El campo de la radiología ha experimentado avances notables en las últimas décadas, con desarrollos que van desde la mejora de la calidad y digitalización de las imágenes hasta la detección asistida por computadora. Particularmente, la aparición de técnicas de Inteligencia Artificial basadas en Deep Learning y Visión Computacional han promovido soluciones innovadoras en el diagnóstico y el análisis radiológico.
Se explora la relevancia de los desarrollos y modelos open source en el progreso de estas técnicas, resaltando el impacto que la colaboración y el acceso abierto han tenido en el avance científico del campo.
La investigación tiene un enfoque cualitativo, con alcance descriptivo y retrospectivo, de corte longitudinal. Se realizó un análisis documental de la evolución y el impacto del open source en la Radiología, poniendo de relieve la colaboración multidisciplinar. Se examinaron casos de uso, ventajas, desafíos y consideraciones éticas en relación con la implementación de soluciones basadas en Inteligencia Artificial en Radiología.
El enfoque open source ha mostrado ser una influencia positiva en la Radiología, con potencial para influir en la atención médica, ofreciendo soluciones más precisas y accesibles. No obstante, se presentan desafíos éticos y técnicos que requieren atención.
Palabras clave: radiología; aprendizaje profundo; código abierto; desarrollo de software; diagnóstico por imagen; ética médica; difusión de innovación.

ABSTRACT
The field of radiology has seen notable advances in recent decades, with developments ranging from image quality improvement and digitization to computer-aided detection. Particularly, the emergence of Artificial Intelligence techniques based on Deep Learning and Computer Vision have promoted innovative solutions in diagnosis and radiological analysis. This article explores the relevance of open source developments and models in the progress of these techniques, highlighting the impact that collaboration and open access have had on the scientific advancement in this field. This research has a qualitative approach, with a descriptive, retrospective, longitudinal scope. A documentary analysis of the evolution and impact of open source in Radiology was carried out, highlighting multidisciplinary collaboration. Use cases, advantages, challenges and ethical considerations were also examined in relation to the implementation of AI-based solutions in Radiology.
The Open Source approach has been shown to be a positive influence in Radiology, with the potential to influence medical care, offering more precise and accessible solutions. However, there are ethical and technical challenges that require attention.
Keywords: radiology; deep learning; open source; software development; diagnostic imaging; medical ethics; diffusion of innovation.

En las últimas décadas, las imágenes fotoacústicas han demostrado su eficacia en el apoyo al diagnóstico de algunas enfermedades, así como en la investigación médica, ya que a través de ellas es posible obtener información del cuerpo humano con características específicas y profundidad de penetración, desde 1 cm hasta 6 cm dependiendo en gran medida del tejido estudiado, además de una buena resolución. Las imágenes fotoacústicas son comparativamente jóvenes y emergentes y prometen mediciones en tiempo real, con procedimientos no invasivos y libres de radiación.  Por otro lado, aplicar Deep Learning a imágenes fotoacústicas permite gestionar datos y transformarlos en información útil que genere conocimiento. Estas aplicaciones poseen ventajas únicas que facilitan la aplicación clínica. Se considera que con estas técnicas se pueden proporcionar diagnósticos médicos confiables. Es por eso que el objetivo de este artículo es proporcionar un panorama general de los casos donde se combina el Deep Learning con técnicas fotoacústicas.

Palabras clave: imagen fotoacústica; aprendizaje profundo; redes neuronales; aprendizaje automático.

Abstract

In recent decades, photoacoustic imaging has proven its effectiveness in supporting the diagnosis of some diseases as well as in medical research, since through it is possible to obtain information of the human body with specific characteristics and depth of penetration, from 1 cm to 6 cm depending largely on the tissue studied, in addition to a good resolution. Photoacoustic imaging is comparatively young and emerging and promises real-time measurements, with non-invasive and radiation-free procedures.  On the other hand, applying Deep Learning to photoacoustic images allows managing data and transforming them into useful information that generates knowledge. These applications have unique advantages that facilitate clinical application. It may be possible with these techniques to provide reliable medical diagnoses. That is why the aim of this article is to provide an overview of cases combining Deep Learning with photoacoustic techniques.

Keywords: photoacoustic imaging; deep learning; neural networks; machine learning.