Dilemas del uso de la inteligencia artificial para el diagnóstico de enfermedades tumorales
Resumen
La Inteligencia Artificial ha logrado avances clínicos en el diagnóstico de enfermedades tumorales. El documento compila una revisión sistemática siguiendo criterios PRISMA de hasta 40 documentos de los últimos 5 años (2020-2025) enfocándose en la recopilación y estudio de datos clínicos y normativa ética. Los resultados muestran que la IA revisó sistemáticamente casos de cáncer de piel y encontró que la explicabilidad con IA supera sensibilidad y especificidad (81.1% y 86.1%) comparado al 74.8% y 81.5% que especialistas sin inteligencia artificial ofrecían, pero que sigue siendo vulnerable al sesgo. No obstante, surgen preocupaciones éticas importantes como la opacidad algorítmica, la demografía sesgada, así como la autonomía del paciente y su consentimiento, además de la carga legal que recae sobre el profesional asistente. Como parte de las conclusiones se menciona que, si bien las tecnologías de inteligencia artificial mejoran el diagnóstico de tumores de piel y neurológicos; su aplicación debe equilibrarse con principios éticos de equidad, respeto por la autonomía humana, transparencia y cuidado por la persona, que asegurará una integración responsable en la práctica médica.
Palabras clave: diagnóstico por imágenes; enfermedades tumorales; neurociencia; ética en uso de inteligencia artificial; ética de uso IA en diagnóstico médico; uso ético inteligencia artificial; sesgo diagnóstico con IA.
Descargas
Citas
1. Combalia M, Codella N, Rotemberg V, Carrera C, Dusza S, Gutman D, et al. Validation of artificial intelligence prediction models for skin cancer diagnosis using dermoscopy images: the 2019 International Skin Imaging Collaboration Grand Challenge. Lancet Digit Health [Internet]. 2022 May [Citado 04 jul 2025];4(5): e330. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC9295694/
2. Dorfner FJ, Patel JB, Kalpathy-Cramer J, Gerstner ER, Bridge CP. A review of deep learning for brain tumor analysis in MRI. NPJ Precis Oncol [Internet]. 2025 Dec [Citado 04 jul 2025];9(1):1–13. Disponible en: https://www.nature.com/articles/s41698-024-00789-2
3. Kolla L, Parikh RB. Uses and limitations of artificial intelligence for oncology. Cancer [Internet]. 2024 Jun [Citado 04 jul 2025];130(12):2101. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC11170282/
4. Luchini C, Pea A, Scarpa A. Artificial intelligence in oncology: current applications and future perspectives. Br J Cancer. 2022 Jan ;126(1):4–9.
5. Elemento O, Leslie C, Lundin J, Tourassi G. Artificial intelligence in cancer research, diagnosis and therapy. Nat Rev Cancer. 2021 Dec ;21(12):747–52.
6. Pan A, Musheyev D, Bockelman D, Loeb S, Kabarriti AE. Assessment of Artificial Intelligence Chatbot Responses to Top Searched Queries about Cancer. JAMA Oncol. 2023 Oct;9(10):1437–40.
7. Poursaeed R, Mohammadzadeh M, Asghar Safaei A, Mohammadzadeh mohsen M, Ali Asghar Safaei modaresacir. Survival prediction of glioblastoma patients using machine learning and deep learning: a systematic review. BMC Cancer [Internet]. 2024 Dec [Citado 04 jul 2025];24(1):1581. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC11674357/
8. Wong Y, Su ELM, Yeong CF, Holderbaum W, Yang C. Brain tumor classification using MRI images and deep learning techniques. PLoS One [Internet]. 2025 May [Citado 04 jul 2025];20(5): e0322624. Disponible en: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0322624
9. Lång K, Josefsson V, Larsson AM, Larsson S, Högberg C, Sartor H, et al. Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI): a clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. Lancet Oncol. 2023 Aug ;24(8):936–44.
10. Meskó B, Topol EJ. The imperative for regulatory oversight of large language models (or generative AI) in healthcare. NPJ Digit Med. 2023 Dec 1;6(1).
11. Alleman K, Knecht E, Huang J, Zhang L, Lam S, DeCuypere M. Multimodal Deep Learning-Based Prognostication in Glioma Patients: A Systematic Review. Cancers (Basel) [Internet]. 2023 Jan [Citado 04 jul 2025];15(2):545. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC9856816/
12. Gundogan E. A Novel Hybrid Deep Learning Model Enhanced with Explainable AI for Brain Tumor Multi-Classification from MRI Images. Applied Sciences [Internet]. 2025 May [Citado 04 jul 2025];15(10):5412. Disponible en: https://www.mdpi.com/2076-3417/15/10/5412/htm
13. Anaya-Isaza A, Mera-Jiménez L, Verdugo-Alejo L, Sarasti L. Optimizing MRI-based brain tumor classification and detection using AI: A comparative analysis of neural networks, transfer learning, data augmentation, and the cross-transformer network. Eur J Radiol Open [Internet]. 2023 Jan [Citado 04 jul 2025];10: 100484. Disponible en: https://www.ejropen.com/action/showFullText?pii=S2352047723000102
14. Guluwadi S. Enhancing brain tumor detection in MRI images through explainable AI using Grad-CAM with Resnet 50. BMC Med Imaging [Internet]. 2024 Dec [Citado 04 jul 2025];24(1):1–19. Disponible en: https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-024-01292-7
15. Hassan M, Fateh AA, Lin J, Zhuang Y, Lin G, Xiong H, et al. Unfolding Explainable AI for Brain Tumor Segmentation. Neurocomputing [Internet]. 2024 Sep [Citado 04 jul 2025];599: 128058. Disponible en: https://www.sciencedirect.com/science/article/pii/S0925231224008294?via%3Dihub
16. Zhan Y, Hao Y, Wang X, Guo D. Advances of artificial intelligence in clinical application and scientific research of neuro-oncology: Current knowledge and future perspectives. Crit Rev Oncol Hematol [Internet]. 2025 May [Citado 04 jul 2025];209: 104682. Disponible en: https://www.sciencedirect.com/science/article/pii/S1040842825000708
17. Daneshjou R, Vodrahalli K, Novoa RA, Jenkins M, Liang W, Rotemberg V, et al. Disparities in Dermatology AI Performance on a Diverse, Curated Clinical Image Set. Sci Adv [Internet]. 2022 Mar 15 [Citado 04 jul 2025];8(32). Disponible en: http://arxiv.org/abs/2203.08807
18. Chen RJ, Wang JJ, Williamson DFK, Chen TY, Lipkova J, Lu MY, et al. Algorithmic fairness in artificial intelligence for medicine and healthcare. Nature Biomedical Engineering [Internet]. 2023 Jun [Citado 04 jul 2025];7(6):719–42. Disponible en: https://www.nature.com/articles/s41551-023-01056-8
19. Awuah WA, Ben-Jaafar A, Roy S, Nkrumah-Boateng PA, Tan JK, Abdul-Rahman T, et al. Predicting survival in malignant glioma using artificial intelligence. Eur J Med Res [Internet]. 2025 Jan [Citado 04 jul 2025];30(1):61. Disponible en: https://eurjmedres.biomedcentral.com/articles/10.1186/s40001-025-02339-3
20. Elemento O, Leslie C, Lundin J, Tourassi G. Artificial intelligence in cancer research, diagnosis and therapy. Nat Rev Cancer [Internet]. 2021 Dec [Citado 04 jul 2025];21(12):747–52. Disponible en: https://pubmed.ncbi.nlm.nih.gov/34535775/
21. Ou C, Zhou S, Yang R, Jiang W, He H, Gan W, et al. A deep learning based multimodal fusion model for skin lesion diagnosis using smartphone collected clinical images and metadata. Front Surg [Internet]. 2022 Oct [Citado 04 jul 2025];9: 1029991. Disponible en: https://data.
22. Aamir M, Rahman Z, Bhatti UA, Abro WA, Bhutto JA, He Z. An automated deep learning framework for brain tumor classification using MRI imagery. Sci Rep [Internet]. 2025 Dec [Citado 04 jul 2025];15(1):1–22. Disponible en: https://www.nature.com/articles/s41598-025-02209-2
23. Abas Mohamed Y, Ee Khoo B, Shahrimie Mohd Asaari M, Ezane Aziz M, Rahiman Ghazali F. Decoding the black box: Explainable AI (XAI) for cancer diagnosis, prognosis, and treatment planning-A state-of-the art systematic review. Int J Med Inform [Internet]. 2025 Jan [Citado 04 jul 2025];193. Disponible en: https://pubmed.ncbi.nlm.nih.gov/39522406/
24. Yang Z, Zhang P, Ding Y, Deng L, Zhang T, Liu Y. Magnetic resonance imaging-based deep learning for predicting subtypes of glioma. Front Neurol. 2025 Jan 29;16: 1518815.
25. Kreouzi M, Theodorakis N, Feretzakis G, Paxinou E, Sakagianni A, Kalles D, et al. Deep Learning for Melanoma Detection: A Deep Learning Approach to Differentiating Malignant Melanoma from Benign Melanocytic Nevi. Cancers [Internet]. 2024 Dec [Citado 04 jul 2025];17(1):28. Disponible en: https://www.mdpi.com/2072-6694/17/1/28/htm
26. Das D, Sarkar C, Das B. Real-Time Detection of Meningiomas by Image Segmentation: A Very Deep Transfer Learning Convolutional Neural Network Approach. Tomography [Internet]. 2025 Apr [Citado 04 jul 2025];11(5):50. Disponible en: https://www.mdpi.com/2379-139X/11/5/50/htm
27. Herington J, McCradden MD, Creel K, Boellaard R, Jones EC, Jha AK, et al. Ethical Considerations for Artificial Intelligence in Medical Imaging: Deployment and Governance. Journal of Nuclear Medicine [Internet]. 2023 Oct [Citado 04 jul 2025];64(10):1509–15. Disponible en: https://pubmed.ncbi.nlm.nih.gov/37620051/
28. Rasool N, Wani NA, Bhat JI, Saharan S, Sharma VK, Alsulami BS, et al. CNN-TumorNet: leveraging explainability in deep learning for precise brain tumor diagnosis on MRI images. Front Oncol [Internet]. 2025 [Citado 04 jul 2025];15: 1554559. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC11979982/
29. Alshuhri M, Al-Musawi SG, Al-Alwany AA, Uinarni H, Rasulova I, Rodrigues P, et al. Artificial intelligence in cancer diagnosis: Opportunities and challenges. Pathol Res Pract [Internet]. 2024 Jan [Citado 04 jul 2025];253: 154996. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0344033823006970
30. Far BF. Artificial intelligence ethics in precision oncology: balancing advancements in technology with patient privacy and autonomy. Explor Target Antitumor Ther [Internet]. 2023 [Citado 04 jul 2025];4(4):685. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10501889/
31. Menzies SW, Sinz C, Menzies M, Lo SN, Yolland W, Lingohr J, et al. Comparison of humans versus mobile phone-powered artificial intelligence for the diagnosis and management of pigmented skin cancer in secondary care: a multicentre, prospective, diagnostic, clinical trial. Lancet Digit Health [Internet]. 2023 Oct [Citado 04 jul 2025];5(10): e679–91. Disponible en: https://pubmed.ncbi.nlm.nih.gov/37775188/
32. Moher D, Liberati A, Tetzlaff J, Altman DG. Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. International Journal of Surgery [Internet]. 2020 Jan [Citado 04 jul 2025];8(5):336–41. Disponible en: https://www.sciencedirect.com/science/article/pii/S1743919110000403#sec3
33. Prezelski K, Hsu DG, del Balzo L, Heller E, Ma J, Pike LRG, et al. Artificial-intelligence-driven measurements of brain metastases’ response to SRS compare favorably with current manual standards of assessment. Neurooncol Adv [Internet]. 2024 Jan [Citado 04 jul 2025];6(1). Disponible en: https://dx.doi.org/10.1093/noajnl/vdae015
34. Mahmoud NM, Soliman AM. Early automated detection system for skin cancer diagnosis using artificial intelligent techniques. Scientific Reports [Internet]. 2024 Apr [Citado 04 jul 2025];14(1):1–10. Disponible en: https://www.nature.com/articles/s41598-024-59783-0
35. Salim M, Wåhlin E, Dembrower K, Azavedo E, Foukakis T, Liu Y, et al. External Evaluation of 3 Commercial Artificial Intelligence Algorithms for Independent Assessment of Screening Mammograms. JAMA Oncol [Internet]. 2020 Oct [Citado 04 jul 2025];6(10):1581–8. Disponible en: https://pubmed.ncbi.nlm.nih.gov/32852536/
36. Krakowski I, Kim J, Cai ZR, Daneshjou R, Lapins J, Eriksson H, et al. Human-AI interaction in skin cancer diagnosis: a systematic review and meta-analysis. NPJ Digit Med [Internet]. 2024 Dec [Citado 04 jul 2025];7(1):78. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC11004168/
37. Zhao K, Chen P, Alexander-Bloch A, Wei Y, Dyrba M, Yang F, et al. A neuroimaging biomarker for Individual Brain-Related Abnormalities In Neurodegeneration (IBRAIN): a cross-sectional study. EClinicalMedicine [Internet]. 2023 Nov [citado 06 jun 2025];65. Disponible en: https://www.thelancet.com/action/showFullText?pii=S2589537023004534
38. Shah SFH, Arecco D, Draper H, Tiribelli S, Harriss E, Matin RN. Ethical implications of artificial intelligence in skin cancer diagnostics: use-case analyses. British Journal of Dermatology [Internet]. 2025 Mar [Citado 04 jul 2025];192(3):520–9. Disponible en: https://pubmed.ncbi.nlm.nih.gov/39501748/
39. Mevorach L, Farcomeni A, Pellacani G, Cantisani C. A Comparison of Skin Lesions’ Diagnoses Between AI-Based Image Classification, an Expert Dermatologist, and a Non-Expert. Diagnostics [Internet]. 2025 May [Citado 04 jul 2025];15(9):1115. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC12071753/
40. Kolla L, Parikh RB. Uses and limitations of artificial intelligence for oncology. Cancer [Internet]. 2024 Jun [Citado 04 jul 2025];130(12):2101. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC11170282/
41. Khalighi S, Reddy K, Midya A, Pandav KB, Madabhushi A, Abedalthagafi M. Artificial intelligence in neuro-oncology: advances and challenges in brain tumor diagnosis, prognosis, and precision treatment. NPJ Precis Oncol [Internet]. 2024 Dec [Citado 04 jul 2025];8(1):1–12. Disponible en: https://www.nature.com/articles/s41698-024-00575-0
42. Aamir M, Rahman Z, Bhatti UA, Abro WA, Bhutto JA, He Z. An automated deep learning framework for brain tumor classification using MRI imagery. Sci Rep [Internet]. 2025 Dec [Citado 04 jul 2025];15(1):1–22. Disponible en: https://www.nature.com/articles/s41598-025-02209-2
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Luis Orlando Albarracín Zambrano, Deneb Gabriela Morales Andino, Maybrith Akane Moscoso Estrella, Denisse Isabel Suaste Pazmiño
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
http://creativecommons.org/licenses/by-nc/4.0/
