El aprendizaje profundo semi-supervisado (DSSL) es un paradigma de aprendizaje automático que combina técnicas de aprendizaje supervisado y no supervisado para mejorar el rendimiento de varios modelos en tareas de visión por computadora. La clasificación de imágenes médicas juega un papel crucial en el diagnóstico de enfermedades, la planificación del tratamiento y la atención al paciente. Sin embargo, obtener datos de imágenes médicas etiquetados suele ser costoso y llevar mucho tiempo para los profesionales médicos, lo que conduce a conjuntos de datos etiquetados limitados. Las técnicas de DSSL tienen como objetivo abordar este desafío, particularmente en diversas tareas de imágenes médicas, para mejorar la generalización y el rendimiento del modelo. Los modelos de DSSL aprovechan tanto la información etiquetada, que proporciona supervisión explícita, como los datos no etiquetados, que pueden proporcionar información adicional sobre la distribución subyacente de los datos. Esto ofrece una solución práctica a las demandas intensivas en recursos de la anotación de datos y mejora la capacidad del modelo para generalizar en paisajes de datos diversos y previamente no vistos. El presente estudio proporciona una revisión crítica de varios enfoques de DSSL y su efectividad y desafíos en la mejora de las tareas de clasificación de imágenes médicas. El estudio categorizó las técnicas de DSSL en seis clases: método de regularización de consistencia, método adversarial profundo, método de pseudo-aprendizaje, método basado en grafos, método multi-etiqueta y método híbrido. Además, se realizó un análisis comparativo del rendimiento de los seis métodos considerados utilizando estudios existentes. Los estudios referenciados han empleado métricas como precisión, sensibilidad, especificidad, AUC-ROC y puntuación F1 para evaluar el rendimiento de los métodos de DSSL en diferentes conjuntos de datos de imágenes médicas. Además, se discutieron y destacaron los desafíos de los conjuntos de datos, como la heterogeneidad, los datos etiquetados limitados y la interpretabilidad del modelo, en el contexto de DSSL para la clasificación de imágenes médicas. La revisión actual proporciona direcciones y consideraciones futuras para los investigadores para abordar aún más los desafíos y aprovechar al máximo estos métodos en las prácticas clínicas.