Antecedentes: Los datos de Imágenes por Resonancia Magnética (IRM) recopilados de múltiples centros pueden ser heterogéneos debido a factores como el escáner utilizado y la ubicación del sitio. Para reducir esta heterogeneidad, los datos deben ser armonizados. En los últimos años, el aprendizaje automático (ML) se ha utilizado para resolver diferentes tipos de problemas relacionados con datos de IRM, mostrando gran promesa. Objetivo: Este estudio explora qué tan bien funcionan varios algoritmos de ML para armonizar datos de IRM, tanto de forma implícita como explícita, resumiendo los hallazgos en artículos relevantes revisados por pares. Además, proporciona pautas para el uso de métodos actuales e identifica posibles direcciones para futuras investigaciones. Método: Esta revisión cubre artículos publicados a través de PubMed, Web of Science y bases de datos de IEEE hasta junio de 2022. Los datos de los estudios fueron analizados en base a los criterios de Elementos de Informe Preferidos para Revisiones Sistemáticas y Metaanálisis (PRISMA). Se derivaron preguntas de evaluación de calidad para evaluar la calidad de las publicaciones incluidas. Resultados: se identificaron y analizaron un total de 41 artículos publicados entre 2015 y 2022. En la revisión, se encontró que los datos de IRM se han armonizado de forma implícita ( = 21) o explícita ( = 20). Se identificaron tres modalidades de IRM: IRM estructural ( = 28), IRM de difusión ( = 7) e IRM funcional ( = 6). Conclusión: Se han empleado diversas técnicas de ML para armonizar diferentes tipos de datos de IRM. Actualmente hay una falta de métodos de evaluación y métricas consistentes utilizadas en los estudios, y se recomienda que el problema se aborde en futuros estudios. La armonización de datos de IRM utilizando ML muestra promesas para mejorar el rendimiento en tareas de ML posteriores, aunque se debe tener precaución al utilizar datos armonizados por ML para interpretación directa.