Anales de la RANM

114 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 INTELIGENCIA ARTIFICIAL EN IMAGEN MÉDICA Martí-Bonmatí L An RANM. 2024;141(02): 111 - 118 Entrenar y validar modelos con IA para desarrollar mejoras en todos los procesos de la imagen médica requiere poder acceder a grandes cantidades de imágenes, y a los datos clínicos más relevantes asociados a dichas imágenes, debidamente armoni- zadas. La armonización de datos en la investi- gación con imágenes es esencial para garantizar la consistencia, comparabilidad y fiabilidad de la información obtenida a través de diferentes equipos, técnicas y protocolos de imagen(7,8). Las principales infraestructuras con almacenamiento de datos recogen datos anonimizados de forma centralizada o permiten el acceso a datos distri- buidos que deben estar armonizados para permitir su comparación y agrupamiento. El desarrollo de un modelo de datos común para almacenar toda la información de forma estandarizada es otro reto de la compartición de datos para garantizar la confianza en las iniciativas de intercambio de datos [9,10). Es también oportuno contar con reposi- torios enlazados que trabajen en red en la Unión Europea para minimizar los esfuerzos necesarios en cada proyecto individual. ALGUNOS PROCESOS DE ÉXITO El avance de la IA en la imagen médica está relacio- nado con la disponibilidad de grandes conjuntos de datos de calidad controlada, lo que actualmente sigue siendo un desafío importante (8). La genera- ción de estos repositorios o bancos de imágenes estandarizados es un esfuerzo intensivo en recursos con dificultades técnicas y operativas, en particular la armonización de imágenes, la conservación y anotación de datos, las restricciones legales y las consideraciones éticas para su uso posterior. Como resultado, la cantidad, calidad y representatividad de los datos disponibles sigue siendo uno de los principales factores limitantes para el desarrollo de herramientas fiables de IA. Se recomienda emplear metodologías estadísticas robustas para optimizar el tamaño muestral necesario, que incluyan aspectos como la reducción de variables predictoras y la inclusión de medidas directas del resultado a predecir, para garantizar la viabilidad y eficacia de los modelos de IA en el ámbito médico (11). Una de las principales limitaciones de la imagen cuantitativa y los biomarcadores de imagen para impactar en la medicina personalizada ha sido la reproducibilidad variable de sus resultados. Aunque las soluciones tienen una rentabilidad diagnóstica muy alta en entornos controlados, con equipamientos similares, cuando se pretende expandir su uso a otros entornos, con equipa- mientos y protocolos diferentes, su utilidad disminuye. Este efecto de lote ( batch ) se debe a las variaciones sistemáticas en los datos que surgen debido a diferencias en los procedimientos de obtención, procesamiento o análisis que se realizan en diferentes equipos, momentos o centros. Para minimizar esta variabilidad, para generar paráme- tros consistentes y confiables, hay que eliminar todas aquellas fuentes de error que impliquen sesgos metodológicos sistemáticos. Las imágenes médicas obtenidas en los equipamientos de los hospitales tienes muchas fuentes de variación. Todos los fabricantes y los profesionales quieren tener las mejores imágenes que generen el mayor contraste y resolución, y que permitan obtener los mejores informes. Incluso con el orgullo de ser diferentes por mejores que las obtenidas con otros equipos o en otros centros. Desafortunadamente, esto hace que la información radiómica sea dependiente de esta imagen original. Como en el mundo real no podrá normalizarse la imagen adquirida (siempre habrá nuevos equipos, mejores protocolos, nuevos contrastes, diferentes opiniones de los profesio- nales) se ha impuesto la necesidad de armonizar las imágenes una vez adquiridas. Es decir, corregir las variaciones relacionadas a los diferentes equipos y protocolos con los que se ha adquirido (falta de homogeneidad de las imágenes) para aumentar así la reproducibilidad de la radiómica (12). Precisa- mente la IA es una de las mejores soluciones para generar imágenes derivadas o sintéticas dónde se hayan eliminado estas fuentes de error, permitiendo el agrupamiento de imágenes diferentes en un conjunto armonizado y estandarizado (7). Esta armonización es la base del proyecto Europeo Chaimeleon ( European Union’s Horizon 2020 Research and Innovation Programme under grant agreement No. 952172 ). Dado que los repositorios de imágenes almacenan estudios adquiridos en diferentes centros y con diferentes escáneres, es posible que las caracterís- ticas, los parámetros, los valores y los rangos cuanti- tativos de las imágenes extraídos de las imágenes adquiridas en un centro no sean reproducibles a partir de las imágenes adquiridas en otro centro. Para garantizar la reproducibilidad de los biomarcadores cuantitativos de imágenes y aprovechar el potencial de la reutilización científica de las imágenes retrospec- tivas multicéntricas, los investigadores de CHAIME- LEON establecieron protocolos de armonización de imágenes como uno de los principales objetivos (7,8). La generación de imágenes sintéticas ajustadas a un marco común de armonización asegura que la autenticidad e integridad de cada imagen sintética esté debidamente garantizada. El proyecto también aborda la importancia de la armonización de datos, la segmentación automática y la extracción de caracte- rísticas profundas para la imagen médica avanzada. MODELOS PREDICTIVOS Los modelos predictivos con datos ómicos se refieren a marcos computacionales o estadísticos diseñados para pronosticar resultados, rasgos o riesgos de enfermedades específicos mediante el análisis de conjuntos de datos completos derivados de varias disciplinas "ómicas", como la genómica, la transcriptómica, la proteómica, la metaboló- mica y la radiómica (Figura 3). Estos modelos integran conjuntos de datos biológicos a gran escala para identificar patrones, asociaciones o relaciones causales entre características (como