Informática de imágenes

La informática de imágenes , también conocida como informática radiológica o informática de imágenes médicas , es una subespecialidad de la informática biomédica que tiene como objetivo mejorar la eficiencia, precisión, facilidad de uso y confiabilidad de los servicios de imágenes médicas dentro de la empresa de atención médica. ^[1] Se dedica al estudio de cómo la información sobre y contenida en las imágenes médicas se recupera, analiza, mejora e intercambia en toda la empresa médica.

Como la radiología es una especialidad que utiliza intrínsecamente muchos datos y está impulsada por la tecnología, quienes trabajan en esta rama de la medicina se han convertido en líderes en informática para la obtención de imágenes. Sin embargo, con la proliferación de imágenes digitalizadas en toda la práctica médica, que incluye campos como la cardiología , la oftalmología , la dermatología , la cirugía, la gastroenterología , la obstetricia , la ginecología y la patología , los avances en informática para la obtención de imágenes también se están probando y aplicando en otras áreas de la medicina. Varios actores de la industria y proveedores involucrados en la obtención de imágenes médicas, junto con expertos en TI y otros profesionales de la informática biomédica, están contribuyendo y participando en este campo en expansión.

La informática de imágenes existe en la intersección de varios campos amplios:

• Ciencia biológica : incluye ciencias básicas como la bioquímica , la microbiología , la fisiología y la genética.
• Servicios clínicos: incluye la práctica de la medicina, la investigación en la cama del paciente, incluidos los estudios de resultados y costo-efectividad, y la política de salud pública.
• Ciencia de la información : se ocupa de la adquisición, recuperación, catalogación y archivo de información.
• Física médica / ingeniería biomédica : implica el uso de equipos y tecnología para un propósito médico.
• Ciencia cognitiva : estudia las interacciones entre humanos y computadoras , la usabilidad y la visualización de la información.
• Ciencias de la computación : estudia el uso de algoritmos informáticos para aplicaciones como el diagnóstico asistido por computadora y la visión artificial.

Debido a la diversidad de los actores de la industria y a los amplios campos profesionales involucrados en la informática de imágenes, aumentó la demanda de nuevos estándares y protocolos, entre ellos, DICOM (imágenes digitales y comunicaciones en medicina), Health Level 7 (HL7), la Organización Internacional de Normalización (ISO) y los protocolos de inteligencia artificial .

La investigación actual en torno a la informática de imágenes se centra en la inteligencia artificial (IA) y el aprendizaje automático (AA). Estas nuevas tecnologías se están utilizando para desarrollar métodos de automatización, clasificación de enfermedades, técnicas de visualización avanzadas y mejoras en la precisión del diagnóstico. Sin embargo, la integración de la IA y el AA se enfrenta a varios desafíos en materia de gestión y seguridad de los datos.

Si bien el campo de la informática de imágenes se basa en el poder de la computación moderna, sus raíces se remontan a los albores del siglo XX. El 8 de noviembre de 1895, el físico alemán Wilhelm Conrad Röntgen observó una nueva técnica de imágenes que denominó “ rayos X ” durante sus experimentos. Este descubrimiento condujo a la creación del campo de las imágenes médicas y, a su vez, desencadenó una nueva ola de innovación humana. ^[2]

Los rayos X fueron la única tecnología de imágenes médicas durante varias décadas después de su descubrimiento. Sin embargo, la llegada de mediados del siglo XX significó la expansión del campo de las imágenes médicas. Las nuevas modalidades incluyeron: tomografía computarizada (TC) para visualizar tejidos blandos con un alto grado de resolución; imágenes por resonancia magnética (IRM), que es un estándar moderno para imágenes de tejidos blandos; ultrasonido que utiliza ondas sonoras para crear visualizaciones menos costosas; imágenes nucleares y escáneres híbridos para imágenes funcionales e imágenes con mayor resolución espacial creadas mediante la combinación de múltiples modalidades. ^[3]

A medida que estas técnicas de obtención de imágenes se volvieron más sofisticadas, también aumentó la cantidad de información que se esperaba que procesaran los profesionales de la obtención de imágenes médicas. Además, la revolución digital de mediados y finales del siglo XX aumentó aún más la cantidad de datos que estas técnicas podían recopilar. Como resultado, el principal factor limitante para el campo de la obtención de imágenes médicas pasó a ser la incapacidad humana para interpretar con precisión grandes cantidades de datos. ^[4] Por lo tanto, surgió la necesidad de asistencia informática para el análisis, almacenamiento y manipulación complejos de imágenes digitales. La informática de obtención de imágenes moderna se desarrolló para satisfacer estas necesidades.

La informática de imágenes es un campo amplio con numerosas áreas de interés, lo que hace que su desarrollo sea la culminación del desarrollo de varias tecnologías individuales. Algunas de las innovaciones clave para el campo son las siguientes:

El desarrollo de los PACS popularizó el uso de sistemas de almacenamiento y recuperación de imágenes en las prácticas médicas. ^[5] Además, esta nueva tecnología exigió el desarrollo de otras. El mundo se dio cuenta rápidamente de que sería necesario establecer estándares de imágenes digitales dado el impacto que los PACS tenían en la comunidad médica. El Colegio Americano de Radiología (ACR) y la Asociación Nacional de Fabricantes Eléctricos (NEMA) crearon el Comité de Estándares de Imágenes y Comunicaciones Digitales (que luego se convertiría en DICOM) en respuesta a esta preocupación. ^[6]

El impacto de la era digital en la radiología dio lugar a una gran afluencia de datos que era necesario gestionar. Para combatirlo, el campo de la tecnología de la información se incorporó a tecnologías como el Sistema de Información Radiológica (RIS) ^[7] y el Sistema de Información Hospitalaria (HIS). Estos sistemas funcionarían en conjunto con los PACS y otras tecnologías de imágenes para agilizar la gestión de datos de los pacientes, como se muestra en la figura de la derecha. ^[8]

La idea de la detección asistida por computadora (CAD) y el diagnóstico asistido por computadora (CADx) es que el proceso de análisis e interpretación de los datos de imágenes médicas podría automatizarse, con un grado de precisión potencialmente mayor que la detección y el diagnóstico humanos. El interés en este tema se remonta a 1966, cuando las imágenes radiológicas se digitalizaron por primera vez. ^[9] La primera implementación exitosa de un sistema CAD fue en 1994 en la Universidad de Chicago para su uso en mamografía . A esto le siguió el primer sistema CAD comercial en 1998 llamado ImageChecker M1000. ^[6] Con la llegada del siglo XXI, se han utilizado técnicas de aprendizaje automático para lograr una versión de los sistemas CAD y CADx. ^[10] El desarrollo futuro de estas tecnologías es ventajoso ya que brinda una solución a las limitaciones humanas en el procesamiento de imágenes médicas. ^[4] Aunque aún no se ha realizado un sistema CAD altamente preciso y completamente automatizado, los avances recientes en inteligencia artificial pueden permitir implementaciones funcionales. ^[11]

En el campo de la informática de imágenes, es imperativo asegurarse de que la información relativa a los estándares de la industria y los protocolos de intercambio de datos sea contemporánea. El rápido avance en este campo requiere un enfoque vigilante para mantener la uniformidad, fomentar la interoperabilidad y garantizar la difusión eficaz de los datos de imágenes. Para ello, varias facetas fundamentales merecen una consideración rigurosa:

El estándar DICOM (Digital Imaging and Communications in Medicine) define un esquema estructural sofisticado que integra datos de imágenes médicas con identificadores de pacientes pertinentes en conjuntos de datos unificados, análogos a los metadatos integrados en imágenes JPEG. Dichas entidades DICOM están constituidas por una multitud de atributos, en particular datos de píxeles encapsulados, que en ciertas modalidades de imágenes corresponden a imágenes discretas o, alternativamente, una matriz de fotogramas que ejemplifican datos cinéticos o volumétricos, como se observa en bucles de cine o exploraciones multidimensionales en medicina nuclear. Esta arquitectura permite la asimilación de datos complejos y multifacéticos en un archivo DICOM monolítico. El estándar admite un espectro de algoritmos de compresión de datos de píxeles, incluidos, entre otros, JPEG y JPEG 2000, y permite provisionalmente la compresión holística de conjuntos de datos. DICOM especifica tres codificaciones para elementos de datos, con una predilección por las representaciones de valores explícitos, salvo excepciones específicas como las que se detallan en la Parte 5 del compendio DICOM. La manifestación del archivo, que se aplica de manera uniforme en diversas aplicaciones, habitualmente incorpora un encabezado que alberga atributos y datos esenciales sobre la aplicación de origen.

El flujo de trabajo propuesto integra el uso de informes estructurados DICOM (SR), en el que las mediciones esenciales se codifican como objetos SR DICOM. Estos objetos se utilizan luego para completar una plantilla SR predefinida, lo que da como resultado la creación de un informe estandarizado compuesto por elementos de datos discretos. Este informe se transmite posteriormente al sistema de registro médico electrónico (EMR). Los datos discretos extraídos de estos informes facilitan el seguimiento longitudinal de las métricas de cada paciente, se envían a registros de datos o se aprovechan para fines de investigación clínica. ^[12]

DDInteract ha sido diseñado para mejorar la colaboración entre profesionales sanitarios y pacientes, con el objetivo de determinar el enfoque terapéutico óptimo que minimice los riesgos que plantean las posibles interacciones entre fármacos. La interfaz de usuario de DDInteract está organizada sistemáticamente en cuatro segmentos distintos.

Los datos de medicación se pueden representar en una variedad de recursos de Fast Health Interoperability Resources (FHIR), lo que requiere un análisis cuidadoso por parte de DDInteract. Específicamente, MedicationRequest se utiliza para medicamentos recetados al paciente; MedicationDispense cubre los medicamentos que se han proporcionado físicamente al paciente; y MedicationStatement se refiere a los medicamentos que el paciente informa haber tomado o que está tomando actualmente. Es posible que un solo medicamento se represente en múltiples formas de recursos, con posibles redundancias que se fusionan en un solo registro basado en la fecha más reciente y una jerarquía definida entre los tipos de recursos.

Para optimizar la eficiencia de la recuperación de datos del servidor FHIR, no se tienen en cuenta todos los casos de medicación. Solo se incluyen aquellos recursos que están activos actualmente o que estuvieron activos en los últimos 100 días, siguiendo el protocolo predominante en los EE. UU. que normalmente permite la dispensación de medicamentos por un período que no exceda los tres meses.

Un sistema de gestión de la calidad (SGC) es un concepto integrador que incluye la arquitectura organizativa, la asignación de recursos, la experiencia del personal y el repositorio de documentos y procedimientos que contribuyen colectivamente a la garantía y mejora de la calidad de los servicios que ofrece una entidad. Delinea un conjunto de acciones sistemáticamente orquestadas que son esenciales para gobernar y optimizar los parámetros de calidad. La serie de normas ISO 9000 surge como el esquema preeminente y universalmente aprobado para las implementaciones de SGC, mientras que la norma ISO 15189 proporciona un marco especializado diseñado expresamente para las exigencias de los entornos de laboratorio clínico. ^[13]

Una revisión sistemática evaluó críticamente el diseño, los estándares de presentación de informes, el riesgo de sesgo y la validez de las afirmaciones dentro de los estudios que comparan la eficacia de los algoritmos de aprendizaje profundo de diagnóstico en imágenes médicas frente a la experiencia de los médicos. Realizada utilizando datos de bases de datos destacadas que abarcan desde 2010 hasta junio de 2019, la revisión se centró específicamente en estudios que involucran redes neuronales convolucionales (CNN), notables por su capacidad de discernir de forma autónoma características cruciales para la clasificación de imágenes en contextos médicos. La investigación descubrió una deficiencia notable en los ensayos clínicos aleatorizados relacionados con este tema, identificando solo diez de esos estudios, de los cuales solo dos fueron publicados, que exhibieron un bajo riesgo de sesgo y una adherencia encomiable a los protocolos de presentación de informes. Entre los 81 estudios no aleatorizados ubicados, una minoría fueron prospectivos o validados en entornos clínicos prácticos, y la mayoría presentó un alto riesgo de sesgo, un cumplimiento deficiente de las normas de presentación de informes y una pronunciada falta de accesibilidad a los datos y al código. Esta revisión subraya la necesidad imperiosa de aumentar el número de estudios prospectivos y ensayos aleatorios, abogando por una disminución del sesgo, una mayor pertinencia clínica, una mayor transparencia y conclusiones moderadas en el floreciente campo de la aplicación del aprendizaje profundo a las imágenes médicas. ^[14]

El crecimiento exponencial de los datos digitales, junto con las capacidades informáticas mejoradas, ha acelerado notablemente los avances en inteligencia artificial (IA), que ahora se están incorporando progresivamente a la atención médica. Estas aplicaciones de IA tienen como objetivo refinar el diagnóstico, el tratamiento y el pronóstico a través de sofisticados modelos de clasificación y predicción. Sin embargo, la evolución de estas tecnologías se ve obstaculizada por la falta de estándares rigurosos de presentación de informes relacionados con la obtención de datos, la arquitectura de modelos y las metodologías empleadas en la evaluación y validación de modelos. En respuesta, proponemos MINIMAR (Información mínima para la presentación de informes de IA médica), una iniciativa diseñada para establecer parámetros críticos para comprender las predicciones impulsadas por IA, los grupos demográficos objetivo, los sesgos inherentes y la capacidad de generalizar estas tecnologías. Instamos a la adopción de protocolos estandarizados para garantizar que las implementaciones de IA en la atención médica se informen con precisión y responsabilidad, lo que facilita el desarrollo y la implementación de herramientas asociadas de apoyo a la toma de decisiones clínicas y, al mismo tiempo, aborda las preocupaciones críticas con respecto a la precisión y el sesgo. ^[15]

Como requisito fundamental, la norma propuesta debe cumplir varios criterios esenciales: en primer lugar, debe abarcar detalles completos sobre la población de la que se derivan los datos de entrenamiento, delineando las fuentes de datos y los métodos empleados para la selección de cohortes. En segundo lugar, la demografía de los datos de entrenamiento debe estar documentada explícitamente para facilitar una comparación sustancial con las características demográficas de la población en la que se pretende que funcione el modelo. En tercer lugar, debe haber una divulgación completa de la arquitectura del modelo y su proceso de desarrollo para permitir una interpretación clara del propósito previsto del modelo, la comparación con modelos análogos y para permitir la replicación exacta. En cuarto lugar, el proceso de evaluación, optimización y validación del modelo debe informarse de manera transparente para dilucidar los medios por los que se logra la optimización del modelo local y para apoyar la replicación y el uso compartido de recursos. ^[15]

• Mayor precisión en el diagnóstico: la inteligencia artificial, en particular mediante el uso de redes neuronales convolucionales (CNN), ha transformado la imagenología médica al mejorar significativamente la precisión de los diagnósticos. Estas tecnologías se destacan por identificar de manera autónoma características pertinentes a partir de datos de imágenes, lo que mejora las estrategias de diagnóstico, pronóstico y tratamiento.
• Eficiencia operativa: la capacidad de la IA para analizar rápidamente amplios conjuntos de datos de imágenes supera la capacidad humana y ofrece el potencial de disminuir el intervalo entre la obtención de imágenes y el diagnóstico, lo que en última instancia beneficia la atención al paciente.
• Coherencia y replicabilidad: Iniciativas como MINIMAR son cruciales ya que promueven la generación de informes estandarizados y la implementación de IA en el cuidado de la salud, mejorando así la consistencia y replicabilidad de las herramientas de diagnóstico impulsadas por IA en diversos entornos clínicos.

• Validación clínica inadecuada: una brecha significativa en la validación clínica de las herramientas de IA se destaca por el número limitado de ensayos clínicos aleatorios que comparan el desempeño de los sistemas de IA directamente con los médicos humanos, donde muchos estudios muestran un alto riesgo de sesgo y una mala adherencia a los estándares de informes establecidos.
• Accesibilidad de los recursos: el problema prevaleciente del acceso limitado a los conjuntos de datos y algoritmos utilizados en la investigación de IA impide la capacidad de la comunidad científica más amplia para validar, replicar e innovar los estudios existentes.
• Transparencia y preocupaciones éticas: el desarrollo de la IA en el campo de las imágenes médicas enfrenta desafíos en cuanto a la transparencia en cuanto a cómo se construyen, entrenan y validan los modelos. Además, existe una preocupación apremiante sobre la posibilidad de que estos modelos propaguen sesgos existentes o introduzcan sesgos nuevos si no se controlan adecuadamente.

• Ampliación de ensayos rigurosos: el campo requiere un aumento sustancial de ensayos aleatorios prospectivos y bien diseñados para evaluar y validar exhaustivamente las aplicaciones de IA en entornos clínicos.
• Estandarización de informes: la implementación de estándares de informes integrales como los propuestos por iniciativas como MINIMAR abordará cuestiones de transparencia, reducirá sesgos y mejorará la generalización de las aplicaciones de IA, garantizando que cumplan con estándares científicos y éticos rigurosos.
• Promoción de prácticas de datos abiertos: fomentar un acceso más abierto a los conjuntos de datos de IA y al código de modelado fomentará un entorno colaborativo que mejore el escrutinio, la replicación y el avance de las tecnologías de IA, consolidando así su papel en la atención médica.

En resumen, si bien la IA ofrece oportunidades significativas para el avance de la informática de imágenes, para aprovecharlas al máximo es necesario llevar a cabo una validación rigurosa, cumplir con marcos de informes sólidos y un compromiso general de abordar las consideraciones éticas. Estos pasos son fundamentales para garantizar que las herramientas impulsadas por IA cumplan su promesa de mejorar la eficiencia y la eficacia en los diagnósticos médicos.

Las áreas clave relevantes para la informática de imágenes incluyen:

• Sistema de archivo y comunicación de imágenes (PACS) y sistemas de componentes
• Informática de imágenes para la empresa
• Historias clínicas electrónicas con capacidad de procesamiento de imágenes
• Sistemas de información radiológica (RIS) y sistemas de información hospitalaria (HIS)
• Adquisición de imágenes digitales
• Procesamiento y mejora de imágenes
• Radiómica
• Compresión de datos de imagen
• Visualización 3D y multimedia
• Reconocimiento de voz
• Diagnóstico asistido por computadora (CAD).
• Diseño de instalaciones de imágenes
• Vocabularios y ontologías de imágenes
• Minería de datos de bases de datos de imágenes médicas
• Transformación del proceso de interpretación radiológica (TRIP) ^[17]
• DICOM , HL7 , FHIR y otros estándares
• Modelado de flujos de trabajo y procesos y simulación de procesos
• Seguro de calidad
• Integridad y seguridad del archivo
• Teleradiología
• Educación en informática radiológica
• Imágenes digitales

La informática de imágenes tiene muchas aplicaciones dentro del campo médico.

La informática de imágenes es la más destacada en el campo de la radiología. Mediante la IA, los radiólogos pueden utilizar la informática de imágenes para facilitar su trabajo y ahorrar tiempo al analizar imágenes. Un estudio publicado en "Current Medical Imaging" descubrió que en las imágenes de TC asistidas por IA, el tiempo de lectura para detectar nódulos pulmonares y derrames pleurales se redujo en más del 44 % para los radiólogos. ^[18]

La informática de imágenes en cardiología ayuda a la fenotipificación molecular de las enfermedades cardiovasculares y a la unificación del conocimiento sobre ellas. ^[19] Esto significa que, a través de la extracción de datos, la obtención de imágenes y el análisis de aprendizaje automático de estos datos e imágenes, los investigadores pueden categorizar las enfermedades en función de las características o rasgos descubiertos. Con esta clasificación, los investigadores pueden unificar esta información cardiovascular en una plataforma para el análisis continuo y la recuperación de información.

La informática de imágenes en patología en su conjunto permite una amplia gama de detección y análisis de enfermedades. El uso más destacado en patología es en la detección y análisis de diferentes formas de cáncer. Diagnosticar el cáncer manualmente es un proceso arduo y subjetivo que incluye examinar lo que podrían ser millones de células. A través de varios sistemas de apoyo a la toma de decisiones clínicas (CDSS), los profesionales pueden facilitar el trabajo manual de selección de regiones de tejido, utilizando herramientas de imágenes de portaobjetos completo (WSI) para maximizar la información analizada. Varios modelos predictivos apuntaban a identificar regiones de interés dentro de WSI, requiriendo entrenamiento antes de su uso. Se están introduciendo modelos no supervisados, pero actualmente son menos destacados. Un ejemplo de un modelo no supervisado que se está utilizando es la detección de pliegues de tejido mediante el uso de un método no supervisado para agrupar los píxeles en una imagen que representa la diferencia entre los valores de saturación e intensidad para cada píxel. Debido a que es un modelo no supervisado, este método tiene algunas limitaciones. Estas limitaciones son que tiene baja sensibilidad para diferentes tipos de pliegues de tejido dentro de una imagen y tiene baja especificidad para imágenes sin pliegues de tejido. ^[20]

En los EE. UU. y en otros países, los radiólogos que deseen realizar una formación de subespecialidad en este campo pueden realizar una beca de formación en informática para la obtención de imágenes. Las becas de formación en informática para la obtención de imágenes médicas se realizan después de completar la certificación de la Junta en radiología diagnóstica y pueden cursarse simultáneamente con otras becas de formación en radiología de subespecialidad.

La Junta Estadounidense de Informática de Imágenes (ABII) también administra un examen de certificación para profesionales de la informática de imágenes. También existen certificaciones PARCA (PACS Administrators Registry and Certification Association) para profesionales de la informática de imágenes. ^[21]

La Junta Estadounidense de Medicina Preventiva (ABPM) ofrece un examen de certificación en Informática Clínica para médicos que tengan una certificación primaria de la Junta Estadounidense de Especialidades Médicas , una licencia médica y un título médico. Hay dos vías para ser elegible para presentarse al examen: la vía de práctica (abierta hasta 2022) para aquellos que no hayan completado una beca de capacitación acreditada por la ACGME en Informática Clínica y la vía de beca acreditada por la ACGME de al menos 24 meses de duración. ^[22]

La expansión de los estándares DICOM facilitó la adopción generalizada de los sistemas de archivo y comunicación de imágenes (PACS), lo que marcó un hito en la transformación digital de la informática de imágenes. Esta estandarización, que comenzó a afianzarse a fines de la década de 1990 y se estableció a principios de la década de 2000, ha mejorado la capacidad de almacenar, recuperar y compartir imágenes médicas entre diferentes sistemas, mejorando así la eficiencia de las prácticas de imágenes médicas. ^[23]

La adopción de informes estructurados tuvo como objetivo estandarizar los informes para que fueran concisos y uniformes, lo que influyó en la atención al paciente. La introducción de BI-RADS (Breast Imaging–Reporting and Data System) es un ejemplo notable, que ha llevado a una mayor coherencia en los informes de mamografía . Este hito abarca varios años, ya que estos sistemas se perfeccionaron y se adoptaron de forma más amplia a principios de la década de 2010. ^[23]

La comprensión de que las unidades de procesamiento gráfico (GPU) podían utilizarse para acelerar las redes neuronales se produjo alrededor de 2012. Este avance condujo al rápido desarrollo de técnicas de aprendizaje profundo , acelerando tareas como la segmentación de imágenes , el reconocimiento de características y la creación de algoritmos a partir de grandes conjuntos de datos de imágenes anotadas. Esta era de la IA ha hecho posible el desarrollo de algoritmos de alto rendimiento capaces de ayudar en cientos de tareas de diagnóstico. ^[23]

El campo de la radiómica , que implica la extracción de características cuantitativas de imágenes médicas que son invisibles para el ojo humano, experimentó un crecimiento significativo hacia fines de la década de 2010. Este enfoque ha permitido un análisis más profundo de los datos de imágenes, que se pueden correlacionar con patrones genómicos y otros datos médicos para mejorar la precisión diagnóstica y predictiva. ^[23]

El desarrollo y la aprobación por parte de la FDA de los detectores de conteo de fotones (PCD) para tomografías computarizadas (TC) en 2022 fue una innovación importante. Estos detectores ofrecen un proceso más eficiente para convertir los rayos X en señales eléctricas, lo que permite una mejor diferenciación de los materiales y reduce potencialmente la dosis de radiación para los pacientes. La imagen de la derecha muestra dos exploraciones del mismo cerebro con tecnología de TC antigua y nueva respectivamente. ^[24]

La investigación actual en informática de imágenes se centra principalmente en la integración y el avance de la inteligencia artificial (IA) y el aprendizaje automático (ML) dentro de las tecnologías de imágenes médicas. Los esfuerzos se concentran en mejorar la precisión del diagnóstico, mejorar el análisis predictivo y automatizar los procesos de análisis de imágenes. El aprendizaje profundo , un subconjunto del ML, es particularmente fundamental en la transformación de las imágenes radiológicas , con algoritmos que se desarrollan cada vez más para tareas como la detección de tumores, la segmentación de órganos y la identificación de anomalías. Estos avances no solo apuntan a aumentar la eficiencia y la precisión de los diagnósticos, sino que también buscan reducir la carga de trabajo de los radiólogos mediante la automatización de tareas rutinarias. ^{[11] [25]}

De cara al futuro, se espera que las futuras direcciones de la informática de imágenes adopten enfoques interdisciplinarios, incorporando genética, patología y datos de dispositivos portátiles para ofrecer perspectivas más holísticas de la salud del paciente. El concepto de "radiogenómica", que vincula las características de las imágenes con los datos genómicos, es un área de creciente interés, que podría conducir a tratamientos médicos más personalizados y precisos. Además, el desarrollo continuo de estándares de interoperabilidad y protocolos de intercambio seguro de datos será crucial para permitir la integración perfecta de los datos de imágenes en diferentes plataformas de atención médica, mejorando la investigación colaborativa y la práctica clínica a nivel mundial. ^{[23] [24]}

Existen varios desafíos en el campo de la informática de imágenes:

1. Gestión de datos : el gran volumen de datos generados a partir de una gran cantidad de imágenes de alta calidad plantea problemas de almacenamiento y eficiencia. La gestión, el almacenamiento y la recuperación eficientes de estas imágenes son fundamentales. Esto supone un desafío en términos de infraestructura y desarrollo de sistemas capaces de manejar y procesar grandes conjuntos de datos de manera eficiente. ^[26]
2. Integración : La atención sanitaria es un campo en el que la adaptación a los cambios es muy lenta, ya que todos los sistemas deben probarse exhaustivamente y deben funcionar en sintonía con los sistemas existentes sin problemas. ^[26]
3. Seguridad : La seguridad personal y la gestión segura de los datos siempre son una preocupación. Esta preocupación es mayor en el ámbito de la atención sanitaria, ya que los estándares y las normas de seguridad son mucho más estrictos. Las imágenes médicas a menudo implican compartir datos confidenciales de los pacientes a través de redes, por lo que es esencial adoptar medidas de seguridad sólidas para protegerse contra las violaciones de datos y garantizar el cumplimiento de la privacidad. Esto incluye la transmisión segura, el cifrado de datos en reposo y controles de acceso rigurosos.
4. Integración de la inteligencia artificial : si bien la IA ofrece un potencial significativo para mejorar la precisión y la eficiencia del diagnóstico por imágenes, su integración en los flujos de trabajo clínicos está plagada de desafíos. Estos incluyen la necesidad de conjuntos de datos anotados de alta calidad para entrenar modelos de IA, el riesgo de sesgo algorítmico y la naturaleza de caja negra de algunos sistemas de IA que puede oscurecer la forma en que se toman las decisiones. También existe escepticismo entre los profesionales de la salud con respecto a la confiabilidad y precisión de la IA, lo que puede obstaculizar su adopción. ^[26]
5. Cuestiones éticas y legales : la implementación de tecnologías avanzadas de diagnóstico por imágenes plantea cuestiones éticas sobre el grado en que la IA debería participar en el diagnóstico de los pacientes y el potencial de la IA para reemplazar a los radiólogos humanos. Las implicaciones legales, en particular las relacionadas con la mala praxis y la responsabilidad cuando se utiliza la IA, aún no se han resuelto. Estas cuestiones requieren directrices claras y marcos éticos sólidos para regular el uso de la IA en el diagnóstico por imágenes médicas. ^[26]

Para hacer frente a estos desafíos se requiere un esfuerzo coordinado entre los desarrolladores de tecnología, los proveedores de atención médica, los organismos reguladores y otras partes interesadas. Los avances tecnológicos deben equilibrarse con consideraciones de practicidad, ética y equidad para garantizar que la informática de imágenes pueda cumplir su promesa de mejorar la atención al paciente y los resultados del tratamiento.

En los últimos años se han producido avances significativos en las tecnologías de software relacionadas con la informática de imágenes. Un avance notable es la integración de algoritmos de aprendizaje automático en el software de imágenes, lo que permite el análisis y la interpretación automatizados de imágenes médicas. Por ejemplo, Rajpurkar et al. (2017) demostraron la eficacia de los algoritmos de aprendizaje profundo en la detección de neumonía en radiografías de tórax, lo que muestra el potencial del aprendizaje automático en el análisis de imágenes médicas. ^[27] Estos algoritmos han mostrado resultados prometedores en tareas como la detección de lesiones, la clasificación de enfermedades y la evaluación de la respuesta al tratamiento. Además, la implementación de técnicas de procesamiento del lenguaje natural (PLN) ha facilitado la extracción de información valiosa de los informes de radiología no estructurados, lo que mejora la eficiencia del análisis de datos y los procesos de toma de decisiones.

Los avances en la tecnología de hardware también han desempeñado un papel fundamental en la configuración del panorama de la informática de imágenes. La evolución de las modalidades de imágenes, como la resonancia magnética (IRM), la tomografía computarizada (TC) y la tomografía por emisión de positrones (PET), ha llevado a mejoras en la resolución de la imagen, la velocidad de adquisición y la precisión diagnóstica. ^[28] Además, la miniaturización de los dispositivos de imágenes ha permitido la obtención de imágenes en el punto de atención, lo que permite la evaluación en tiempo real de los pacientes en diversos entornos clínicos. Por ejemplo, el desarrollo de dispositivos de ultrasonido portátiles ha revolucionado la obtención de imágenes en el punto de atención al proporcionar a los médicos herramientas portátiles y fáciles de usar para los exámenes en la cama del paciente (Smith, 2018). El auge de los dispositivos portátiles y las aplicaciones de salud móviles ha ampliado aún más el alcance de la informática de imágenes, lo que facilita la obtención de imágenes a distancia y el seguimiento de los pacientes mediante sensores y cámaras. ^[28]

Junto con las innovaciones tecnológicas, los avances metodológicos han ampliado las capacidades de la informática de imágenes. Uno de los avances es la integración de técnicas de imágenes multimodales, que combinan datos de múltiples modalidades de imágenes para proporcionar información complementaria sobre las estructuras anatómicas y fisiológicas. Por ejemplo, estudios recientes han demostrado la eficacia de combinar datos de resonancia magnética, tomografía computarizada y ecografía para mejorar el diagnóstico y la planificación del tratamiento en pacientes oncológicos (Gupta et al., 2020). ^[29] Al fusionar los datos de estas fuentes, los médicos pueden obtener una comprensión más completa de la condición de un paciente, lo que conduce a diagnósticos más precisos y planes de tratamiento personalizados.

• Sociedad para la informática de imágenes en medicina
• Junta Americana de Informática de Imágenes