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.

Este trabajo propone un sistema de diagnóstico del trastorno depresivo para el Centro de Salud Juan Pablo II debido a que los especialistas aplican como método de evaluación el cuestionario BDI-II (Inventario de Depresión de Beck) que limita el proceso de diagnóstico porque solo contempla la sumatoria de un puntaje como resultado final. Por lo tanto, para mejorar el método de evaluación se propone la construcción de un modelo de diagnóstico basado en redes neuronales y la adaptación del cuestionario BDI-II  recopilando ítems del cuestionario asociados a sus respectivos factores establecidos: emocional, cognitivo, físico y motivación siendo las variables de entrada de la primera capa, teniendo tres capas ocultas y finalmente se obtendrá una capa de salida con el diagnostico general y específico que detalle el resultado del paciente a fin de que el especialista realice un personalizado plan de tratamiento que se ajuste mejor a las necesidades del paciente.

Abstract

This work proposes a diagnostic system for depressive disorder for the Juan Pablo II Health Center where the specialists apply the BDI-II questionnaire (Beck's Depression Inventory) as evaluation method, which limits the diagnostic process because it only contemplates the sum of a score as a final result. Therefore, to improve the evaluation method, the construction of a diagnostic model based on neural networks and the adaptation of the BDI-II collecting questionnaire items associated with their respective established factors: emotional, cognitive, physical and motivation, being the input variables of the first layer, having three hidden layers and finally an output layer will be sought with the general and specific diagnosis that details the result of the patient so that the specialist can make a personalized treatment plan that better adjusts to the patient needs.

Keywords: neural networks; diagnosis; depressive disorder; factors.