Anales de la RANM

17 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 Luis Martí-Bonmatí An RANM. 2021;138(01): 16 - 23 ESTIMACIONES DE CAUSALIDAD CON IMAGEN MÉDICA EN ONCOLOGÍA lesiones como en los pacientes (Figura 1). Es por ello por lo que la Medicina de Precisión analiza esta variabilidad para predecir con una mayor certeza el comportamiento esperado de una lesión en un paciente determinado. Una excelente aproximación para captar esta interac- ción entre la situación particular de un paciente y la expresión de su enfermedad es la evidencia generada mediante los estudios observacionales analíticos tipo caso-control. Estas investigaciones se diseñan como estudios realizados no con pacientes sino con sus datos obtenidos de entornos clínicos habituales. Utilizan para ello repositorios bien estructurados que incluyen tanto las imágenes como los datos clínicos y moleculares, para generar modelos analíticos con información consistente y coherente (1). Se reconoce en esta aproximación que diseñar estudios científicos observacionales para definir relaciones de causa-efecto en la Medicina de Precisión requiere de una gran cantidad de información cualificada, obtenida del mundo real, sobre la que implementar herramientas computacionales (radiómica y biomarcadores de imagen) y soluciones de Inteli- gencia Artificial. Se pretende de esta forma que las conclusiones extraídas de los estudios sean reprodu- cibles y estén validadas, minimizando el problema del submuestreo, la heterogeneidad de la muestra analizada y la variabilidad por falta de estandariza- ción de los datos y las imágenes analizadas. Nuestro entorno científico pretende aproximarse a la Medicina de Precisión desde la imagen computa- cional a través de la radiómica y los biomarca- dores de imagen. Muy diversas aproximaciones previas se han definido previamente para entornos y situaciones clínicas muy diferentes (2-10). En general, para evaluar la situación clínica de muchos pacientes se obtienen imágenes digitales mediante diferentes modalidades (tales como radiografía, ecografía, tomografía computarizada, resonancia magnética y tomografía por emisión de positrones). Estas imágenes pueden procesarse con algoritmos computacionales y redes neuronales para extraer diversos parámetros no observables directamente, y que pueden tener una relación de causalidad para predecir la probabilidad de que suceda un evento clínico final que consideramos relevante a la enfermedad. La radiómica permite la extracción computacional de datos cuantitativos a partir de estas imágenes adquiridas en la vida real para conocer la expresión de diferentes propiedades tisulares previamente relacionadas mediante modelos computacionales o redes neuronales convolucionales ( Deep features ). Estos datos cuantitativos provienen del análisis de los diferentes atributos de la propia imagen o de la modificación dinámica de la señal al cambiar algún parámetro en la adquisición (por ejemplo, en los estudios de difusión en RM o los análisis espectrales en TC). Se considera que los paráme- tros radiómicos obtenidos son biomarcadores de imagen cuando estén subrogados a una propiedad de la lesión o un devenir clínico del paciente. Con estos datos radiómicos pueden construirse modelos descriptivos y predictivos de una realidad biopatológica o una situación clínica de interés ( clinical endpoint ). Si la relación cumple criterios de causalidad habremos establecido una inferencia causal (11). Figura 1. Bases biológicas de la diversidad en la expresión de una lesión o una enfermedad en un paciente determinado. Se ha demostrado que las características radiómicas extraídas de las imágenes (TC de un paciente con metástasis hepáticas por ejemplo) pueden relacionarse con una menor probabilidad de supervivencia en diversos tumores.