En este video presentamos la segunda parte de la historia de las CNN y los sistemas CAD en radiología, abarcando desde 2012 hasta la actualidad. Descubre cómo la Era Deep-CNN (2012-2025) transformó por completo el análisis de imágenes médicas:
2012: AlexNet irrumpe en ImageNet y consolida el uso de CNN profundas; nace la radiómica con Kumar y Lambin, impulsando la medicina personalizada en oncología.
2013‐2014: Girshick demuestra por primera vez la detección de objetos con CNN; Aerts consolida la firma radiómica en TC para pronóstico oncológico; surgen las GANs, revolucionando los modelos generativos.
2015: U-Net revoluciona la segmentación médica; Fast R-CNN y YOLO reinventan la detección en tiempo real, permitiendo aplicaciones clínicas inmediatas (ej. monitoreo de neumotórax).
2016: Se debate el rol de la IA en Radiología (“¿The End of Radiology?”); Hwang aplica CNNs con AUC 0,96 para detectar tuberculosis en CXR.
2017: Las Transformers abren nuevas fronteras en IA generativa; PyRadiomics estandariza la extracción de características cuantitativas; CheXNet (DenseNet-121) supera a radiólogos en detección de neumonía; nace el programa de Desafíos de IA de la RSNA.
2018: GPT-1 marca el inicio de los grandes modelos de lenguaje; la RSNA define seis prioridades estratégicas para integrar IA en radiología.
2019: Surge la revista Radiology: Artificial Intelligence; Langlotz advierte que quien adopte IA superará a quien no lo haga.
2020: GPT-3 populariza el enfoque de prompts; IBSI estandariza 169 características radiómicas; se publica CLAIM, checklist para estudios de IA en imágenes médicas.
2021: DALL·E introduce la generación “texto-a-imagen”; Bommasani et al. acuñan el término “modelos fundacionales”, pasando de IA especializada a infraestructuras multimodales para tareas clínicas.
2022: La estrategia “chain-of-thought” mejora el razonamiento de los modelos de lenguaje; Rajpurkar et al. demuestran detección experta en CXR mediante aprendizaje auto-supervisado.
2023: Se lanza CLEAR (39 ítems) para garantizar la transparencia y reproducibilidad en radiomics; Weiss et al. presentan CXR Lung-Risk, pronosticando mortalidad pulmonar en base a una sola radiografía.
2024: OpenAI lanza o1-preview para resolver problemas complejos de lógica y programación; Guo et al. confirman que la IA incrementa la precisión y reduce el tiempo de lectura en radiografías; sociedades de radiología emiten directrices para todo el ciclo de vida de la IA; METRICS y IBSI publican estándares para evaluar calidad en radiomics; la ESR propone un marco ético y normativo ante el nuevo Reglamento de IA de la UE.
???? ¿Te interesa la convergencia entre IA y Radiología?
Suscríbete para no perderte nuestra serie sobre la evolución de la visión por computador en imágenes médicas y comparte tus comentarios sobre cómo imaginas el futuro de los sistemas CAD en tu práctica.
???? Dale “Me Gusta” si encontraste útil este video y activa la campanita ???? para recibir notificaciones de nuevos contenidos.
#Radiología #InteligenciaArtificial #DeepLearning #CNN #CAD #Radiómica #HistoriaIA #Transformers #YOLO #U-Net #CLEAR #IBSI #ESR @StanfordAIMI
2012: AlexNet irrumpe en ImageNet y consolida el uso de CNN profundas; nace la radiómica con Kumar y Lambin, impulsando la medicina personalizada en oncología.
2013‐2014: Girshick demuestra por primera vez la detección de objetos con CNN; Aerts consolida la firma radiómica en TC para pronóstico oncológico; surgen las GANs, revolucionando los modelos generativos.
2015: U-Net revoluciona la segmentación médica; Fast R-CNN y YOLO reinventan la detección en tiempo real, permitiendo aplicaciones clínicas inmediatas (ej. monitoreo de neumotórax).
2016: Se debate el rol de la IA en Radiología (“¿The End of Radiology?”); Hwang aplica CNNs con AUC 0,96 para detectar tuberculosis en CXR.
2017: Las Transformers abren nuevas fronteras en IA generativa; PyRadiomics estandariza la extracción de características cuantitativas; CheXNet (DenseNet-121) supera a radiólogos en detección de neumonía; nace el programa de Desafíos de IA de la RSNA.
2018: GPT-1 marca el inicio de los grandes modelos de lenguaje; la RSNA define seis prioridades estratégicas para integrar IA en radiología.
2019: Surge la revista Radiology: Artificial Intelligence; Langlotz advierte que quien adopte IA superará a quien no lo haga.
2020: GPT-3 populariza el enfoque de prompts; IBSI estandariza 169 características radiómicas; se publica CLAIM, checklist para estudios de IA en imágenes médicas.
2021: DALL·E introduce la generación “texto-a-imagen”; Bommasani et al. acuñan el término “modelos fundacionales”, pasando de IA especializada a infraestructuras multimodales para tareas clínicas.
2022: La estrategia “chain-of-thought” mejora el razonamiento de los modelos de lenguaje; Rajpurkar et al. demuestran detección experta en CXR mediante aprendizaje auto-supervisado.
2023: Se lanza CLEAR (39 ítems) para garantizar la transparencia y reproducibilidad en radiomics; Weiss et al. presentan CXR Lung-Risk, pronosticando mortalidad pulmonar en base a una sola radiografía.
2024: OpenAI lanza o1-preview para resolver problemas complejos de lógica y programación; Guo et al. confirman que la IA incrementa la precisión y reduce el tiempo de lectura en radiografías; sociedades de radiología emiten directrices para todo el ciclo de vida de la IA; METRICS y IBSI publican estándares para evaluar calidad en radiomics; la ESR propone un marco ético y normativo ante el nuevo Reglamento de IA de la UE.
???? ¿Te interesa la convergencia entre IA y Radiología?
Suscríbete para no perderte nuestra serie sobre la evolución de la visión por computador en imágenes médicas y comparte tus comentarios sobre cómo imaginas el futuro de los sistemas CAD en tu práctica.
???? Dale “Me Gusta” si encontraste útil este video y activa la campanita ???? para recibir notificaciones de nuevos contenidos.
#Radiología #InteligenciaArtificial #DeepLearning #CNN #CAD #Radiómica #HistoriaIA #Transformers #YOLO #U-Net #CLEAR #IBSI #ESR @StanfordAIMI
- Category
- Oncology

Be the first to comment