El aprendizaje profundo se está expandiendo y continúa evolucionando sus capacidades hacia una mayor precisión, velocidad y rentabilidad. Los ingredientes clave para obtener sus resultados prometedores son datos apropiados, recursos computacionales suficientes y el mejor uso de un algoritmo en particular. La aplicación de estos algoritmos en tareas de análisis de imágenes médicas ha logrado resultados sobresalientes en comparación con enfoques clásicos de aprendizaje automático. La localización del área de interés es una tarea desafiante que tiene una importancia vital en el diagnóstico asistido por computadora. Generalmente, los radiólogos interpretan las radiografías en función de sus conocimientos y experiencia. Sin embargo, a veces pueden pasar por alto o interpretar mal los hallazgos debido a diversas razones, como la carga de trabajo o errores de juicio. Esto lleva a la necesidad de herramientas de IA especializadas que ayuden a los radiólogos a resaltar anomalías si existen. Para desarrollar un localizador impulsado por aprendizaje profundo, existen ciertas alternativas dentro de las arquitecturas, conjuntos de datos, métricas de rendimiento y enfoques. Una decisión informada para la selección dentro de la alternativa dada puede llevar a un mejor resultado con menos recursos. Este documento enumera los componentes necesarios junto con la IA explicativa para desarrollar un localizador de anormalidades para imágenes de rayos X en detalle. Además, se ha discutido principalmente enfoques supervisados fuertes frente a enfoques supervisados débiles a la luz de la disponibilidad limitada de datos anotados. Del mismo modo, se han presentado otros desafíos correlacionados junto con recomendaciones basadas en una revisión relevante de la literatura y estudios similares. Esta revisión es útil para agilizar el desarrollo de un localizador basado en IA para imágenes de rayos X y es extensible para otros informes radiológicos.