Anales de la RANM

117 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 • Acceso y equidad en la atención sanitaria: La IA puede ofrecer herramientas de diagnóstico avanzadas a regiones con recursos limitados, democratizando el acceso a diagnósticos de alta calidad. Al aumentar la eficiencia y redu- cir el tiempo necesario para el diagnóstico y la personalización del tratamiento, la IA tiene el potencial de reducir los costos generales de la atención médica. Mientras la IA en la imagen médica y la medicina de precisión ofrece numerosas ventajas, también plantea desafíos, incluyendo preocupaciones sobre la privacidad de los datos, la necesidad de conjuntos de datos amplios y diversificados para entrenar modelos de IA, y la importancia de mantener una supervisión humana para garantizar la fiabilidad y evitar discrepancias y errores (22). En resumen, la IA está redefiniendo la medicina de precisión y la imagen médica, ofreciendo herramientas poderosas para el diagnóstico y tratamiento personalizado, mejorando la eficiencia operativa y ampliando el acceso a la atención médica de calidad. Sin embargo, es crucial abordar los desafíos éticos y operativos para maximizar su potencial beneficioso. REFERENCIAS 1. Martí-Bonmatí L, Alberich-Bayarri Á, Bláz- quez Sánchez J, Bruixola G. Informe antici- pando Radiómica. Fundación Instituto Roche 2022. 2. Calvillo-Batllés P, Cerdá-Alberich L, Fon- fría-Esparcia C, et al. Development of se- verity and mortality prediction models for covid-19 patients at emergency department including the chest x-ray. Radiologia (Engl Ed). 2022;64(3):214-227. doi: 10.1016/j. rxeng.2021.09.004. Epub 2022 Jan 21. 3. Veiga-Canuto D, Cerdà-Alberich L, Sangüe- sa Nebot C, et al. Comparative Multicentric Evaluation of Inter-Observer Variability in Manual and Automatic Segmentation of Neu- roblastic Tumors in Magnetic Resonance Ima- ges. Cancers (Basel). 2022;14(15):3648. doi: 10.3390/cancers14153648. 4. Prats-Climent J, Gandia-Ferrero MT, Torres- Espallardo I, et al. Artificial Intelligence on FDG PET Images Identifies Mild Cognitive Impairment Patients with Neurodegenera- tive Disease. J Med Syst. 2022;46(8):52. doi: 10.1007/s10916-022-01836-w. 5. Romero-Martínez Á, Beser-Robles M, Cerdá- Alberich L, et al. The contribution of brain volume to explain autonomous imbalance du- ring recovery from acute stress in batterers. Brain Struct Funct. 2024 Mar 5. doi: 10.1007/ s00429-024-02772-w. Epub ahead of print. PMID: 38441643. 6. Avesani G, Tran HE, Cammarata G, et al. CT- Based Radiomics and Deep Learning for BRCA Mutation and Progression-Free Survival Pre- diction in Ovarian Cancer Using a Multicen- tric Dataset. Cancers 2022;14,2739.https://doi. org/10.3390/cancers14112739 7. Nan Y, Ser JD, Walsh S, et al. Data harmoni- sation for information fusion in digital health- care: A state-of-the-art systematic review, me- ta-analysis and future research directions. Inf Fusion. 2022;82:99-122. 8. Marti-Bonmatí L, Miguel A, Suárez A, et al. CHAIMELEON Project: Creation of a Pan-Eu- ropean Repository of Health Imaging Data for the Development of AI-Powered Cancer Mana- gement Tools. Front Oncol. 2022;12:742701. 9. Kondylakis H, Ciarrocchi E, Cerda-Alberich L, et al; the AI4HealthImaging Working Group on metadata models**. Position of the AI for Health Imaging (AI4HI) network on metadata models for imaging biobanks. Eur Radiol Exp. 2022 Jul 1;6(1):29. doi: 10.1186/s41747-022-00281-1. PMID: 35773546; PMCID: PMC9247122. 10. Kondylakis H, Kalokyri V, Sfakianakis S, et al. Data infrastructures for AI in medical imaging: a report on the experiences of five EU projects. Eur Radiol Exp. 2023;7(1):20. doi: 10.1186/ s41747-023-00336-x. 11. Baeza-Delgado C, Cerdá Alberich L, Carot-Sierra JM, et al. A practical solution to estimate the sam- ple size required for clinical prediction models generated from observational research on data. Eur Radiol Exp. 2022;6(1):22. doi: 10.1186/s41747- 022-00276-y. 12. Fernández Patón M, Cerdá Alberich L, San- güesa Nebot C, et al. MR Denoising Increases Radiomic Biomarker Precision and Reprodu- cibility in Oncologic Imaging. J Digit Imaging. 2021;34(5):1134-1145. doi: 10.1007/s10278- 021-00512-8. 13. Rodríguez-Ortega A, Alegre A, Lago V, et al. Machine Learning-Based Integration of Prog- nostic Magnetic Resonance Imaging Biomar- kers for Myometrial Invasion Stratification in Endometrial Cancer. J Magn Reson Imaging. 2021;54(3):987-995. doi: 10.1002/jmri.27625. 14. Martí-Bonmatí, L., Alberich-Bayarri, Á., La- denstein, R. et al. PRIMAGE project: predictive in silico multiscale analytics to support child- hood cancer personalised evaluation empowe- red by imaging biomarkers. Eur Radiol Exp 2020; 4, 22. https://doi.org/10.1186/s41747- 020-00150-9 15. Cerdá Alberich L, Sangüesa Nebot C, Alberich- Bayarri A, et al. A Confidence Habitats Methodo- logy in MR Quantitative Diffusion for the Classi- fication of Neuroblastic Tumors. Cancers (Basel). 2020;12(12):3858. doi: 10.3390/cancers12123858. 16. Cerdá-Alberich L, Veiga-Canuto D, Fernandez- Paton M, et al. Harnessing multimodal clini- cal predictive models for childhood tumors. IEEE EMBS Special Topic Conference on Data Science and Engineering in Healthcare, Medici- ne and Biology, 2023:71-72, doi: 10.1109/IEEE- CONF58974.2023.10405340. 17. Borau C, WertheimKY, Hervas-Raluy S, et al. Amul- tiscale orchestrated computational framework to re- veal emergent phenomena in neuroblastoma. Com- put Methods Programs Biomed. 2023;241:107742. doi: 10.1016/j.cmpb.2023.107742.