La inteligencia artificial (IA) ha impactado significativamente el diagnóstico del cáncer de tiroides en los últimos años, ofreciendo herramientas y metodologías avanzadas que prometen revolucionar los resultados para los pacientes. Esta revisión proporciona una visión exhaustiva de los marcos contemporáneos empleados en el campo, centrándose en el objetivo del análisis impulsado por IA y desglosando metodologías a través del aprendizaje supervisado, no supervisado y de conjunto. Específicamente, profundizamos en técnicas como el aprendizaje profundo, las redes neuronales artificiales, la clasificación tradicional y los modelos probabilísticos (MP) bajo el aprendizaje supervisado. Con su destreza en la agrupación y la reducción de dimensionalidad, se explora el aprendizaje no supervisado (ANS) junto con métodos de conjunto, incluidos algoritmos de bagging y potentes algoritmos de boosting. Los conjuntos de datos de cáncer de tiroides (CDTs) son fundamentales para nuestra discusión, arrojando luz sobre características vitales y elucidando técnicas de selección y extracción de características críticas para los sistemas de diagnóstico impulsados por IA. Presentamos los criterios de evaluación estándar en clasificación, regresión, estadística, visión por computadora y métricas de clasificación, punctuando el discurso con un ejemplo del mundo real de detección de cáncer de tiroides utilizando IA. Además, este estudio culmina en un análisis crítico, elucidando las limitaciones actuales y delineando el camino a seguir al resaltar los desafíos abiertos y las avenidas de investigación prospectivas. A través de esta exploración integral, nuestro objetivo es ofrecer a los lectores una visión panorámica del papel transformador de la IA en el diagnóstico del cáncer de tiroides, subrayando su potencial y apuntando hacia un futuro optimista.