Las redes neuronales gráficas (GNNs) extienden el aprendizaje profundo a dominios no euclidianos, ofreciendo un marco robusto para modelar las relaciones espaciales, estructurales y funcionales inherentes a la imagenología médica. Este artículo revisa los avances recientes en arquitecturas de GNN, incluyendo diseños recurrentes, convolucionales, basados en atención, de auto-codificación y espaciotemporales, y examina cómo se han aplicado estos modelos a tareas centrales de imagenología médica, como segmentación, clasificación, registro, reconstrucción y fusión multimodal. La revisión también identifica los desafíos y limitaciones actuales en la aplicación de GNN a la imagenología médica y discute tendencias emergentes, incluyendo la integración de transformadores gráficos, el aprendizaje gráfico auto-supervisado y las GNN federadas. Este artículo proporciona una referencia concisa y completa para avanzar en sistemas de imagenología médica basados en GNN que sean fiables y generalizables.