Aplicaciones de la Inteligencia Artificial en la Optimización de Parámetros Técnicos.

Artículos
9 de marzo de 2026

Aplicaciones de la Inteligencia Artificial en la Optimización de Parámetros Técnicos.

La evolución de la radiología médica ha sido marcada por una transición constante desde los métodos analógicos de captura en película hacia sistemas digitales de alta precisión. En este contexto, la integración de la Inteligencia Artificial (IA) ha emergido no solo como una herramienta de apoyo al diagnóstico, sino como un componente fundamental en la infraestructura técnica de adquisición de imágenes. La optimización de parámetros técnicos como el kilovoltaje pico (), la corriente del tubo (), el tiempo de exposición y el producto miliamperio-segundo () ha dependido históricamente del juicio clínico del tecnólogo radiólogo y de mediciones manuales con calibradores para estimar el espesor del paciente.1 No obstante, la variabilidad en la práctica clínica y la necesidad de adherirse estrictamente al principio ALARA (As Low As Reasonably Achievable – Tan bajo como sea razonablemente posible) han impulsado el desarrollo de sistemas inteligentes que automatizan estos procesos críticos para garantizar la máxima calidad diagnóstica con la mínima dosis de radiación posible.2

Fundamentos de la Física Radiológica y el Papel de la IA en la Selección de Parámetros

Para comprender cómo la IA transforma la selección de parámetros, es imperativo analizar la relación entre la física de los rayos X y las variables técnicas controlables. El kilovoltaje pico () es el factor principal que determina la calidad o el poder de penetración del haz de rayos X. Un más alto produce fotones con mayor energía, capaces de atravesar estructuras densas, aunque esto conlleva una reducción en el contraste de la imagen debido al aumento de la dispersión Compton.5 Por otro lado, el producto regula la cantidad total de fotones emitidos; un valor insuficiente de resulta en ruido cuántico o «mottle», mientras que un exceso incrementa innecesariamente la dosis absorbida por el paciente sin una mejora lineal en el beneficio diagnóstico.6

La IA interviene en esta ecuación mediante algoritmos de aprendizaje profundo que analizan en tiempo real la composición anatómica del paciente. A diferencia de los sistemas de Control Automático de Exposición (AEC) tradicionales, que utilizan cámaras de ionización físicas para detener la exposición cuando se alcanza una carga determinada, los sistemas impulsados por IA utilizan visión computacional 3D para estimar el espesor y la densidad del tejido antes de que se emita la radiación.1 Esto permite una preconfiguración precisa de los parámetros técnicos, eliminando la dependencia de la estimación visual del operador.

Parámetro TécnicoFunción TradicionalOptimización Mediante IA
Kilovoltaje Pico ()Selección manual basada en el espesor anatómico estimado.Ajuste dinámico basado en el Índice de Masa Corporal (IMC) y el espesor medido por sensores 3D.4
Miliamperaje ()Determina la intensidad del haz de rayos X.Modulación automatizada para compensar la atenuación específica del tejido en tiempo real.3
Tiempo de Exposición ()Ajustado para evitar borrosidad por movimiento.Minimización predictiva mediante el uso de altos sugeridos por modelos de IA.6
Distancia Fuente-Imagen ()Medida manualmente con cintas métricas o láseres.Seguimiento automático y alineación motorizada sincronizada con el detector.1

Visión Artificial 3D y Determinación del Hábito Corporal

Uno de los avances más significativos mencionados en la literatura técnica actual es el uso de la visión artificial en 3D para la determinación automática del espesor del paciente. Históricamente, el uso de calibradores o «calipers» para medir la profundidad anatómica era una práctica estándar, pero con el tiempo ha caído en desuso, lo que ha llevado a que los parámetros de exposición incorrectos representen hasta el 18% de las repeticiones de imágenes.1

Los sistemas modernos, como la suite SmartXR de Agfa, emplean cámaras de visión 3D integradas en el cabezal del tubo que funcionan como un «ojo inteligente» para el equipo. Estos sensores generan una nube de puntos que describe el contorno exacto del paciente, permitiendo que la IA calcule el espesor volumétrico. Basándose en esta información, el software SmartDose sugiere automáticamente los parámetros de exposición óptimos para esa anatomía específica.1 Este nivel de personalización es crucial para evitar el fenómeno de «dose creep» (incremento gradual de la dosis), donde los tecnólogos tienden a utilizar dosis más altas de las necesarias para asegurar una imagen libre de ruido en sistemas digitales, que tienen un rango dinámico mucho más amplio que la película convencional.4

La precisión de estos sistemas de visión 3D se ha validado en entornos clínicos exigentes. Por ejemplo, en la tomografía computarizada (TC), el centrado incorrecto del paciente en el isocentro del gantry puede aumentar la dosis en la superficie hasta en un 41%.14 Los algoritmos de IA como RGBLandmarkNet y DepthLandmarkNet de GE Healthcare identifican hasta ocho puntos de referencia anatómicos (como la base orbitomeatal, la muesca esternoclavicular y las articulaciones de los tobillos) para automatizar el posicionamiento vertical y longitudinal con una precisión de .15

  1. Point of Care AI for Digital Radiography – HealthManagement.org, fecha de acceso: febrero 10, 2026, https://healthmanagement.org/c/healthmanagement/issuearticle/point-of-care-ai-for-digital-radiography
  2. How AI Platforms Improve Radiology Workflow Optimization in 2025 – Rayscape, fecha de acceso: febrero 10, 2026, https://rayscape.ai/single-article?id=ZvZxnRIAAC0AtLxx
  3. AI Can Help Optimize CT Scan X-ray Radiation Dose | Imaging Technology News, fecha de acceso: febrero 10, 2026, https://www.itnonline.com/content/ai-can-help-optimize-ct-scan-x-ray-radiation-dose
  4. Advancing Exposure Index in Radiology for Optimized Imaging …, fecha de acceso: febrero 10, 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12007388/
  5. The Impact of Automatic Exposure Control Technology on the In Vivo Radiation Dose in Digital Mammography: A Comparison Between Different Systems and Target/Filter Combinations – MDPI, fecha de acceso: febrero 10, 2026, https://www.mdpi.com/2075-4418/15/10/1185
  6. Radiography of Animals – Clinical Pathology and Procedures – Merck Veterinary Manual, fecha de acceso: febrero 10, 2026, https://www.merckvetmanual.com/clinical-pathology-and-procedures/diagnostic-imaging/radiography-of-animals
  7. New Exposure Indicators for Digital Radiography Simplified for Radiologists and Technologists – AJR Online, fecha de acceso: febrero 10, 2026, https://ajronline.org/doi/10.2214/AJR.12.8678
  8. (PDF) Digital radiography exposure indices: A review – ResearchGate, fecha de acceso: febrero 10, 2026, https://www.researchgate.net/publication/262232369_Digital_radiography_exposure_indices_A_review
  9. Complex Relationship Between Artificial Intelligence and CT Radiation Dose – BINASSS, fecha de acceso: febrero 10, 2026, https://www.binasss.sa.cr/bibliotecas/bhm/nov22/17.pdf
  10. Advancing Exposure Index in Radiology for Optimized Imaging, Accuracy, and Future Innovations – Semantic Scholar, fecha de acceso: febrero 10, 2026, https://pdfs.semanticscholar.org/4525/19d6efbc154df122afb34d7174d1b487297b.pdf
  11. SOMATOM go.Top – MTender, fecha de acceso: febrero 10, 2026, https://storage.mtender.gov.md/get/5f8b58c9-fd81-42ce-9714-039e18762473-1748017923777
  12. IISc-Med-2025-26/L-9) LOCAL TENDER ENQUIRY To Whom It May Concern This RFQ invites proposals for th, fecha de acceso: febrero 10, 2026, https://iisc.ac.in/wp-content/uploads/2025/12/L-9_DIGITAL-RADIOGRAPHY-DR-X-RAY-SYSTEM.pdf
  13. Zenition – Zenition 50 Specifications Document | PDF | Computer Monitor | Video – Scribd, fecha de acceso: febrero 10, 2026, https://www.scribd.com/document/502834393/Zenition-Zenition-50-Specifications-Document
  14. A comparison between manual and artificial intelligence–based automatic positioning in CT imaging for COVID-19 patients – PMC, fecha de acceso: febrero 10, 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC7975236/
  15. AI-based Auto Positioning – GE Healthcare, fecha de acceso: febrero 10, 2026, https://www.gehealthcare.com/-/jssmedia/gehc/us/images/products/revolution-ascend/files/ai-auto-positioning-white-paper.pdf