La introducción del aprendizaje automático en patología digital ha impactado profundamente en el campo, especialmente con la llegada del análisis de imágenes de láminas completas (WSI). En esta revisión, intentamos dilucidar el papel de los algoritmos de aprendizaje automático en la precisión diagnóstica, eficiencia y reproducibilidad de los resultados. Primero, discutimos algunas de las herramientas más utilizadas, incluyendo QuPath, HistoQC y HistomicsTK, y proporcionamos una visión actualizada de los enfoques de aprendizaje automático y su aplicación en patología. Más tarde, informamos cómo estas herramientas pueden simplificar la automatización de análisis de WSI, reduciendo también la carga de trabajo manual y la variabilidad entre observadores. Un aspecto novedoso de esta revisión es su enfoque en herramientas de código abierto, presentadas de una manera que pueda facilitar el proceso de adopción para los patólogos. Además, destacamos los principales beneficios de estas tecnologías, con el objetivo de hacer de esta revisión una guía práctica para los médicos que buscan implementar soluciones basadas en aprendizaje automático en sus flujos de trabajo específicos. Además, esta revisión también enfatiza algunas limitaciones cruciales relacionadas con la calidad de los datos y la interpretabilidad de los modelos, ofreciendo información sobre las futuras direcciones de investigación. En general, este trabajo intenta cerrar la brecha entre el progreso tecnológico más reciente en informática y la práctica clínica tradicional, apoyando una adopción más amplia y fluida de enfoques de aprendizaje automático en patología digital.