El aprendizaje supervisado ha sido la piedra angular de muchas aplicaciones exitosas en imágenes médicas. Sin embargo, su dependencia de grandes conjuntos de datos etiquetados plantea desafíos significativos, especialmente en el ámbito médico, donde la anotación de datos es costosa y consume mucho tiempo. En respuesta, el aprendizaje auto-supervisado (SSL) ha surgido como una alternativa prometedora, aprovechando datos no etiquetados para aprender representaciones significativas sin supervisión explícita. Este documento proporciona una visión detallada del aprendizaje supervisado y sus limitaciones en la imagen médica, subrayando la necesidad de enfoques más eficientes y escalables. El estudio enfatiza la importancia del área bajo la curva (AUC) como una métrica clave de evaluación para valorar el rendimiento del SSL. La AUC ofrece una medida integral del rendimiento del modelo en diferentes puntos de operación, lo cual es crucial en aplicaciones médicas, donde los falsos positivos y negativos tienen consecuencias significativas. Evaluar los métodos de SSL basándose en la AUC permite comparaciones robustas y asegura que los modelos se generalicen bien a escenarios del mundo real. Este documento revisa los avances recientes en SSL para imágenes médicas, demostrando su potencial para revolucionar el campo al mitigar los desafíos asociados con el aprendizaje supervisado. Los resultados clave muestran que las técnicas de SSL, al aprovechar datos no etiquetados y optimizar métricas de rendimiento como la AUC, pueden mejorar significativamente la precisión diagnóstica, la escalabilidad y la eficiencia en el análisis de imágenes médicas. Los hallazgos destacan la capacidad del SSL para reducir la dependencia de conjuntos de datos etiquetados y presentan un camino hacia soluciones de imágenes médicas más escalables y efectivas.