Saltar al contenido

Journal Club

Cada revisión parte de un artículo publicado en una revista científica de imagen médica o radioterapia. Un profesional de SEGRA explica por qué lo eligió, resume el trabajo y lo comenta desde la práctica diaria. La ficha recoge la referencia completa, el DOI, la sociedad que lo edita y las palabras clave.

137revisiones publicadas
2020–2026sin saltarse ningún año
90sociedades y revistas distintas
12áreas temáticas

14 revisiones en Inteligencia artificialPágina 1 de 2 · Quitar filtros

  1. De bajo campo a alto valor: Mapeo cortical robusto a partir de RM de bajo campo

    Revisión nº 137Organization for Human Brain Mapping, www.humanbrainmapping.org

    Gopinath K., Sorby-Adams A., Williams-Ramirez J., Zemlyanker D.,Guo J. et al. “Alzheimer´s Disease Neuroimaging Initiative”( ADNI), “ Human Connectome Project”( HCP) From Low Field to High Value: Robust Cortical Mapping From Low- Field MRI. Human Brain Mapping, 2026; 47:e70515

    Resonancia magnéticaInteligencia artificialNeuroimagendoi: 10.1002/hbm.70515

    • cortical surfaces
    • deep learning
    • low-field MRI
    • morphometry
    • parcellation
    • portable MRI

    Revisión de Carlos Manuel Majado Iglesias1Leer la revisión →

  2. LLMs para el estadiaje de cáncer de próstata desde informes PSMA PET/CT usando PROMISE v2

    Revisión nº 135European Association of Nuclear Medicine

    Spitzl D, Mergen M, Endroes L, Spaeth C, Trager R, Braren RF, et al. LLM-powered prostate cancer staging from PSMA-PET/CT reports using PROMISE v2. Eur J Nucl Med Mol Imaging. 2026;53:5050-5059.

    Medicina nuclearTomografía computarizadaInteligencia artificialdoi: 10.1007/s00259-026-07847-w

    • LLM
    • PROMISE v2
    • PSMA-PET/CT
    • prostate cancer
    • TNM staging

    Revisión de Albert TomasLeer la revisión →

  3. ¿Es la Inteligencia Artificial el Futuro de la Radiología? Precisión de ChatGPT en el Diagnóstico Radiológico de Patologías Óseas de las Extremidades Superiores

    Revisión nº 133American Society for Surgery of the Handhttps://x.com/ASSHHand

    Hiredesai AN, Martinez CJ, Anderson ML, Howlett CP, Unadkat KD, Noland SS. Is artificial intelligence the future of radiology? Accuracy of ChatGPT in radiologic diagnosis of upper extremity bony pathology. J Hand Surg Am. 2026, Vol. 21(1) 73–80

    Inteligencia artificialdoi: 10.1016/j.jhsa.2023.10.012

    • diagnosis
    • carpometacarpal joint
    • arthritis
    • distal radius
    • fracture/dislocation
    • finger

    Revisión de Raquel Díaz MarínLeer la revisión →

  4. Aprendizaje profundo para la Medición Automatizada de SUV y Volumen Tumoral Molecular en Imágenes de [68Ga]PSMA-11, [18F]DCFPyL, [18F]FDG, y [177Lu]Lu-PSMA-617 con Red de Consenso Regional de Umbral Global

    Revisión nº 127Journal of Nuclear Medicine ( )

    Jackson P, Buteau JP, McIntosh L, Sun Y, Kashyap R, Casanueva S, et al. Deep Learning for Automated Measures of SUV and Molecular Tumor Volume in [68Ga]PSMA-11 or [18F]DCFPyL, [18F]FDG, and [177Lu]Lu-PSMA-617 Imaging with Global Threshold Regional Consensus Network. J Nucl Med. 2025;66:1811-1817

    Medicina nuclearInteligencia artificialdoi: 10.2967/jnumed.125.270077

    • PSMA
    • [18F]FDG
    • prostate cancer
    • machine learning
    • image biomarkers

    Revisión de Albert Tomas CorellaLeer la revisión →

  5. Clasificación de los desgarros del manguito rotador en ecografía empleando modelos de aprendizaje profundo.

    Revisión nº 119International Federation for Medical and Biological Engineering

    Ho TT, Kim GT, Kim T, Choi S, Park EK. Classification of rotator cuff tears in ultrasound images using deep learning models. Med Biol Eng Comput. 2022;60(5):1269-1278.

    EcografíaInteligencia artificialdoi: 10.1007/s11517-022-02502-6

    • Rotator cuff tears
    • Deep learning
    • convolutional neural network
    • ultrasound
    • transfer learning

    Revisión de Javier Álvarez GonzálezLeer la revisión →

  6. Aprendizaje profundo para la clasificación de la enfermedad de Parkinson usando secuencias multimodales y multisecuencias en imágenes PET/MR

    Revisión nº 118European Journal of Nuclear Medicine and Molecular Imaging. Research 15, article number 55(2025). EJNMMI Research

    Yan Chang , Jiajin Liu , Shuwei Sun, Tong Chen y Ruimin Wang. Chang et al.Deep learning for Parkinson’s disease classification using multimodal and multi sequences PET/MR images.

    Medicina nuclearResonancia magnéticaInteligencia artificialdoi: 10.1186/s13550-025-01245-3

    • PET/RMN
    • Aprendizaje profundo
    • Enfermedad de Parkinson
    • Atrofia multisistémica
    • Multimodal
    • Multisecuencia

    Revisión de Carlos Manuel Majado IglesiasLeer la revisión →

  7. Conocimientos, actitudes y expectativas de los técnicos radiólogos sobre la inteligencia artificial en la imagen médica

    Revisión nº 85Society and College of Radiographers and the European Federation of Radiographer Societies radiographyonline.com

    S.Coakley, R.Young, N.Moore, A.England, A.O’Mahony, O.J.O’Connor et al. Radiographers’ knowledge, attitudes and expectations of artificial intelligence in medical imaging. Radiography, 28 (2022)943-948

    Radiografía y dosisInteligencia artificialProfesión y formacióndoi: 10.1016/j.radi.2022.06.020

    • Artificial intelligence
    • radiography
    • medical imaging
    • survey and education

    Revisión de Cecilia Aynes SuárezLeer la revisión →

  8. Evaluación de los criterios de posicionamiento de la mama en el cribado mamográfico: Correlación entre el software de inteligencia artificial y los técnicos radiólogos

    Revisión nº 65Medical Screening Society

    Gunvor G Waade, Anders Skyrud Danielsen, Asne S Holen et al. Assessment of breast positioning criteria in mammographic screening: Agreement between artificial intelligence software and radiographers. J Med Screen. March 9, Vol 28, Issue 4, 2021; pp. 448–455.

    Imagen de mamaRadiografía y dosisInteligencia artificialdoi.org/10.1177%2F0969141321998718

    • artificial intelligence
    • breast neoplasm
    • breast screening
    • mammography
    • radiography

    Revisión de Cecilia Aynes SuárezLeer la revisión →

  9. La inteligencia artificial en la profesión del radiographer, ¿Dónde estamos? ¿Hacia dónde vamos?

    Revisión nº 59European Federation of Radiographer Societies ( )

    Malamateniou C, Knapp KM, Pergola M, Woznitza N, Hardy M. Artificial intelligence in radiography: Where are we now and what does the future hold? Radiography (Lond). 2021 Oct;27 Suppl 1:S58-S62.

    Radiografía y dosisInteligencia artificialProfesión y formacióndoi: 10.1016/j.radi.2021.07.015

    • Artificial Intelligence
    • Diagnostic Radiography
    • Therapeutic Radiography

    Revisión de Rodrigo García GorgaLeer la revisión →

  10. Grandes desafíos para la física médica en oncología radioterápica

    Revisión nº 49Colaboración conjunta de físicos de varios países del mundo como: Estados Unidos, Eslovenia, Italia, Inglaterra, Austria, Dinamarca, Holanda y España

    Fiorino, C; Jeraj, R; Clark, C: Garibaldi, C; Georg, D; Muren D L; et al. Grand challenges for medical physics in radiation oncology. Science Direct. Octubre 2020. Volumen153. Páginas 7-14.

    RadioterapiaInteligencia artificialdoi: 10.1016/j.radonc.2020.10.001

    • Física médica
    • oncología radioterápica
    • AI (Artificial Intelligence)
    • definición de destino
    • modelos de radiobiología y liderazgo

    Revisión de Ester MateosLeer la revisión →

  11. Aplicaciones de la Inteligencia Artificial en Imágenes de Mama

    Revisión nº 45Radiologic Clinics of North America. .theclinics.com

    Matthew B. Morgan, Jonathan L. Mates. Applications of Artificial Intelligence in Breast Imaging. Radiol Clin North Am 2021 Jan;59(1):139-148.

    Imagen de mamaInteligencia artificialdoi: 10.1016/j.rcl.2020.08.007

    • breast imaging
    • artificial intelligence
    • machine learning
    • mammography

    Revisión de Cecilia Aynes SuárezLeer la revisión →

  12. Rango de interpretación del radiólogo en un programa de cribado de 1 millón de mamografías digitales.

    Revisión nº 36Radiological Society of North America (RSNA)

    Salim M, Dembrower K, Eklund M, Lindholm P, Strand F. Range of Radiologist Performance in a Population-based Screening Cohort of 1 Million Digital Mammography Examinations. Radiology 2020; 297:33-39

    Imagen de mamaInteligencia artificialdoi: 10.1148/radiol.2020192212

    • breast cancer
    • cancer detection
    • digital breast tomosynthesis
    • digital mammography
    • screening
    • artificial intelligence

    Leer la revisión →

Participar

Las revisiones las firman socios y socias de SEGRA. Para proponer un artículo, escriba a la secretaría desde la página de contacto.

Contacto

SEGRA es miembro o tiene acuerdo con

Todos los acuerdos