Anales de la RANM

39 A N A L E S R A N M R E V I S T A F U N D A D A E N 1 8 7 9 LA RADIÓMICA Y LOS BIOMARCADORES DE IMAGEN Luis Martí-Bonmatí An RANM · Año 2019 · número 136 (01) · páginas 34 a 42 minio de los atributos de la imagen , desde el que se computan texturas a partir del histograma de las in- tensidades (para extraer métricas como la curtosis, asimetría - skewness -, entropía, y energía), la distri- bución espacial de la señal (para obtener datos como las matrices GLCM -Gray Level Co-Occurrence Ma- trix- y GLRLM -Gray Level Run-Length Matrix-, fil- tros gradilla, fractales, y ondículas), y los descrip- tores morfológicos (entre los que podemos incluir aquellos de volumen, espesor, forma, bordes, vasos, y sus cambios temporales). Por el otro lado, se consi- deran los parámetros obtenidos del análisis de series dinámicas donde existen modificaciones de la señal, como por ejemplo los modelos de perfusión (heurís- tico, farmacocinético), difusión (monoexponencial, multiexponencial), los ratios de relajación (valores de T1 y T2 en RM) y el análisis espectral de absor- ción en TC. Todos estos atributos y parámetros, antes de correlacionarse como biomarcadores subrogados, deben reducirse para evitar redundancias e inestabi- lidades que impidan un análisis correcto y preciso de estas relaciones. Para establecer la correlación de los datos compu- tacionales con estos valores (diagnóstico de feno- tipo, predictivo de tratamiento o pronóstico de re- sultado clínico) pueden emplearse tanto descrip- tores estadísticos clásicos, análisis multivariante y agrupaciones nosológicas. También pueden re- lacionarse mediante modelos de agrupamiento no supervisado empleando Inteligencia Artificial, con métodos basados en agrupamientos (clusterición) jerárquicos. Estos métodos pueden dar el resulta- do para todo el tumor o para sus hábitats o com- ponentes principales. Estos hábitats expresan re- giones de comportamiento similar obtenidos como firmas nosológicas multiparamétricas, bajo la pre- misa de que para cada evento biopatológico hay una firma nosológica que puede extraerse. Así, y en líneas generales, los biomarcadores identifica- dos se clasifican según su objetivo estimativo en (12): • Diagnóstico/Fenotipado: aquellos que detectan o confirman la presencia de un proceso patoló- gico, una enfermedad concreta o un subtipo de la enfermedad. Estas métricas son marcadores subrogados de agresividad, incluyendo tiempo de duplicación de volumen, invasión local y ex- tensión a distancia. En este grupo están los bio- marcadores de susceptibilidad, que son aquellos cuya presencia identifica el potencial para desa- rrollar una enfermedad. • Predictivo: características que señalan a los indi- viduos con más probabilidades de experimentar un efecto favorable (o desfavorable) con el tra- tamiento. Se consideran en esta categoría a los biomarcadores de respuesta, cuando muestran el efecto biológico generado por el tratamiento, y de seguridad, cuando indican la probabilidad, pre- sencia o grado de toxicidad como efecto adver- so al tratamiento. Estas métricas son marcadores subrogados relacionados con el tratamiento, in- cluyen aspectos como los ratios coste/beneficio (coste material), riesgo/beneficio (toxicidad evi- table) y oportunidad/beneficio (tiempo a efecto). • Pronóstico: valores que determinan la probabi- lidad o el tiempo a un evento clínico, a una re- currencia o a la progresión de la enfermedad, y la supervivencia del paciente. Estas métricas son marcadores subrogados relacionados con la res- puesta clínica objetiva. Pero antes de considerarlos como biomarcadores, los datos de imagen computacional extraídos como des- criptores simples o en asociación (firmas tisulares), deben validarse . El proceso de validación se debe es- tablecer en dos niveles principales: • Por un lado, está la Validación Técnica que ana- liza la variabilidad en su proceso de obtención. Para ello se debe controlar la posible redundan- cia de datos muy correlacionados y eliminar ade- más los que no sean reproducibles por inestabi- lidad en la extracción del atributo. Se debe con- trolar también su precisión y estabilidad con el coeficiente de correlación intraclase, aplicado a la repetición de experimentos sin cambios (repe- titividad para los mismos equipos con estudios tipo test-retest) y a la repetición con cambios (reproducibilidad en otros equipos con datos in- dependientes). Otro aspecto fundamental en esta validación técnica es el estudio de la exactitud de las medidas mediante el análisis de su asociación con la verdad, considerada como la realidad de los dispositivos tipo fantomas o de la referencia patológica. Esta validación en la exactitud per- mite además establecer calibraciones para mejo- rar la relación de un método concreto de obtener el biomarcador con la verdad. • Por otro lado, tenemos la Validación Clínica que analiza la relevancia de la asociación en el entorno asistencial, es decir, su eficiencia práctica. Así, la fiabilidad se establece con la relación existente entre el biomarcador y los resultados clínicos definidos como objetivos en la prueba de concepto, y la de impacto de- termina si se producen cambios en la práctica clínica asociados a la presencia de estas nuevas aproximaciones. Los biobancos se consideran como depósitos organi- zados de muestras biológicas. Estas colecciones son fundamentales para la investigación clínica y la in- novación en la medicina personalizada. Su estructu- ra dispone de controles de calidad en la colección de las muestras, estandarización para su manipulación y protocolos legales para la protección de sus datos. Dada la necesidad de correlacionar sus datos para inferir relaciones más fiables, los biobancos pueden estar relacionados con otros repositorios de datos manteniendo una trazabilidad de los sujetos. Los biobancos de imágenes son repositorios estruc- turados de las imágenes digitales asociadas con epi- sodios clínicos y sus metadatos (13). Estos bioban- BIOBANCOS DE IMÁGENES MÉDICAS Y EVIDENCIA EN EL MUNDO REAL