Antecedentes: La enfermedad aterosclerótica es la principal causa de muerte a nivel mundial, impulsada por la acumulación progresiva de placas en las arterias. La imagenología por ultrasonido (US), tanto convencional (CUS) como intravascular (IVUS), es crucial para la evaluación no invasiva de las placas ateroscleróticas. Las técnicas de aprendizaje profundo (DL) han ganado recientemente atención como herramientas para mejorar la precisión y eficiencia del análisis de imágenes en este ámbito. Este documento revisa los avances recientes en métodos basados en DL para la segmentación, clasificación y cuantificación de placas ateroscleróticas en imágenes de US, centrándose en su rendimiento, relevancia clínica y desafíos de traducción. Métodos: Se realizó una búsqueda sistemática de literatura en las bases de datos PubMed, Scopus y Web of Science, siguiendo las directrices de PRISMA. La revisión incluyó artículos originales revisados por pares publicados hasta el 31 de enero de 2025 que aplicaron modelos de DL para la segmentación, caracterización y/o cuantificación de placas en imágenes de US. Resultados: Se incluyeron un total de 53 estudios, con un 72% centrados en CUS carotídeo y un 28% en IVUS coronario. Las arquitecturas de DL, como UNet y redes basadas en atención, se utilizaron comúnmente, logrando una alta precisión de segmentación con coeficientes de similitud de Dice promedio de alrededor del 84%. Muchos modelos proporcionaron salidas cuantitativas confiables (como área total de la placa, carga de placa e índice de severidad de estenosis) con coeficientes de correlación que a menudo superaban R = 0.9 en comparación con las anotaciones manuales. Las limitaciones incluyeron la escasez de conjuntos de datos grandes, anotados y disponibles públicamente; la falta de validación externa; y la disponibilidad limitada de código de código abierto. Conclusiones: Los enfoques basados en DL muestran una considerable promesa para avanzar en el análisis de placas ateroscleróticas en imágenes de US. Para facilitar una adopción clínica más amplia, la investigación futura debería priorizar la estandarización metodológica, la validación externa, el intercambio de datos y código, y la integración de tecnologías de US en 3D.