Anales de la RANM

125 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 INFRAESTRUCTURA EUCAIM Martí-Bonmatí L, et al. An RANM. 2025;142(02): 124 - 131 como la Tomografía Computarizada (TC) en los pacientes con cáncer de colon, y la planificación y evaluación de la respuesta al tratamiento como la Resonancia Magnética (RM) en pacientes con glioblastoma cerebral. Vemos pues que la imagen médica está muy implantada en el diagnóstico y seguimiento de muchos pacientes con muy diversos tipos de cáncer. Más allá de su valor clínico inmediato, la imagen médica es en una fuerza transforma- dora en el viaje sanitario del paciente durante el trascurso de su enfermedad y también durante toda su existencia, ya que respalda muchas de las decisiones clínicas, mejora la respuesta en las situaciones de urgencia, acelera la investi- gación farmacológica, e impulsa la innovación y transferencia de los nuevos conocimientos a la práctica clínica (2). Su papel va mucho más allá de las exploraciones que se realizan en las salas de radiología de cualquier centro hospitalario. La imagen médica es hoy central en la configu- ración de la salud global del futuro ya que genera una información clínicamente pertinente que favorece una mayor calidad de vida de muchos pacientes y ciudadanos. Así, y de una forma general, hoy en día se considera que la imagen médica es clave para prevenir, diagnosticar y tratar adecuadamente más del 80% de las enfermedades. En el caso concreto de Europa se realizan muchas explora- ciones con imagen médica con muy diversos equipamientos e intenciones, incluyendo la detección precoz de lesiones y enfermedades; el conocimiento de su extensión y caracterís- ticas principales; y para controlar el efecto de un tratamiento para cada paciente, siempre que su enfermedad sea obser vable con alguna de las diversas modalidades de imagen actualmente existentes. Garantizar un acceso equitativo a la tecnología de la imagen médica y reutilizar las imágenes médicas en la investigación empleando la Inteligencia Artificial (IA) para mejorarlas y extraer más información subrogada de ellas es un imperativo de las sociedades desarrolladas (2, 3). Pese a todo este arsenal de modalidades y técnicas, y pese a su amplia utilización clínica en muchos pacientes con cáncer, existen áreas de mejora en el papel de la imagen médica en la medicina de precisión. En este aspecto, la imagen colabora con el descubrimiento y la validación de diversas métricas objetivas, conocidas como biomarcadores de imagen. Estos biomarca- dores son características que se extraen de las imágenes mediante múltiples procesos computa- cionales y que proporcionan una información subrogada cuantificable que es además accesible y reproducible cuando se adquieren con la metodología adecuada (4). Estos biomarcadores dan información repetible en el tiempo sobre el estado de los órganos, los tejidos, las lesiones y los procesos fisiopatológicos que subyacen en cada persona y paciente (Figura 1). Es muy de destacar que los biomarcadores de imagen pueden obtenerse como valor añadido en todas las exploraciones radiológicas y de medicina nuclear que se realizan a cualquier paciente, por lo que proveen de una información relevante y actualizada del estado de muchos órganos y lesiones, repetida además en el tiempo cada vez que se repite una prueba al paciente (5, 6). La amplia utilización de tecnologías como la TC, la RM, la tomografía por emisión de positrones (PET) y la ecografía (US) de alta resolución, combinadas con la obtención de sus biomar- cadores de imagen mediante algoritmos de procesado de imágenes avanzados, están revolu- cionando el diagnóstico y el seguimiento de numerosas enfermedades, muy especialmente en pacientes con cáncer. En este contexto, podemos identificar el desarrollo de los biomar- cadores de imagen como un paso importante en la investigación médica de precisión. Como se ha comentado, un biomarcador es un valor cuantitativo que proporciona una información precisa sobre la distribución y magnitud de un estado biológico, un proceso patológico o un desenlace o evento clínico desconocido que se desarrollará durante la historia natural de la enfermedad o tras la instauración de un tratam- iento específico. Un biomarcador de imagen se empleará, tanto en la asistencia práctica como en ensayos clínicos, sólo si la información subrogada que genera es fiable, precisa, reproducible, accesible, sensible a pequeños cambios, y segura para el paciente (6). Además, dada la multicausalidad y las comorbili- dades, se reconoce como muy necesario vincular los datos que provienen de múltiples entornos clínicos y analíticos, incluida la radiómica con los biomarcadores de imagen, en modelos predictores que permitan estimar con una mayor precisión los cambios relevantes de la enfermedad en un paciente determinado y los desenlaces-eventos futuros relevantes para así alcanzar el mayor beneficio terapéutico posible para cada paciente (7, 9) (Figura 1). Aunque ya se emplean biomarcadores de imagen validados en diferentes entornos clínicos, como en pacientes con daño oclusivo vascular cerebral y cardíaco, su uso en pacientes con cáncer todavía no se ha implementado pese a la gran cantidad de publicaciones existentes sobre su impacto y sobre mejoras en su implementación metodológica (1, 4, 5, 7, 10). Entre las múltiples barreras para la traslación clínica de los biomarcadores de imagen destacan la alta complejidad biológica y heterogeneidad de los tumores, que dificultan la estandarización de los biomarcadores, y la imposibilidad de estandarizar protocolos técnicos dado en continuo desarrollo y mejoras en las imágenes obtenidas en el práctica asistencial. Para solventar esta crisis de reproducibilidad se están desarrollando líneas de investigación muy potentes, especialmente las basadas en soluciones con IA, donde se requiere una gran cantidad de imágenes anotadas de calidad y un entorno de procesamiento seguro para estos el entrenamiento y validación de estos programas computacion-