanzada, personal capacitado
y diagnósticos rápidos es limitado. La demora en la detección y tratamiento de estas
enfermedades pueden derivar en complicaciones severas o incluso en el fallecimiento
del paciente.
Incorporar nuevas tecnologías se ha convertido no solo en una estrategia prometedora
para mejorar los procesos diagnósticos, sino en una necesidad propia del área de la
salud, para fortalecer estos procesos con herramientas automatizadas que permitan
agilizar y hacer más accesibles los dictámenes clínicos.
2. Inteligencia Artificial Aplicada A las Imágenes Médicas:
La inteligencia artificial ha demostrado ser una buena alternativa para apoyar los
diagnósticos clínicos, particularmente en el reconocimiento de imágenes médicas, para
ello ya se ha venido implementando en la rama de la medicina y con ayuda de la ingeniería,
tecnologías de aprendizaje profundo, definidas como “ un subconjunto del aprendizaje
automático y, por extensión, de la inteligencia artificial: una técnica de entrenamiento de
computadoras que imita la manera en que las neuronas del cerebro humano procesan y
recopilan información; es, literalmente, una red neuronal artificial.”, estas se han utilizado
en el análisis de radiografías de tórax para detectar anomalías, con el fin de realizar un
diagnóstico preciso en el menor tiempo posible. [5], teniendo como objetivo principal en
la imagenología, el análisis de las imágenes para generar un diagnóstico.
Análisis Comparativo de Herramientas de Inteligencia Artificial para el Desarrollo de
Plataformas de Diagnóstico por Imágenes Médicas de Enfermedades Respiratorias.
Particularmente en el campo del diagnóstico por imágenes, la IA ha demostrado un
potencial significativo en la identificación automatizada de anomalías en radiografías,
tomografías y resonancias magnéticas. Este enfoque no solo mejora la eficiencia del
proceso clínico, sino que también reduce el margen de error asociado a la interpretación
humana, permitiendo diagnósticos más precisos y oportunos, incluso en contextos
donde el personal médico especializado es escaso [6].
3. Clasificación de Imágenes con redes Neuronales Convolucionales (CNN)
Una de las técnicas más empleadas es el modelo de clasificación de imágenes conocidos
como CNN modelos de programación potentes que permiten principalmente el
reconocimiento de imágenes atribuyendo automáticamente a cada imagen proporcionada
en la entrada, una etiqueta correspondiente a la clase a la que pertenece[7], logrando
resultados positivos frente a la clasificación correcta de imágenes con enfermedades
respiratorias. No obstante, es importante precisar que adicional a la tecnología y
modelos elegidos para el desarrollo correcto de la lectura de imágenes, se debe tener
una adecuada selección de las herramientas de desarrollo, pues de ellas depende en
gran parte la eficacia de la plataforma.
Estas redes, son utilizadas para el procesamiento de imágenes, voz, audio y vídeo, siendo
una de las herramientas con mejores resultados en el reconocimiento de patrones, Las
CNN hacen parte del aprendizaje supervisado, su importancia proviene de la similitud con
el modo de aprendizaje humano, la estructura de las redes neuronales está compuesta
por los siguientes elementos: entrada, convolución, pooling, ReLU, una capa totalmente
conectada y al final la capa de salida, [8].
A continuación, se explicará brevemente cada una de las capas del modelo de clasificación
de imágenes: la primera es la capa de entrada que corresponde a la imagen que se
desea analizar, la convolución, como segunda capa, es el elemento más básico de la
CNN donde principalmente se mejora la calidad de la imagen y se empiezan a detectar
aspectos significativos en la imagen donde se genera mapas de características, luego
en la capa de agrupación o Pooling se reduce el tamaño de los mapas de características
para disminuir los parámetros, en la capa de activación (Relu) se sustituyen los valores
negativos recibidos por ceros, después en la capa totalmente conectada (FC) se
conectan por completo las neuronas de salida, combinando linealmente y clasificando
la imagen para finalmente en la capa de salida devolver un vector con cierto número de
clases donde cada componente presenta la probabilidad de que la imagen pertenezca
a una clase específica. En resumen, de esta forma este modelo permite identificar si una
imagen de radiología presenta las características para considerar que se encuentra con
alguna enfermedad respiratoria, para el caso de esta investigación.
Las CNN se han usado con éxito en la clasificación de radiografías de tórax para identificar
signos de enfermedades respiratorias como la tuberculosis, la neumonía y recientemente
el COVID-19. Por ejemplo, el modelo CheXNet desarrollado por [5] alcanzó niveles de
Candia-Herrera Diana Carolina, Sánchez-Mojica Karla Yohana, Contreras-Rodriguez
Ana Yesmit, Beltrán-Reyes Diego Alejandro, Rico-Echeverri Jhonatan David
precisión similares a los de médicos radiólogos para la detección de neumonía a partir de
las radiografías. Este tipo de herramientas permite automatizar el proceso diagnóstico,
aportando velocidad y objetividad al análisis clínico. En la imagen 1 se ejemplifica lo que
el modelo CNN realiza para determinar las características de la ilustración de entrada y
de esa forma clasificarla, según los parámetros indicados con anterioridad.
4. Sistemas de Soporte a la Decisión Clínica (CDSS)
Los Sistemas de Soporte a la Decisión Clínica (CDSS) son plataformas informáticas que
asisten a los médicos en el proceso diagnóstico mediante la integración de información
clínica y algoritmos de decisión. Estas soluciones combinan técnicas de inteligencia
artificial con bases de conocimiento médico para proporcionar recomendaciones,
alertas y sugerencias diagnósticas basadas en evidencia [10]. Los propósitos generales
de los CDSS son: responder preguntas, tomar decisiones, optimizar el flujo de trabajo,
monitorear las acciones y focalizar la atención.
En el caso de las enfermedades respiratorias, los CDSS que utilizan modelos de
clasificación por imágenes, como los basados en CNN, pueden detectar patrones
radiológicos específicos, facilitar diagnósticos y contribuir a una gestión clínica más
eficiente. Al proporcionar una segunda opinión automatizada, estos sistemas reducen el
riesgo de omisiones y mejoran la calidad asistencial.
5. Sistemas Expertos
En el diagnóstico médico, los sistemas expertos se han empleado principalmente
para evaluar síntomas clínicos, interpretar signos médicos, y sugerir diagnóstico o
tratamientos basados en reglas lógicas y probabilísticas [11]. Aunque con el avance de
las tecnologías de procesamiento y lectura de imágenes y el aprendizaje automático, los
sistemas expertos han evolucionado hasta llegar a ser capaces de analizar radiografías,
tomografías y demás imágenes médicas; esto lo realizan a través de diversas técnicas
de razonamiento para emular el proceso de toma de decisiones humanas, adaptándose
a los requisitos del dominio específico [12].
Análisis Comparativo de Herramientas de Inteligencia Artificial para el Desarrollo de
Plataformas de Diagnóstico por Imágenes Médicas de Enfermedades Respiratorias.
En proyectos de salud pública, especialmente en regiones rurales o con limitaciones
de infraestructura, la incorporación de sistemas expertos en plataformas diagnósticas
permite extender el acceso a decisiones clínicas especializadas, mejorar la igualdad
en la atención médica y fortalecer la vigilancia epidemiológica a partir del análisis
automatizado de imágenes radiológicas.
6. Herramientas Tecnológicas
Como parte de estas herramientas podemos encontrar varias categorías, a continuación
detallamos las más relevantes: para el manejo de imágenes médicas se debe contar
con tecnologías que permitan su almacenamiento, visualización y manipulación; para
el desarrollo y entrenamiento de modelos IA se deben incluir librerías y frameworks;
también es necesario contar con bases de datos que contengan radiografías de tórax
ya etiquetadas para las enfermedades respiratorias de carácter infeccioso; así mismo
contar con una infraestructura para el despliegue preferiblemente en la nube o servicios
locales que permitan procesar grandes volúmenes de datos, en cuanto al desarrollo
de la plataforma, se debe contar con herramientas para la construcción de la interfaz y
el back-end que cumplan con los estándares y las normas éticas y legales; por último,
se deben incluir librerías que evalúen el rendimiento del modelo con métricas médicas
específicas que se puedan corroborar, algunas de ellas son:
• Frameworks de Aprendizaje Profundo: Tensor Flow, PyTorch son los frameworks más
utilizados para el desarrollo de modelos de aprendizaje profundo. Ofrecen funciones
para la construcción de redes neuronales, entrenamiento eficiente y herramientas para
la visualización del proceso de aprendizaje.
• Librerías Especializadas: OpenCV permite la manipulación de imágenes médicas;
Matplotlib y Seaborn permiten la visualización de resultados. Estas librerías contribuyen
a una exploración integral de los datos y a una validación precisa del modelo.
• Bases de Datos Médicas: Datasets como ChestX-ray14 (NIH), COVIDx (University of
Waterloo) y Montgomery County Set (U.S. Department of Health) proporcionan imágenes
radiográficas etiquetadas que sirven para entrenar y evaluar modelos de IA. La calidad
y representatividad de los datos incide directamente en la capacidad predictiva del
modelo [13].
• Infraestructura de Despliegue: Para el funcionamiento en producción, se requieren
servicios de cómputo como Google Cloud, Amazon Web Services (AWS) o Microsoft
Azure, que permiten el procesamiento en la nube, acceso remoto, escalabilidad dinámica
y monitoreo continuo del sistema
• Herramientas de Desarrollo de Plataforma: Tecnologías como Flask o FastAPI permiten
desarrollar el backend de forma ágil, mientras que frameworks como React o Vue.
Candia-Herrera Diana Carolina, Sánchez-Mojica Karla Yohana, Contreras-Rodriguez
Ana Yesmit, Beltrán-Reyes Diego Alejandro, Rico-Echeverri Jhonatan David
js facilitan la creación de interfaces interactivas. Estas herramientas deben cumplir
estándares de interoperabilidad y garantizar la privacidad de los datos clínicos conforme
a regulaciones actuales.
• Evaluación del Rendimiento del Modelo: La validación clínica requiere el uso de
métricas específicas como la sensibilidad y la precisión. Librerías como TensorBoard o
scikit-learn permiten calcular y visualizar estas métricas, garantizando una evaluación
rigurosa del desempeño del modelo.
En consecuencia, se hace necesario considerar criterios específicos como la precisión
diagnóstica, la escalabilidad, la accesibilidad tecnológica, y la facilidad de implementación
en todo tipo de poblaciones, al seleccionar las herramientas para desarrollar la
plataforma aplicada al diagnóstico médico mediante la inteligencia artificial. Por lo tanto,
en este estudio se pretende identificar, caracterizar, categorizar, comparar y seleccionar
herramientas disponibles para el desarrollo de la plataforma en creación, enfocada en la
detección de enfermedades respiratorias por origen de carácter infeccioso, con el fin de
establecer una base sólida para una solución tecnológica que contribuya al diagnóstico
temprano, preciso y accesible.
Materiales y metodos
Este estudio adoptó un enfoque descriptivo con orientación cualitativa dirigido a
identificar, caracterizar y comparar herramientas tecnológicas para el desarrollo de una
plataforma de diagnóstico médico mediante imágenes de radiografías. El análisis se
estructuró en cuatro etapas secuenciales:
Etapa 1- Recolección y revisión documental: se realizó una revisión exhaustiva de
literatura científica, técnica y académica. Las fuentes incluyeron artículos indexados,
documentación oficial de desarrollo, repositorios, bases de datos públicas y normativas
ISO. La búsqueda se llevó a cabo en bases como SpringerLink, Google Scholar y IEEE.
Se identificaron inicialmente 27 herramientas tecnológicas, seleccionadas bajo criterios
de inclusión y exclusión definidos.
Criterios de inclusión:
• Herramientas con soporte activo y documentación oficial.
• Uso comprobado en plataformas médicas o de diagnóstico.
• Herramientas de acceso libre / gratuito.
• Compatibilidad con modelos de aprendizaje profundo
Criterios de exclusión:
• Tecnologías desactualizadas o sin soporte.
• Tecnologías de propiedad privada.
• Ausencia de antecedentes en el contexto de imágenes médicas.
• Incompatibilidad con inteligencia artificial.
• Incumplimiento de normas ISO.
Etapa 2 – Clasificación y descripción de herramientas: las herramientas se agruparon
según funcionalidad en cinco categorías: Frameworks de IA, Procesamiento y
visualización, modelos pre entrenados, despliegue e integración, y complementarias.
Se describieron técnicamente considerando sus capacidades, aplicaciones clínicas y
flexibilidad y disponibilidad.
Frameworks IA:
Python: Lenguaje de programación central por su simplicidad, robustez y extensa
comunidad científica. Es compatible con todas las herramientas necesarias para el
desarrollo de IA médica.
Tensor Flow: Framework de aprendizaje profundo que permite construir modelos de
redes neuronales para el análisis de imágenes médicas, con soporte para ejecución en
CPU, GPU y Edge.
PyTorch: Alternativa a Tensor Flow, preferida en investigación por su flexibilidad. Es la
base de bibliotecas como MONAI.
MONAI (Medical Open Network for AI): Framework sobre PyTorch optimizado para
procesamiento de imágenes médicas, incluye funciones específicas para segmentación,
clasificación y registro.
Keras: API de alto nivel para redes neuronales, utilizada en conjunto con Tensor Flow.
Facilita la construcción rápida de modelos.
Scikit-learn: Biblioteca para aprendizaje automático tradicional. Útil para tareas
complementarias como clasificación o reducción de dimensionalidad.
o Inferencia, Despliegue e Integración:
Edge TPU: Procesador de IA en dispositivos locales, usado para ejecutar modelos
optimizados en entornos con baja conectividad (zonas rurales).
ONNX: Protocolo de intercambio para modelos de IA entre diferentes frameworks (ej. de
PyTorch a Tensor Flow o TFLite).
Visual Studio Code: Entorno de desarrollo ampliamente usado por su capacidad para
gestionar proyectos en Python, su integración con Git y su soporte para debugging.
PostgreSQL: Sistema de base de datos relacional, usado para almacenar registros
clínicos, resultados del modelo y trazabilidad del diagnóstico.
o Librerías de Procesamiento y Visualización:
OpenCV: Biblioteca de visión por computador usada para el preprocesamiento de
imágenes médicas, especialmente en la limpieza y estandarización de radiografías.
SimpleITK: Herramienta para leer, transformar y manipular imágenes médicas
multidimensionales (DICOM, NIfTI, etc.).
Pydicom: Librería para manipular archivos DICOM, el estándar de imágenes médicas.
Permite extracción de metadatos clínicos.
Matplotlib y Seaborn: Utilizadas para la visualización gráfica de resultados, métricas de
evaluación y análisis exploratorios.
XRAI: Algoritmo de interpretabilidad visual que destaca regiones relevantes en imágenes
para justificar las decisiones del modelo.
o Arquitectura y Modelos Pre-Entrenados:
MobileNet: Modelo eficiente de clasificación de imágenes, ideal para su uso en
dispositivos móviles o de bajo consumo.
VGG16: Arquitectura CNN profunda utilizada como base en múltiples estudios de
clasificación de imágenes médicas.
BioMedGPT: Modelo de lenguaje de propósito biomédico, útil para generar explicaciones
automáticas o interpretar textos clínicos.
RadBERT: Modelo especializado en texto clínico radiológico, empleado para análisis de
reportes médicos y lenguaje natural en salud.
CheXNet: Red convolucional entrenada con más de 100,000 radiografías para detectar
14 patologías torácicas, como neumonía o tuberculosis [5].
ChestX-ray8: Base de datos de radiografías de tórax a escala hospitalaria y puntos de
referencia para la clasificación y localización con supervisión débil de enfermedades
comunes del tórax [13]
o Complementarias y Especializadas:
Nvidia Clara: Plataforma de desarrollo de IA médica con herramientas para segmentación
anotación y entrenamiento de modelos en imágenes clínicas.
AI4Health: Repositorio impulsado por la OMS y otras entidades, que ofrece casos de
uso, guías y herramientas de IA aplicadas a la salud pública
WHO COVID-19 Database: Base de datos científica con literatura actualizada sobre
COVID-19, útil para análisis de contenido y entrenamiento temático.
DICOM Web Viewer: Herramienta usada para visualizar imágenes DICOM directamente
desde plataformas web.
Flask o FastAPI: Frameworks ligeros para construcción de APIs médicas que integran
modelos IA en la nube o servidores locales.
Etapa 3 - Diseño de Matriz Comparativa: se diseñó una matriz comparativa con el fin
de contrastar las herramientas enlistadas en la etapa inicial, para organizarlas según su
servicio. La matriz incluyó información relevante como: criterios de inclusión, criterios de
exclusión, compatibilidad, documentación disponible, costos, integración con modelos
de aprendizaje profundo y antecedentes de plataformas.
Esta matriz fue esencial para realizar una clasificación inicial por categorías funcionales:
frameworks de IA, librerías de procesamiento de imágenes, bases de datos médicas y
herramientas de despliegue. En la tabla I se resume la matriz comparativa:
Etapa 4 – Evaluación cualitativa: las herramientas fueron calificadas asignando un valor
entre 1 (bajo) y 3 (alto) según su desempeño por criterio. Posteriormente se obtuvo un
puntaje promedio para establecer un ranking categórico.
Con la matriz y los criterios ya definidos, se llevó a cabo la evaluación cualitativa de las
herramientas, para ello se aplicó un análisis de contenido y análisis temático, siguiendo
la técnica propuesta por [15]. La valoración se realizó asignando una puntuación por
Análisis Comparativo de Herramientas de Inteligencia Artificial para el Desarrollo de
Plataformas de Diagnóstico por Imágenes Médicas de Enfermedades Respiratorias.
cada criterio de la siguiente manera:
• 3 puntos (Alta): cumplen ampliamente con el criterio.
• 2 puntos (Media): cumplen de manera aceptable, pero con limitaciones.
• 1 punto (Baja): no cumple o cumple con limitaciones significativas.
Resultados y Discusion
El análisis comparativo permitió identificar, caracterizar y evaluar un conjunto de
herramientas tecnológicas relevantes para el desarrollo de la plataforma de diagnóstico
médico basada en la inteligencia artificial, enfocada en la evaluación de imágenes de
radiografías asociadas a enfermedades respiratorias por virus como el COVID 19 y
bacterias como neumonía y tuberculosis.
Luego de aplicar los criterios de inclusión y exclusión, se evaluaron las herramientas,
dejando (27) de ellas agrupadas en cinco categorías según su funcionalidad, tal como se
informó en la etapa dos de la metodología. Cada una de las herramientas fue evaluada
siguiendo los siete criterios indicados en la Tabla II; la calificación se realizó en la escala
de 1 a 3, obteniendo un puntaje promedio por cada herramienta.
En la tabla III presentada a continuación, se resume la evaluación por herramienta.
Candia-Herrera Diana Carolina, Sánchez-Mojica Karla Yohana, Contreras-Rodriguez
Ana Yesmit, Beltrán-Reyes Diego Alejandro, Rico-Echeverri Jhonatan David
El análisis de la Tabla III muestra que herramientas como Python, TensorFlow, PyTorch
y MONAI alcanzaron puntajes altos en la mayoría de los criterios, confirmando su
relevancia para proyectos de diagnóstico por imágenes médicas. Por el contrario,
tecnologías como Edge TPU y BioMedGPT obtuvieron puntajes más bajos debido a
limitaciones en infraestructura o a un enfoque distinto al procesamiento de imágenes
médicas. Asimismo, se observa que ONNX y Flask/FastAPI destacan en la categoría de
integración y despliegue por su capacidad de interoperabilidad y escalabilidad, aspectos
clave en entornos hospitalarios donde se requieren soluciones flexibles y adaptables.
En la categoría de Frameworks IA, el promedio general de las herramientas fue mayor que
dos, es decir, alto, encontrado que Tensor Flow, Pytorch, Python Y MONAI se posicionan
con los mejores promedios, esto debido a su versatilidad, compatibilidad con múltiples
librerías y rendimiento en la implementación de redes neuronales convolucionales para
el análisis de imágenes médicas, hallazgos que coinciden con estudios recientes de
validación clínica basados en transfer learning [19]. En cuanto a Scikit Learn y Keras,
obtuvieron una calificación media, siendo útiles para tareas que complementan el
objetivo principal, aunque menos especializadas para imágenes médicas.
Análisis Comparativo de Herramientas de Inteligencia Artificial para el Desarrollo de
Plataformas de Diagnóstico por Imágenes Médicas de Enfermedades Respiratorias.
No obstante, al revisar el criterio de evaluación número cuatro (requerimientos de
hardware/software), en el cual todas las herramientas de la categoría Frameworks IA se
encuentran con una calificación por debajo del promedio total, es preciso aclarar, que
esto se debe a que su implementación óptima requiere entornos con una capacidad
computacional alta, esta necesidad limita su aplicación directa a entornos con recursos
tecnológicos reducidos, como hospitales rurales o centros de salud con baja conectividad
o sin acceso a hardware especializado.
Para los modelos pre-entrenados, ChexNet y ChestX-ray8 alcanzaron la máxima
puntuación, gracias a su validez clínica ya comprobada y el uso en investigaciones
recientes y de alto impacto; seguidas por MobileNet, VGG16 y RadBert que mostraron un
buen desempeño, pero aun presentan la necesidad de ajustes para contextos médicos.
BioMedGPT obtuvo una calificación más baja, dado a que su enfoque está más orientado
al texto médico que a la interpretación o lectura de imágenes.
Como se observa en la (Figura 2), la herramienta ChestX-ray8, en particular, se ha
Candia-Herrera Diana Carolina, Sánchez-Mojica Karla Yohana, Contreras-Rodriguez
Ana Yesmit, Beltrán-Reyes Diego Alejandro, Rico-Echeverri Jhonatan David
destacado como la más completa dentro de las analizadas, ya que se trata de una base
de datos de imágenes de radiografías de tórax, desarrollada por los Institutos Nacionales
de Salud (NIH), la cual contiene más de cien mil radiografías correspondientes a más de
treinta mil pacientes, etiquetadas con 14 enfermedades respiratorias. Estás imágenes
se encuentran en formato DICOM y ya incluyen anotaciones automáticas extraídas de
informes clínicos; su disponibilidad y documentación extensa es fundamental para el
entrenamiento de nuevas plataformas. Es decir, que con esta herramienta no solo se
conocen datos reales, sino también puede ser la base para la construcción de modelos
precisos, escalables y válidos.
Del grupo con las herramientas de procesamiento y visualización, Pydicom y XRAI son las
mejores valoradas, la primera es fundamental pata el manejo correcto de las imágenes
médicas, ya que con ella se realiza la lectura, modificación y procesamiento de archivos
en formato DICOM. Incluirla en la plataforma sería esencial para la extracción de datos
clínicos y la operabilidad con sistemas médicos existentes; esta es una librería ligera,
con mayor documentación y de código abierto, lo cual la hace aún más adecuada. Por
otra parte, XRAI se destaca por la interpretación visual, ya que usa mapas de calor para
resaltar las regiones relevantes en las imágenes que influyen en la decisión del modelo,
al incluirla en la plataforma en desarrollo, se fortalece la explicabilidad del modelo, es
decir que quienes interactúen con el desarrollo, comprendan fácilmente el algoritmo y
las decisiones.
Por su parte, OpenCV y SimpleITK obtuvieron calificación media, por la capacidad de
realizar operaciones complejas al procesar imágenes, tales como, mejorar contraste,
alineación, segmentación o transformación, lo cual es indispensable en las etapas
iniciales, donde las imágenes deben ser preparadas para su análisis por las redes
neuronales convolucionales.
Con respecto a la clasificación: infraestructura de despliegue e integración, la herramienta
“Intercambio abierto de redes neuronales” o ONNX por sus siglas en inglés, obtuvo el
Análisis Comparativo de Herramientas de Inteligencia Artificial para el Desarrollo de
Plataformas de Diagnóstico por Imágenes Médicas de Enfermedades Respiratorias.
mejor promedio, esta herramienta permite la operabilidad entre diferentes frameworks
como Pytorch, Tensor Flow. Esto es esencial para los entornos médicos donde la
plataforma deberá adaptarse a diferentes tecnologías sin necesidad de diseñar sistemas
desde cero.
Dentro de la categoría complementarias y especializadas, se agruparon herramientas,
que, si bien no son la parte central del desarrollo de sistemas, cumplen funciones claves
en el procesamiento de imágenes para el diagnóstico clínico, soporte de desarrollo,
acceso a datos, validación del sistema, etcétera.
Entre ellas, la herramienta Flask o FastAPI obtuvo una calificación promedio de 2.71, lo que
la posicionó como una de las más relevantes en esta categoría. Esta herramienta, permite
el desarrollo de interfaces API ligeras, eficientes y seguras, facilitando la comunicación
entre el modelo de IA y los diferentes módulos de la plataforma, es esencial para convertir
el modelo IA en un servicio funcional con una solución más amplia.
Con la incorporación de herramientas complementarias y especializadas, se fortalece la
Candia-Herrera Diana Carolina, Sánchez-Mojica Karla Yohana, Contreras-Rodriguez
Ana Yesmit, Beltrán-Reyes Diego Alejandro, Rico-Echeverri Jhonatan David
usabilidad, flexibilidad y adaptabilidad del sistema en un contexto médico, especialmente
donde la conectividad, el personal especializado y/o los recursos son limitados.
Según la evaluación general, las herramientas con mayor calificación son consideradas
como prioritarias para el desarrollo de la plataforma en este caso son:
• Python
• Tensor Flow
• Pytorch
• ChestX-ray8
• CheXNet
• Pydicom
• XRAI
• ONNX
• Flask / FastAPI
• MONAI
Estas herramientas ofrecen un equilibrio entre el rendimiento, la escalabilidad, el soporte,
la facilidad de integración y el acceso gratuito, lo que las convierte en elementos clave
para una plataforma de diagnóstico médico automatizado, confiable y accesible.
Conclusiones
Los hallazgos de este estudio confirman la relevancia y efectividad de herramientas
como Python, Tensor Flow, PyTorch, y bases de datos como ChestX-Ray en el desarrollo
de plataformas de diagnóstico por medio de imágenes médicas. Estos resultados son
coherentes con varios de los estudios donde estas tecnologías se identificaron como
esenciales para aplicaciones similares.
Desde una perspectiva operativa, aunque las herramientas priorizadas presentan altos
niveles de rendimiento y compatibilidad, algunas requieren infraestructura avanzada, lo
que limita su implementación en contextos con recursos limitados como por ejemplo en
zonas rurales. Esta situación se ha reportado en investigaciones previas que resaltan la
importancia de adaptar modelos y tecnologías a conceptos específicos.
Así mismo, la inclusión de herramientas como XRAI y Pydicom aporta elementos críticos
de explicabilidad y seguridad, aspectos fundamentales en entornos clínicos donde la
transparencia y la protección de los datos son esenciales. Además, se corrobora desde
el enfoque ético, la necesidad de incluir en el desarrollo, los principios de transparencia
algorítmica y la toma de decisiones informada, asegurando que los modelos en creación
cumplan las normas internacionales y con ello promuevan la aceptación profesional.
Como conclusión, la caracterización y evaluación realizada en este estudio proporcionan
una guía robusta y validada para la selección de herramientas tecnológicas en el
Análisis Comparativo de Herramientas de Inteligencia Artificial para el Desarrollo de
Plataformas de Diagnóstico por Imágenes Médicas de Enfermedades Respiratorias.
desarrollo de plataformas de diagnóstico médico asistido por inteligencia artificial. Las
herramientas priorizadas destacan por su rendimiento, escalabilidad, soporte activo,
documentación y accesibilidad.
Se recomienda que para investigaciones futuras analicen estás herramientas en entornos
con barreras tecnológicas, realizando las validaciones clínicas de forma rigurosa. De
igual manera, se propone el diseño de interfaces de usuario para los pacientes como
línea de investigación futura, centrándose en la usabilidad y experiencia de usuario en
escenarios de salud. Finalmente, se reconoce que la selección de herramientas debe
ser flexible, considerando la transformación de los requerimientos, técnicos, clínicos y
normativos a lo largo del desarrollo de un proyecto de software.
Referencias
[1] L. Pinto-Coelho, “How Artificial Intelligence Is Shaping Medical Imaging Technology:
A Survey of Innovations and Applications,” Bioengineering, vol. 10, no. 12, p. 1435, 2023.
[Online]. Available: https://doi.org/10.3390/bioengineering10121435
[2] R. L. Cobeñas, M. de Vedia, J. Florez, D. Jaramillo, L. Ferrari, and R. Re, “Rendimiento
diagnóstico de algoritmos de inteligencia artificial para detección de compromiso
pulmonar por COVID-19 basados en radiografía portátil,” Medicina Clínica, vol. 160,
no. 2, pp. 78–81, 2023. [Online]. Available: https://doi.org/10.1016/j.medcli.2022.04.016
[3] World Health Organization (WHO), “Pneumonia,” 2019. [Online]. Available: https://
www.who.int/health-topics/pneumonia#tab=tab_1
[4] ISO, “Aprendizaje profundo: los mecanismos de la magia,” [Online]. Available: https://
www.iso.org/es/inteligencia-artificial/aprendizaje-profundo-deep-learning
[5] P. Rajpurkar, J. Irvin, R. L. Ball, K. Zhu, B. Yang, H. Mehta, T. Duan, D. Ding, A. Bagul,
C. P. Langlotz, B. N. Patel, K. W. Yeom, K. Shpanskaya, F. G. Blankenberg, J. Seekins,
T. J. Amrhein, D. A. Mong, S. S. Halabi, E. J. Zucker, A. Y. Ng, and M. P. Lungren, “Deep
learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt
algorithm to practicing radiologists,” PLoS Medicine, vol. 15, no. 11, pp. e1002686, 2018.
[Online]. Available: https://doi.org/10.1371/journal.pmed.1002686
[6] S. Jha and E. J. Topol, “Adapting to artificial intelligence: Radiologists and pathologists
as information specialists,” JAMA, vol. 316, no. 22, pp. 2353–2354, 2016. [Online].
Available: https://doi.org/10.1001/jama.2016.17438
[7] Daniel, “Convolutional Neural Network: definición y funcionamiento,” DataScientest,
2023. [Online]. Available: https://datascientest.com/es/convolutional-neuralnetwork-es
[8] F. L. Saca, “Clasificación de imágenes usando redes neuronales convolucionales,”
Proyecto terminal, Maestría en Ciencias de la Computación, Univ. Autónoma
Metropolitana Azcapotzalco, México, 2019.
[9] IONOS Cloud S.L.U., “Convolutional Neural Network: ¿qué es una red neuronal
convolucional (CNN)?,” IONOS Digital Guide, 2025. [Online]. Available: https://www.
ionos.es/digitalguide/paginas-web/desarrollo-web/convolutional-neural-network/
[10] E. H. Shortliffe and J. J. Cimino, Biomedical Informatics: Computer Applications in
Health Care and Biomedicine, 4th ed. London: Springer, 2014.
[11] P. Jackson, Introduction to Expert Systems, 3rd ed. Reading, MA: Addison-Wesley,
1986.
[12] D. Candia and Y. Diaz, “Vista de caracterización tecnológica y funcional de los
sistemas expertos,” Revista Mundo FESC, 2024. [Online]. Available: https://www.fesc.
edu.co/Revistas/OJS/index.php/mundofesc/article/view/1612/1173
[13] X. Wang, Y. Peng, L. Lu, Z. Lu, M. Bagheri, and R. M. Summers, “ChestX-ray8: Hospitalscale chest X-ray database and benchmarks on weakly-supervised classification and
localization of common thorax diseases,” in Proc. IEEE Conf. Comput. Vis. Pattern
Recognit. (CVPR), 2017, pp. 3462–3471.
[14] M. E. Silva Layes, M. A. Falappa, and G. Simari, “Sistemas de soporte a las decisiones
clínicas,” in Proc. IV Congreso Argentino de Informática y Salud (CAIS) - JAIIO 42,
2013. [Online]. Available: https://sedici.unlp.edu.ar/bitstream/handle/10915/93799/
Documento_completo.pdf
[15] V. Braun and V. Clarke, “Using thematic analysis in psychology,” Qualitative
Research in Psychology, vol. 3, no. 2, pp. 77–101, 2006. [Online]. Available: https://doi.
org/10.1191/1478088706QP063OA
[16] J. Bustos, “Método de apoyo para el diagnóstico en imágenes radiológicas de
neumonía pediátrica mediante técnicas de inteligencia artificial,” Tesis de maestría,
Univ. El Bosque, Bogotá, 2022. [Online]. Available: https://repositorio.unbosque.edu.
co/items/f2a3f9d2-e273-4fdb-b6f3-8a0ab10ef163
[17] M. Palacios and A. Tomalá, “Implementación de una aplicación web para el
reconocimiento de patrones de diagnóstico del COVID-19 en rayos X mediante una
red neuronal convolucional,” Tesis de grado, Univ. Técnica de Cotopaxi, La Maná, 2021.
[Online]. Available: https://repositorio.utc.edu.ec/items/827ad8f1-ed2e-4e6f-b8d4-
53c4c08a21b4
[18] Y. Akhter, “AI-based radiodiagnosis using chest X-rays: A review,” Frontiers in Big
Data, vol. 6, art. 1120989, 2023. [Online]. Available: https://www.frontiersin.org/
journals/big-data/articles/10.3389/fdata.2023.1120989/full
[19] M. A. Sufian, W. Hamzi, T. Sharifi, S. Zaman, L. Alsadder, E. Lee, A. Hakim, and B.
Hamzi, “AI-Driven Thoracic X-ray Diagnostics: Transformative Transfer Learning for
Clinical Validation in Pulmonary Radiography,” J. Pers. Med., vol. 14, no. 8, art. 856,
2024. [Online]. Available: https://www.mdpi.com/2075-4426/14/8/856
[20] Z. L. Han, et al., “A systematic review and meta-analysis of artificial intelligence
assisting the CXR diagnosis of TB,” J. Thorac. Dis., 2025. [Online]. Available: https://
jtd.amegroups.org/article/view/100658/html
