Durante la última década, el ultrasonido focalizado (FUS) ha surgido como una modalidad terapéutica prometedora para varias condiciones médicas. Sin embargo, el crecimiento exponencial en la literatura publicada sobre las terapias de FUS ha hecho que el proceso de revisión de la literatura sea cada vez más lento, ineficiente y propenso a errores. Los enfoques de aprendizaje automático ofrecen una solución prometedora para abordar estos desafíos. Por lo tanto, el propósito de nuestro estudio es (1) explorar y comparar técnicas de aprendizaje automático para la clasificación de texto de resúmenes científicos, y (2) integrar estas técnicas de aprendizaje automático en el proceso convencional de revisión de la literatura. Un conjunto de datos clasificado de 3588 resúmenes científicos relacionados y no relacionados con las terapias de FUS obtenidos de la base de datos PubMed se utilizó para entrenar varios modelos de aprendizaje automático tradicionales y de aprendizaje profundo. El modelo Bio-ClinicalBERT (Bidirectional Encoder Representations from Transformers) ajustado, al que llamamos FusBERT, tuvo métricas de rendimiento comparativamente óptimas con una precisión del 0,91, una precisión del 0,85, una recuperación del 0,99 y un F1 de 0,91. FusBERT se integró con éxito en el proceso de revisión de la literatura. En última instancia, la integración de este modelo en el proceso de revisión de la literatura reducirá el número de manuscritos irrelevantes que el equipo clínico debe revisar, facilitando el acceso eficiente a los hallazgos emergentes en el campo.