Radiómica en oncología: de la imagen al biomarcador

Este contenido fue doblado utilizando inteligencia artificial.
Para activar los subtítulos en español, haga clic en CC en la barra de progreso del video.

La radiómica, ciencia que interpreta estudios de imagen convencionales como tomografía computarizada, resonancia magnética y PET scan, convirtiéndolos en datos cuantitativos complejos, ha surgido como una de las áreas más prometedoras de la oncología de precisión.

A partir del análisis computacional de cientos a miles de variables, incluyendo forma, textura, intensidad y heterogeneidad tumoral, es posible generar firmas de imagen que se correlacionan con características biológicas, moleculares y pronósticas del cáncer.¹ ²

Introducida en la oncología hace poco más de una década, la radiómica ha demostrado potencial en diferentes etapas del cuidado oncológico: diagnóstico, estratificación de riesgo, predicción de respuesta terapéutica y monitoreo de la enfermedad. No obstante, su incorporación amplia en la práctica clínica aún enfrenta desafíos relacionados con la estandarización metodológica y la validación multicéntrica.¹ ²

Aspectos conceptuales y metodológicos

El proceso radiómico comprende diversas etapas interconectadas: adquisición y estandarización de las imágenes, segmentación de la región de interés, extracción y selección de las características más informativas y, finalmente, modelado predictivo mediante algoritmos de aprendizaje automático. Estas características pueden obtenerse a partir de descriptores matemáticos predefinidos (como intensidad, forma y textura) o extraerse de forma automatizada mediante técnicas de aprendizaje profundo (deep learning), capaces de reconocer patrones complejos de manera autónoma.³

Aplicaciones clínicas investigadas

Las aplicaciones de la radiómica ya exploradas en oncología abarcan desde el diagnóstico hasta el pronóstico. En el diagnóstico, por ejemplo, la técnica ha sido investigada para distinguir subtipos moleculares de gliomas (IDH-mutados versus silvestres)⁴ y para predecir la expresión de PD-L1 en cáncer de pulmón.⁵ Tras terapias con intención curativa, se han utilizado modelos basados en tomografía computarizada para estimar el riesgo de recidiva en pacientes con cáncer de pulmón sometidos a radioterapia.⁶ Durante el seguimiento clínico, las firmas radiómicas se están evaluando como herramientas para anticipar patrones de respuesta terapéutica o progresión tumoral.⁷

Evidencias recientes

En la ASCO 2025 se presentó un análisis del estudio PURE-01, que incluyó 112 pacientes con cáncer de vejiga músculo-invasivo tratados con pembrolizumab neoadyuvante. La evaluación de 289 parámetros radiómicos obtenidos de las resonancias identificó variables de forma y textura fuertemente asociadas con la respuesta al tratamiento. El modelo fue capaz de anticipar correctamente la ocurrencia de respuesta patológica completa en 86 % de los casos (IC95 % 72 %–100 %) y de respuesta mayor en 92 % de los casos (IC95 % 81 %–100 %). Estos hallazgos refuerzan el potencial de la radiómica para predecir desenlaces de inmunoterapia, aunque aún requieren validación externa.⁸

En un estudio retrospectivo con 313 pacientes con cáncer de pulmón de células no pequeñas, se desarrolló un nomograma radiómico a partir de PET scan integrado con aprendizaje automático para predecir el estado mutacional del EGFR. El modelo combinado, que integró puntuaciones radiómicas con variables clínicas y radiológicas, mostró un desempeño robusto, siendo capaz de distinguir correctamente pacientes con y sin mutación de EGFR en 83 % de los casos (IC95 % 72 %–94 %) en la validación externa, superando significativamente los modelos basados únicamente en datos clínicos o radiológicos.⁹

Más recientemente, un estudio prospectivo con 126 pacientes con cáncer de mama sometidas a mamografía con contraste antes de la biopsia desarrolló una puntuación clínico-radiómica orientada a la predicción pronóstica. El modelo integrado presentó un desempeño superior al score clínico aislado, con capacidad de discriminar correctamente los desenlaces clínicos en 84 % de los casos para supervivencia global y en 82 % para supervivencia libre de enfermedad, reforzando el potencial de la radiómica como biomarcador no invasivo de valor añadido en el manejo del cáncer de mama.¹⁰

Desafíos y barreras

A pesar de los avances, la implementación clínica de la radiómica se ve limitada por la falta de estandarización de equipos, protocolos de adquisición y análisis, además de la escasez de validaciones externas multicéntricas. Estos factores reducen la aceptación por parte de agencias reguladoras y de la comunidad médica.

Perspectivas futuras

Para alcanzar la práctica rutinaria, la radiómica necesita ser validada en ensayos clínicos como desenlace relevante y combinada con información molecular, de laboratorio y clínica, garantizando mayor robustez y aplicabilidad como biomarcador.

Por Dr. Caio Leite

Referencias 

1. Aerts HJ, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun. 2014; 5:4006.
2. Horvat N, et al. Radiomics beyond the hype: a critical evaluation toward oncologic clinical use. Radiology: Artificial Intelligence. 2024; 6(4):e230437.
3. Nakajima EC, et al. Tumor size is not everything: advancing radiomics as a precision medicine biomarker in oncology drug development and clinical care. JCO Precis Oncol. 2024; 8:e2300687.
4. Belankar S, et al. MRI-based radiomics for prediction of isocitrate dehydrogenase subtype in glioblastoma multiforme through artificial intelligence models: A systematic review and meta-analysis. J Clin Oncol. 2025; 43(16_suppl):2074.
5. Lu J, et al. Predicting PD-L1 status in NSCLC patients using deep learning radiomics based on CT images. Sci Rep. 2025; 15(1):12495.
6. Hindocha S, et al. Gross tumour volume radiomics for prognostication of recurrence & death following radical radiotherapy for NSCLC. NPJ Precis Oncol. 2022;6(1):77.
7. Shivananda DB, et al. Meta-analysis and systematic review of radiomics imaging for predicting pathological complete response to neoadjuvant therapy in esophageal squamous cell carcinoma. J Clin Oncol. 2025;43(16_suppl):e16083.
8. Necchi A, et al. Magnetic resonance imaging (MRI) radiomics as predictor of clinical outcomes to neoadjuvant immunotherapy in patients with muscle invasive bladder cancer undergoing radical cystectomy. J Clin Oncol. 2025;43(16_suppl):2073.
9. Li J, et al. Prediction of EGFR mutations in non-small cell lung cancer: a nomogram based on 18F-FDG PET and thin-section CT radiomics with machine learning. Front Oncol. 2025 Apr 2;15:1510386.
10. Nicosia L, et al. Preliminary Evaluation of Radiomics in Contrast-Enhanced Mammography for Prognostic Prediction of Breast Cancer. Cancers (Basel). 2025 Jun 10;17(12):1926.