La radiogenómica relaciona rasgos cuantitativos de la TAC, la RM o la PET con alteraciones moleculares como mutaciones, expresión génica o metilación. Se aplica sobre todo en oncología, para estimar la biología del tumor sin una nueva biopsia y apoyar la medicina de precisión.
La biopsia analiza una muestra, y la imagen estudia el volumen tumoral visible y su evolución, aunque no detecta todas las alteraciones de cada región. Sobre esa complementariedad trabajan la radiología, la genómica y la Inteligencia Artificial aplicada a la salud. Aquí verás cómo funciona por dentro, un caso práctico en gliomas y qué exige su llegada al hospital.
Qué es la radiogenómica y qué problema clínico resuelve
La radiogenómica parte de una hipótesis concreta, que el aspecto de un tumor en la imagen refleja los procesos moleculares que lo gobiernan. La proliferación celular, la angiogénesis o la necrosis dejan huella en la textura, la forma y el realce de la lesión. Esa huella se traduce en biomarcadores de imagen, variables numéricas que se comparan con los biomarcadores genómicos obtenidos mediante secuenciación de nueva generación.
La prueba de concepto llegó en 2007, cuando Segal et al. publicaron en Nature Biotechnology que 28 rasgos dinámicos de TC reconstruían el 78 % de los perfiles globales de expresión génica del cáncer hepático primario. Aquel trabajo mostró que una parte de la actividad genómica de un tumor se refleja en una imagen de rutina.
El problema clínico que la radiogenómica ayuda a resolver es la heterogeneidad dentro de un mismo tumor, que Gerlinger et al. documentaron en 2012 en The New England Journal of Medicine al secuenciar varias regiones de carcinomas renales. En su estudio, entre el 63 % y el 69 % de las mutaciones somáticas no aparecían en todas las regiones, de modo que una sola biopsia ofrece una visión parcial que la oncología de precisión complementa con la información espacial que aporta la imagen.
La radiogenómica convierte la textura, la forma y el realce de un tumor en datos que ayudan a inferir su perfil molecular
Cómo funciona la radiogenómica paso a paso
Un modelo de radiogenómica es una cadena de procesos en la que cada fase condiciona la siguiente, desde el archivo de imagen hasta la predicción molecular. El valor de un rasgo radiómico depende también de cómo se calcula, y por eso la Image Biomarker Standardisation Initiative (IBSI) reunió a 25 equipos para evaluar 174 rasgos y logró estandarizar 169, con definiciones y valores de referencia publicados en Radiology en 2020.
El flujo se organiza en cinco fases:
- Adquisición y armonización: Los estudios se recuperan en DICOM, el estándar de imagen médica, con sus parámetros de adquisición. Se remuestrean a un vóxel común, se corrige la falta de homogeneidad de la señal en RM y métodos como ComBat reducen el efecto del escáner o del centro.
- Segmentación: Una red de segmentación como U-Net propone el contorno del tumor y de subregiones como el realce, la necrosis o el edema, que el radiólogo revisa porque pequeñas variaciones alteran la textura.
- Extracción de rasgos: Se calculan descriptores de intensidad, forma y textura, como la GLCM (matriz de coocurrencia de niveles de gris), que mide cómo se relacionan los píxeles vecinos, junto con representaciones aprendidas por deep learning.
- Preparación genómica: Los datos moleculares pasan un control de calidad de cobertura y pureza tumoral, se normalizan, se corrige el efecto lote y se define la variable objetivo, como una mutación o una firma de expresión.
- Modelado: Técnicas como LASSO, una regresión penalizada, reducen cientos de rasgos a unos pocos. Las particiones se hacen por paciente, y la armonización, la normalización, la selección de rasgos y el ajuste de hiperparámetros se estiman solo con los datos de entrenamiento, dentro de cada pliegue de validación, para que el conjunto de prueba permanezca independiente.
Documentar cada parámetro permite que otro hospital reproduzca el modelo y compare sus resultados.
Caso práctico de radiogenómica en gliomas con mutación IDH
Los gliomas difusos del adulto son un buen banco de pruebas para la radiogenómica. La clasificación de tumores del sistema nervioso central de la OMS de 2021 integra el estado de IDH (isocitrato deshidrogenasa) en el diagnóstico. Un glioma con IDH mutado y uno sin mutar son entidades con pronóstico distinto, y conocer ese estado antes de operar orienta la sospecha.
El primer nivel es un signo que el neurorradiólogo identifica visualmente, el T2-FLAIR mismatch. El tumor es hiperintenso y homogéneo en T2, y en FLAIR, que suprime el líquido, relativamente hipointenso salvo un anillo periférico brillante.
En el estudio original de Patel et al., sobre 125 gliomas de grado II y III, los 15 casos con el signo tenían IDH mutado. Ninguno presentaba codeleción 1p/19q, la pérdida conjunta de esos dos brazos cromosómicos.
La limitación del signo es que resulta muy específico, pero poco sensible. En 2.165 gliomas de grado 4 del consorcio ReSPOND, su variante parcial mostró una especificidad del 99,6 % y una sensibilidad del 26,4 %. Su ausencia descarta poco, porque la mayoría de los tumores con IDH mutado no lo presentan.
Para cubrir ese hueco, el machine learning analiza cientos de rasgos radiómicos en lugar de uno solo. Un metaanálisis de Frontiers in Oncology de 2024, con 14 estudios y 1.740 pacientes, obtuvo un AUC agrupado de 0,90. El AUC es el área bajo la curva, donde 1 es discriminación perfecta y 0,5 el azar.
El rendimiento variaba según el método, el grado del glioma y la inclusión de variables clínicas. Son modelos en investigación, cuyo resultado se confirma con el estudio molecular del tejido. Aun así, ilustran la lógica de la radiogenómica, que pasa de un signo visual a una probabilidad cuantitativa.

Qué modelos de Inteligencia Artificial utiliza la radiogenómica
La primera decisión técnica es elegir entre radiómica con modelos tabulares o deep learning sobre el volumen completo. Con pocos cientos de pacientes, la radiómica con regresión penalizada, random forest o XGBoost suele ser más práctica, porque necesita menos datos y se interpreta mejor. Con más volumen, las redes convolucionales 3D (CNN) y los transformers, basados en atención, aprenden patrones de los propios vóxeles.
La etiqueta molecular plantea un reto propio, porque suele existir una por paciente y no por región del tumor. El aprendizaje de instancias múltiples (MIL) trata el tumor como un conjunto de regiones y aprende cuáles explican el resultado, y el preentrenamiento autosupervisado aprovecha imágenes sin anotar. Para la interpretabilidad, SHAP cuantifica el peso de cada variable y Grad-CAM marca con un mapa de calor las regiones que más influyen.
Hay que distinguir además dos objetivos, predecir una alteración molecular desde la imagen, con la genómica como etiqueta de entrenamiento, o combinar imagen y genómica ya disponible para predecir desenlaces como respuesta o supervivencia. El cuadro resume las tres estrategias de fusión para este segundo escenario:
| Estrategia | Cómo integra imagen y genómica | Cuándo encaja | Riesgo principal |
|---|---|---|---|
| Fusión temprana | Une rasgos de imagen y genómicos en un único vector. | Cohortes amplias con modalidades completas. | Exceso de variables y sobreajuste. |
| Fusión intermedia | Cada modalidad genera su representación y una capa común las combina, a menudo con atención. | Datos suficientes para una red por modalidad. | Mayor complejidad y menor interpretabilidad. |
| Fusión tardía | Un modelo por modalidad genera su predicción y un metamodelo las combina. | Modalidades que se modelan por separado. Admite datos ausentes solo si el diseño y la validación lo contemplan. | Pierde interacciones finas entre imagen y genoma. |
Lo decisivo no es la arquitectura más sofisticada, sino la que encaja con el objetivo y con la cohorte disponible.
Cómo se valida e implanta la radiogenómica en un hospital
Un AUC alto en un hospital no garantiza el rendimiento en otro. Para predecir EGFR en cáncer de pulmón no microcítico, un metaanálisis de 2023 halló un AUC agrupado de 0,80 con radiómica de TC, pero su calidad media fue el 42 % del máximo del Radiomics Quality Score (RQS). Como referencia sobre la calidad de la radiómica, en RM de próstata la escala METRICS dio una media del 52 %, y solo el 15,1 % de los estudios incluía validación externa.
Además de discriminar, el modelo debe estar calibrado, con probabilidades ajustadas a la frecuencia real del evento, y aportar beneficio neto en el análisis de curva de decisión frente a actuar en todos o en ninguno. También tiene que cumplir los requisitos regulatorios e integrarse en el flujo del radiólogo. Una arquitectura posible recupera los estudios del PACS, el archivo de imágenes, consulta datos clínicos mediante HL7 FHIR y devuelve un informe estructurado, con MLOps para vigilar la deriva.
La combinación de imagen y genoma eleva el riesgo de reidentificación, y el aprendizaje federado permite entrenar entre centros sin centralizar los datos brutos, aunque comparte parámetros del modelo y necesita medidas adicionales de privacidad. El encaje regulatorio depende de la finalidad prevista y de las fuentes de datos, que determinan si el software queda sujeto al Reglamento (UE) 2017/745 o al 2017/746. Si es, además, un sistema de Inteligencia Artificial que cumple el artículo 6.1 del Reglamento (UE) 2024/1689, que exige evaluación de conformidad por terceros, se clasifica como de alto riesgo.
Este cruce de disciplinas pide un perfil capaz de entender el dato y su contexto clínico. El Máster en Big Data Sanitario aborda el machine learning, la Inteligencia Artificial en salud y el marco legal y la seguridad de los datos sanitarios, una base para proyectos así.