La mayoría de los datos recopilados y obtenidos de diversas fuentes a lo largo de la vida de un paciente se pueden asumir que comprenden información pertinente para brindar el mejor tratamiento posible. Los datos médicos, como imágenes radiográficas e histopatológicas, electrocardiogramas y registros médicos, guían el enfoque diagnóstico de un médico. Sin embargo, la mayoría de las técnicas de aprendizaje automático en el campo de la salud enfatizan el análisis de datos de una sola modalidad, lo cual es insuficientemente confiable. Esto es especialmente evidente en radiología, que ha sido durante mucho tiempo un tema esencial del aprendizaje automático en la salud debido a su alta densidad de datos, disponibilidad y capacidad de interpretación. En el futuro, los sistemas de diagnóstico asistidos por computadora deben ser inteligentes para procesar una variedad de datos simultáneamente, de manera similar a cómo los médicos examinan diversos recursos al diagnosticar pacientes. Al extraer características novedosas de diversas fuentes de datos médicos, se pueden aplicar técnicas de identificación avanzadas conocidas como aprendizaje multimodal, lo que permite a los algoritmos analizar datos de diversas fuentes y eliminar la necesidad de entrenar cada modalidad. Este enfoque mejora la flexibilidad de los algoritmos al incorporar datos diversos. Una cantidad creciente de investigaciones actuales se ha centrado en la exploración de la extracción de datos de múltiples fuentes y en la construcción de modelos precisos de aprendizaje automático/profundo multimodal para exámenes médicos. Se proporciona un análisis y síntesis exhaustivos de publicaciones recientes que se centran en el aprendizaje automático multimodal en la detección de enfermedades. También se identifican posibles direcciones futuras de investigación. Esta revisión presenta una visión general del aprendizaje automático multimodal (MMML) en radiología, un campo a la vanguardia de la integración de la inteligencia artificial en la imagen médica. A medida que las prácticas radiológicas continúan evolucionando, la combinación de diversas modalidades de datos de imagen y no imagen está adquiriendo una importancia creciente. Este documento analiza metodologías actuales, aplicaciones y tendencias en MMML, al tiempo que describe desafíos y predice próximas direcciones de investigación. Comenzando con una visión general de las diferentes modalidades de datos involucradas en radiología, es decir, imágenes, texto y datos médicos estructurados, esta revisión explica los procesos de fusión de modalidades, aprendizaje de representaciones y traducción de modalidades, mostrando cómo impulsan la eficacia del diagnóstico y mejoran la atención al paciente. Además, esta revisión discute conjuntos de datos clave que han sido fundamentales para avanzar en la investigación de MMML. Esta revisión puede ayudar a los médicos e investigadores a comprender la distribución espacial del campo, delinear el nivel actual de avance e identificar áreas de investigación que deben explorarse con respecto a MMML en radiología.