La radiómica está suponiendo una auténtica revolución en el ámbito asistencial y la investigación clínica y traslacional del cáncer. Por ello, desde la Sociedad Española de Radiología Médica (SERAM), para el día mundial de la investigación contra el cáncer, se pone de manifiesto que esta disciplina es un eje fundamental en este ámbito, ya que proporciona una herramienta valiosa de apoyo y una fuente adicional de información que está transformando la forma de abordar la lucha contra el cáncer.

La radiómica y, en general, la aplicación de sistemas avanzados de análisis, como los modelos de inteligencia artificial en imagen médica, están impulsando el desarrollo de sistemas de apoyo al tratamiento del cáncer. Estos avances mejoran significativamente la capacidad de caracterización del cáncer. “Estos sistemas están dando lugar a herramientas muy prometedoras en la predicción de supervivencia y respuesta a tratamientos específicos en pacientes con cáncer. Aunque estos avances han demostrado resultados prometedores, todavía se encuentran en proceso de experimentación y requieren de estudios de validación clínica antes de poder ser plenamente integrados en la práctica clínica” comenta la Dra. Raquel Pérez Lopez, miembro de la SERAM y jefa del grupo de radiómica del Vall d’Hebron Instituto de Oncología (VHIO).

Impacto significativo en el proceso oncológico

Estas herramientas tienen un impacto significativo en el proceso oncológico al proporcionar una información más precisa y personalizada para la toma de decisiones clínicas. Ya que los biomarcadores derivados de la radiómica y la aplicación de modelos de inteligencia artificial a la imagen médica pueden mejorar toda la secuencia de procesos del cáncer, que van desde la predicción del riesgo de desarrollar esta enfermedad hasta su diagnóstico y caracterización. Esto permite una mejor estratificación del cáncer en función de sus características biológicas y de aquellas que están relacionadas con el pronóstico o la probabilidad de respuesta a diferentes tratamientos.

“Es importante destacar que estas herramientas a menudo requieren una gran cantidad de datos para su desarrollo y validación. Por lo tanto, muchas de ellas se generan a partir de pruebas de imagen a la que los pacientes se someten de manera rutinaria”, señala la Dra. Pérez.

Además, la aplicación de estas herramientas y biomarcadores en ensayos clínicos puede acelerar el desarrollo de nuevos tratamientos contra el cáncer reduciendo duración y costes.

Los biomarcadores extraídos a partir de radiómica e inteligencia artificial son aplicables a cualquier modalidad de imagen de la cual se haya extraído, y, por lo tanto, sirven para cualquier paciente en el cual se haya realizado esa prueba de imagen.

Según la Dra. Pérez “es importante destacar que estas herramientas deben ser consideradas como apoyo en la toma de decisiones médicas, destinadas a asistir a los profesionales de la salud, y no como sistemas que reemplacen la toma de decisiones de médicos expertos”.

El papel fundamental del Radiólogo

El proceso de desarrollo, validación, cualificación clínica e implementación de herramientas o biomarcadores derivados del análisis computacional de las imágenes médicas es un proceso complejo que requiere la experiencia especializada de médicos, matemáticos, científicos informáticos e ingenieros. Cada uno de ellos desempeña un papel fundamental y necesario. En particular, el radiólogo juega un papel esencial al identificar las necesidades médicas, hipotetizar cómo un análisis más profundo de los datos de imagen médica puede ayudar a abordar esas necesidades y cómo desarrollar una herramienta que sea fiable, comprensible y fácil de aplicar en la práctica clínica.

La extracción de datos cuantitativos de las imágenes médicas y la aplicación de modelos de inteligencia artificial están cambiando el paradigma de los flujos de trabajo en los servicios de radiología. “La adaptación de estos flujos de trabajo a la llegada de esta tecnología, al igual que ocurrió con la resonancia magnética nuclear (RMN) o la digitalización de la imagen, es imprescindible. El impacto de la inteligencia artificial en la medicina, y en concreto en el análisis de imágenes médicas, que estamos viviendo, es solo el inicio de una nueva revolución”, puntualiza la Dra. Pérez.

Además, señala “estas herramientas ayudarán a facilitar y agilizar los flujos de trabajo en los servicios de radiología, evitando la repetición de pruebas, optimizando las secuencias y protocolos de imagen más indicados, reduciendo la presión asistencial del radiólogo en procesos tediosos y repetitivos, como los programas de cribado del cáncer, y dirigiendo la experiencia del radiólogo hacia aquellos casos más complejos, facilitando la toma de decisiones”.

Sin duda, la radiómica y las aplicaciones de inteligencia artificial han llegado para quedarse y ayudar a los radiólogos, a otras especialidades y a la medicina en general.

Referencias

Ref. Farwell MD, Gamache RF, Babazada H, Hellmann MD, Harding JJ, Korn R, Mascioni A, Le W, Wilson I, Gordon MS, Wu AM, Ulaner GA, Wolchok JD, Postow MA, Pandit-Taskar N. CD8-Targeted PET Imaging of Tumor-Infiltrating T Cells in Patients with Cancer: A Phase I First-in-Humans Study of 89Zr-Df-IAB22M2C, a Radiolabeled Anti-CD8 Minibody. J Nucl Med. 2022 May;63(5):720-726. doi: 10.2967/jnumed.121.262485.

Ref. Bensch F, van der Veen EL, Lub-de Hooge MN, Jorritsma-Smit A, Boellaard R, Kok IC, Oosting SF, Schröder CP, Hiltermann TJN, van der Wekken AJ, Groen HJM, Kwee TC, Elias SG, Gietema JA, Bohorquez SS, de Crespigny A, Williams SP, Mancao C, Brouwers AH, Fine BM, de Vries EGE. 89Zr-atezolizumab imaging as a non-invasive approach to assess clinical response to PD-L1 blockade in cancer. Nat Med. 2018 Dec;24(12):1852-1858. doi: 10.1038/s41591-018-0255-8.

Ref. Lau D, McLean MA, Priest AN, Gill AB, Scott F, Patterson I, Carmo B, Riemer F, Kaggie JD, Frary A, Milne D, Booth C, Lewis A, Sulikowski M, Brown L, Lapointe JM, Aloj L, Graves MJ, Brindle KM, Corrie PG, Gallagher FA. Multiparametric MRI of early tumor response to immune checkpoint blockade in metastatic melanoma. J Immunother Cancer. 2021 Sep;9(9):e003125. doi: 10.1136/jitc-2021-003125.

Ref. Ligero M, Garcia-Ruiz A, Viaplana C, Villacampa G, Raciti MV, Landa J, Matos I, Martin-Liberal J, Ochoa-de-Olza M, Hierro C, Mateo J, Gonzalez M, Morales-Barrera R, Suarez C, Rodon J, Elez E, Braña I, Muñoz-Couselo E, Oaknin A, Fasani R, Nuciforo P, Gil D, Rubio-Perez C, Seoane J, Felip E, Escobar M, Tabernero J, Carles J, Dienstmann R, Garralda E, Perez-Lopez R. A CT-based Radiomics Signature Is Associated with Response to Immune Checkpoint Inhibitors in Advanced Solid Tumors. Radiology. 2021 Apr;299(1):109-119. doi: 10.1148/radiol.2021200928.

Sun R, Lerousseau M, Briend-Diop J, Routier E, Roy S, Henry T, Ka K, Jiang R, Temar N, Carré A, Laville A, Hamaoui A, Laurent PA, Rouyar A, Robert C, Robert C, Deutsch E. Radiomics to evaluate interlesion heterogeneity and to predict lesion response and patient outcomes using a validated signature of CD8 cells in advanced melanoma patients treated with anti-PD1 immunotherapy. J Immunother Cancer. 2022 Oct;10(10):e004867. doi: 10.1136/jitc-2022-004867