Anales de la RANM

126 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 ales. Así, se reconoce que la IA puede solventar el problema de la falta de reproducibilidad en la extracción de características radiómicos que se comporten como biomarcadores de imagen y se integren en modelos predictores robustos y armonizados (8, 11). Pero para ello se necesitan grandes repositorios de imágenes médicas donde estos algoritmos puedan entrenarse y ajustarse de forma fiable. Cada año se generan en Europa más de 1.000 millones de estudios de imagen médica, aunque menos del 0,01% de ellos se reutilizan para la investigación o la innovación, limitando la implementación de biomarcadores de imagen robustos en la medicina de precisión. Para rever tir esta situación, se creó en 2023 EUCAIM ( Cancer Image Europe ) como un amplio consorcio que reúne a varios Estados miembros de la UE con el objetivo de crear un Atlas federado de Imágenes Oncológicas que reúna más de 60 millones de imágenes anonimi- zadas para 2027 (Figura 2). La transformación digital de la salud y el uso de la IA aplicada a datos, incluyendo los biomarcadores de imagen, ayudará a afrontar los retos actuales con más eficiencia (3). Sin embargo, el aprovechamiento completo de estas tecnologías requiere superar desaf íos como la heterogeneidad de datos, la falta de interoperabilidad y su escasa reutilización para nuevos proyectos. EUCAIM nace como una inf raestructura digital Europea para la investi- gación con imágenes médicas en cáncer para responder a estos retos mediante la creación de una infraestructura híbrida, tanto centrali- zada como federada, que promueve la reutili- zación responsable, segura y eficiente de imágenes médicas a escala europea. EUCAIM es una iniciativa emblemática del Plan Europeo de Lucha contra el Cáncer (EBCP, del inglés Europe Beating Cancer Plan ) para aprovechar al máximo el potencial de los datos y las tecnologías digitales basadas en la IA y computación de altas prestaciones (HPC, del inglés High Per formance Computing ) para combatir el cáncer acelerando los desarrollos en IA y la innovación empresarial. Su objetivo f inal es promover la utilización de soluciones de IA como dispositivos médicos (AIaMDs, del inglés Ar tificial Intelligence as Medical Dev ices ) centrados en la imagen médica para avanzar en la medicina de precisión (3) y facilitando el desarrollo y validación de dichas soluciones (Figura 3). Figura 1. Biomarcadores de imagen y toma de decisiones clínicas. La radiómica, extraída computacionalmente de las imágenes médicas, genera una nueva información, conocida como biomarcadores de imagen, que puede ser beneficiosa para los pacientes. Sin embargo, es necesario vincularla con los datos de otros entornos clínicos y sistemas ómicos para estimar con una mayor precisión los desenlaces-eventos subrogados y obtener un beneficio terapéutico. En este ejemplo vemos como pueden extraerse diferentes datos radiómicos de un tumor hepático, in- tegrarlo con otros datos moleculares y clínicos, y predecir su mejor tratamiento modificando las guías de práctica clínica actuales.