Utilidad de la inteligencia artificial en la reconstrucción de imágenes en angiografía coronaria por tomografía computarizada en la mejora de la calidad de imagen y reducción de dosis: una revisión de alcance

Abstract

Introducción: La angiografía coronaria por tomografía computarizada (CCTA) es una técnica no invasiva fundamental para la evaluación de la enfermedad coronaria. En los últimos años, el uso de inteligencia artificial, especialmente algoritmos basados en aprendizaje profundo, ha demostrado mejorar la calidad de imagen y reducir la dosis de radiación y contraste, superando limitaciones de los métodos tradicionales de reconstrucción. Objetivo: Mapear la evidencia científica disponible sobre la utilidad de los algoritmos de reconstrucción de imágenes basados en inteligencia artificial en pacientes sometidos a CCTA, con énfasis en la calidad de imagen y la reducción de la dosis de radiación. Materiales y Métodos: La revisión de alcance se desarrolló de acuerdo con la metodología del Joanna Briggs Institute (JBI) y las directrices PRISMA-ScR. Para la búsqueda se consultaron las bases de datos MEDLINE, EMBASE y SCOPUS, además de SciELO y Google Scholar. Los revisores seleccionaron los estudios de forma independiente y las diferencias encontradas se resolvieron por consenso. La información obtenida se organizó y sintetizó en tablas de acuerdo con las variables establecidas en el marco PCC. Resultados: Se incluyeron diez estudios publicados entre 2021 y 2025, predominantemente ensayos clínicos. Los algoritmos DLIR, AiCE y SR-DLR mostraron incrementos consistentes del SNR y CNR, una reducción del ruido entre el 20% y el 60%, y una mejora en la calidad subjetiva de imagen. Asimismo, se reportaron reducciones de dosis entre el 36% y el 76%, especialmente en protocolos de baja dosis, manteniendo una adecuada interpretabilidad diagnóstica. Conclusiones: Los resultados muestran que la reconstrucción profunda mejora la calidad de imagen y facilita el uso de protocolos de baja dosis, manteniendo una adecuada utilidad diagnóstica y contribuyendo a reducir la exposición del paciente en CCTA.

Introduction: Coronary computed tomography angiography (CCTA) is afundamental non-invasive technique for the evaluation of coronary artery disease.In recent years, the use of artificial intelligence, especially algorithms based on deeplearning, has been shown to improve image quality and reduce radiation and contrast dose, overcoming limitations of traditional reconstruction methods. Objective: To map the available scientific evidence on the usefulness of AI-based image reconstruction algorithms in patients undergoing CCTA, with emphasis on image quality and radiation dose reduction. Materials and Methods: The scoping review was conducted in accordance with the Joanna Briggs Institute (JBI) methodology and PRISMA-ScR guidelines. The search covered the MEDLINE,EMBASE, and SCOPUS databases, as well as SciELO and Google Scholar. Reviewers selected studies independently, and any discrepancies were resolved by consensus. The data obtained were organized and synthesized in tables based on the variables established in the PCC framework. Results: Ten studies published between 2021 and 2025, predominantly clinical trials, were included. The DLIR,AiCE, and SR-DLR algorithms showed consistent increases in SNR and CNR, a reduction in noise between 20% and 60%, and an improvement in subjective image quality. Dose reductions between 36% and 76% were also reported, especially in low-dose protocols, while maintaining adequate diagnostic interpretability. Conclusions: The results show that deep reconstruction improves image quality and facilitates the use of low-dose protocols, while maintaining adequate diagnostic utility and contributing to reduced patient exposure in CCTA.