Anales de la RANM

165 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 MEDICINA DE PRECISIÓN E IMAGEN MÉDICA Martí-Bonmatí L, et al. An RANM. 2026;143(02): 160 - 166 Mapas de confianza e inteligencia artificial Los mapas de confianza constituyen una forma intuitiva y rigurosa de estimar la incertidumbre en la RM cuantitativa. Se basan en el error normali- zado de la raíz cuadrática media (NRMSE) calculada entre la señal medida y el modelo de señal ajustada empleando simulaciones de límite inferior de Cramér-Rao y de Monte-Carlo. Si repitiésemos una adquisición muchas veces bajo las mismas condiciones, el mapa de confianza estima cuánto variaría el valor del biomarcador en cada vóxel, sin necesidad de adquirir realmente múltiples exploraciones (28). Los métodos de inteligencia artificial (IA) basados en redes neuronales convolucionales permiten garantizar además la robustez frente a diferen- cias en geometría, composición, fabricantes y protocolos. El método AI-DEAL genera una cuanti- ficación conjunta vóxel-a-vóxel de la PDFF y de su incertidumbre (varianza) de forma simultánea y con bajo coste computacional, siendo robusto frente a variaciones en el protocolo de adquisi- ción (29). Estos avances reducen todavía más las incertidumbres residuales y abren una vía hacia los biomarcadores de imagen de alta fiabilidad y precisión, plenamente estandarizados y útiles en la práctica clínica. CONCLUSIONES La incertidumbre en la Medicina de Precisión no es un defecto que pueda eliminarse por completo, sino una propiedad inherente a la complejidad biológica y a la naturaleza de la medición. Se propaga y amplifica en cada paso del proceso diagnóstico, e incluye los aspectos de la variabilidad biológica, la adquisición de datos, los modelos predictivos e su interpretación clínica final. La imagen médica cuantitativa, y en particular la RM, ofrece las herramientas más completas para caracterizar y minimizar esta incertidumbre en la evaluación de la EHmet. Los biomarcadores de imagen PDFF y R2* representan los valores subrogados de referencia para la cuantificación de la fracción grasa intrahepática y el contenido de hierro, respectivamente. Ambos biomarca- dores proporcionan información robusta sobre la magnitud del valor y su distribución en el hígado, están disponibles en la práctica clínica, son aceptados por el paciente, carecen de sesgos relevantes y son coste-efectivos (Figura 1). La reducción progresiva de la incertidumbre en estos biomarcadores ha sido posible gracias a la calibración rigurosa con fantomas, la segmenta- ción automática de todo el hígado, la incorpora- ción de la patología digital para entender las discre- pancias entre distintos métodos diagnósticos, y el desarrollo de mapas de confianza y las inferencias generadas por la IA aportan estimaciones vóxel a vóxel de la fiabilidad de cada medición. En última instancia, y como reflejo de la paradoja entre la física y la medicina con la que se abre esta revisión, ningún biomarcador se acepta por ser perfecto. Una observación clínica, sea un criterio radiológico, un biomarcador cuantitativo o una escala de estadificación, se acepta porque produce resultados repetibles, explicables y útiles en el contexto clínico en el que se aplica. La confianza en su uso depende de la solidez y consistencia de la evidencia que respalda estas propiedades. La imagen médica moderna trabaja con este objetivo. AGRADECIMIENTOS Los autores agradecen la colaboración de Matías Fernández-Patón, Manuel Marfil, Amadeo Ten-Esteve, Leonor Cerdá-Alberich, Ana Jiménez- Pastor, Ángel Alberich-Bayarri y Manuela França, cuyos trabajos y aportaciones científicas han sido fundamentales para el desarrollo de los contenidos de esta revisión. FINANCIACIÓN Este trabajo se ha desarrollado gracias a los proyectos PI24/00937 (IP: LM-B) y PI25/01762 (IP: DM-A) financiados por el Instituto de Salud Carlos III (Ministerio de Ciencia e Innovación de España), cofinanciada por la Unión Europea. DECLARACIÓN DE TRANSPARENCIA Luis Martí-Bonmatí es Director Científico de EUCAIM (Infraestructura Europea de Imagen del Cáncer), miembro del Consejo Asesor Científico de QUIBIM SL, y cofundador de la iniciativa AI for Health Imaging (Comisión Europea) y de la Fundación Imaging (organización sin ánimo de lucro). David Marti-Aguado cuenta con el apoyo de un contrato Joan Rodés (JR22/00002) del Instituto de Salud Carlos III. BIBLIOGRAFÍA 1. Heisenberg W. Über den anschaulichen In- halt der quantentheoretischen Kinematik und Mechanik. Z Phys . 1927;43(3-4):172-198. 2. Sackett DL, , Haynes RB, , Guyatt GH, & Tug- well P, Making a prognosis. Sackett DL, Haynes RB, & Guyatt GH, et al.: Clinical Epidemiol- ogy, A Basic Science for Clinical Medicine 2 Boston, Little, Brown & Co, 1991. 173–185. 3. Popper KR. The Logic of Scientific Discovery. London: Hutchinson; 1959. 4. Topol EJ. High-performance medicine: the