Anales de la RANM

130 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 para transformar la investigación médica y clínica mediante la integración masiva de datos de imagen oncológica e incluso como repositorio de imágenes de los artículos de autores europeos publicados en revistas de la Sociedad Europea de Radiología (16). Al fomentar la estandari- zación, la interoperabilidad y el acceso seguro, EUCAIM no solo mejora la reproducibilidad de los estudios científicos, sino que también abre nuevas oportunidades para la inteligencia artifi- cial aplicada a la salud. Su estructura distribuida, su arquitectura técnica federada y su alineami- ento con marcos legales garantizan una evolución sostenible. Además, su orientación práctica hacia la generación de valor clínico y su enfoque abierto a la colaboración con empresas, universidades y hospitales, hacen de esta plataforma un ejemplo modélico de infraestructura digital avanzada y anonimizada para datos y soluciones computa- cionales (17, 18). A medida que el proyecto madura, su impacto se ampliará a otras áreas de la medicina de precisión, sirviendo como catali- zador de una nueva era de investigación médica transfronteriza, ética y basada en datos (19). CONCLUSIONES EUCAIM proporciona una plataforma sólida y confiable para que los investigadores, médicos e innovadores puedan dotar al repositorio y acceder a las imágenes radiológicas y de medicina nuclear de pacientes con enfermedades oncológicas diversas, lo que permite la evaluación compara- tiva, testar y validar tecnologías impulsadas por IA. Al conectar datos de imágenes oncológicas de alta calidad con expertos en inteligencia artifi- cial, EUCAIM facilita la colaboración y acelera el desarrollo de soluciones innovadoras para el diagnóstico y tratamiento del cáncer. Esta infrae- structura beneficia a los investigadores al propor- cionarles soluciones para acceder, compartir y procesar datos paneuropeos de imágenes del cáncer; a los innovadores al proveerles de un marco de referencia con un catálogo bien definido y estandarizado de datos y herrami- entas para facilitar la certificación de disposi- tivos; a los médicos para dotarles de un espacio donde experimentar y validar clínicamente nuevas herramientas para el diagnóstico, pronóstico y tratamiento del cáncer; y al ciudadano al mejorar su calidad de vida con un diagnóstico precoz, tratamiento personalizado y mejor evaluación pronóstica empleando biomarcadores de imagen y modelos integrados con IA para ayudar a la toma de decisiones en salud. DECLARACIÓN DE TRANSPARENCIA Los autores/as de este artículo declaran no tener ningún tipo de conflicto de intereses respecto a lo expuesto en el presente trabajo. BIBLIOGRAFÍA 1. Veiga-Canuto D, Cerdá Alberich L, Fernán- dez-Patón M, et al. Imaging biomarkers and radiomics in pediatric oncology: a view from the PRIMAGE (PRedictive In silico Multis- cale Analytics to support cancer personali- zed diaGnosis and prognosis, Empowered by imaging biomarkers) project. Pediatr Radiol. 2024;54(4):562-570.. 2. World Health Organization. Strengthening medical imaging. https://www.who.int/activi- ties/strengthening-medical-imaging. Acceso 10-julio-2025. 3. Martí-Bonmatí L, Blanquer I, Tsiknakis M, et al. Empowering cancer research in Europe: the EUCAIM cancer imaging infrastructure. Insights Imaging. 2025;16(1):47. 4. Kocak B, Akinci D'Antonoli T, Mercaldo N, ey al. METhodological RadiomICs Score (ME- TRICS): a quality scoring tool for radiomics research endorsed by EuSoMII. Insights Ima- ging. 2024;15(1):8. 5. Marti-Bonmati L, Cerdá-Alberich L, Pérez- Girbés A, et al. Pancreatic cancer, radio- mics and artificial intelligence. Br J Radiol. 2022;95(1137):20220072. 6. Martí Bonmatí L, Alberich-Bayarri A, Gar- cía-Martí G, et al. Biomarcadores de imagen, imagen cuantitativa y bioingeniería [Imaging biomarkers, quantitative imaging, and bioen- gineering]. Radiologia. 2012;54(3):269-278. 7. Rodríguez-Ortega A, Alegre A, Lago V, et al. Machine Learning-Based Integration of Prognostic Magnetic Resonance Imaging Biomarkers for Myometrial Invasion Stratifi- cation in Endometrial Cancer. J Magn Reson Imaging. 2021;54(3):987-995. 8. Mali SA, Ibrahim A, Woodruff HC, et al. Ma- king Radiomics More Reproducible across Scanner and Imaging Protocol Variations: A Review of Harmonization Methods. J Pers Med. 2021;11(9):842. 9. Martí-Bonmatí L. Estimaciones de Causalidad con Imagen Médica en Oncología. An RANM. 2021;138(01): 16–23. 10. Martí-Bonmatí L. La Radiómica y los Biomar- cadores de Imagen. ANALES RANM [Inter- net]. Real Academia Nacional de Medicina de España; An RANM · Año 2019 ; 136(01):34-42. 11. Martí-Bonmatí L. Inteligencia artificial en ima- gen médica. An RANM. 2024;141(02): 111–118. 12. Hussein R, Gyrard A, Abedian S, Gribbon P, Martínez SA. Interoperability framework of the european health data space for the secon- dary use of data: interactive European Intero- perability Framework-Based Standards com- pliance toolkit for AI-Driven projects. J Med Internet Res. 2025;27:e69813. 13. Cancer Image Europe. Available via https:// cancerimage.eu/. Accessed July 2025 14. Gyrard A, Abedian S, Gribbon P, et al. Lessons learned from European Health Data Projects with cancer use cases: implementation of health standards and internet of things semantic inte- roperability. J Med Internet Res. 2025;27:e66273.