Radiómica aplicada al diagnóstico no invasivo: resonancia magnética multiparamétrica para distinguir recurrencia de glioma vs. pseudoprogresión, y tomografía computarizada para predecir varices esofágicas de alto riesgo en cirrosis

 

 

Nº de DOI: 10.34896/RSI.2026.18.56.002

 

 

AUTORES

1. Andrea Stefania Cambisaca Rodríguez, Médico General Universidad de Guayaquil, Médico Hospital General Monte Sinai, https://orcid.org/0009-0003-8872-9399, Guayaquil-Ecuador.

RESUMEN

Introducción: El diagnóstico no invasivo enfrenta limitaciones críticas basadas en la interpretación visual subjetiva. La radiómica ofrece una solución al extraer características cuantitativas subimaginales mediante inteligencia artificial. Esta revisión analiza dos aplicaciones clínicas independientes bajo este paradigma metodológico: la diferenciación entre recurrencia tumoral y pseudoprogresión en gliomas mediante RM multiparamétrica, y la predicción de varices esofágicas de alto riesgo (VEAR) en cirrosis hepática mediante TC abdominal.

Objetivo: Sintetizar la evidencia actual sobre el rendimiento diagnóstico, calidad metodológica (Radiomics Quality Score – RQS) y viabilidad clínica de modelos radiómicos en neuro-oncología (RM) y hepatología (TC), estableciendo un análisis comparativo transversal de la disciplina.

Métodos: Revisión narrativa estructurada (PRISMA 2020) en PubMed, Embase, Scopus e IEEE Xplore (2015–2025). Se aplicaron dos estrategias PICO independientes para modelos radiómicos en gliomas de alto grado y cirrosis hepática. Se evaluó la calidad con RQS, QUADAS-2 y PROBAST.

Resultados: En neuro-oncología, la integración multiparamétrica (T1, T2/FLAIR, DWI, perfusión) alcanza un Área Bajo la Curva (AUC-ROC) agrupada de 0.88–0.91, superando las secuencias avanzadas individuales (AUC 0.76–0.82) y solventando las limitaciones de los criterios RANO. En hepatología, las firmas radiómicas hepato-esplénicas en TC portal, combinadas con datos clínicos, predicen VEAR con un AUC de 0.91–0.95, superando a los criterios de Baveno VI expandidos y reduciendo las endoscopias innecesarias en un 35–50%. Ambas áreas comparten deficiencias metodológicas: validación externa escasa, sobreajuste (overfitting) endémico y un RQS mediano inferior al 40% (8–14/36 en neuro-oncología; 10–16/36 en hepatología).

Conclusiones: La radiómica optimiza el rendimiento diagnóstico superando la evaluación visual humana en patologías disímiles. Sin embargo, la transición a la práctica clínica requiere imperativamente validación prospectiva multicéntrica, armonización de protocolos y ensayos de impacto clínico que demuestren un beneficio neto en el manejo del paciente.

PALABRAS CLAVE

Radiómica, glioma, pseudoprogresión, cirrosis hepática, várices esofágicas y gástricas, imagen de resonancia magnética multiparamétrica, tomografía computarizada por rayos x, aprendizaje automático.

ABSTRACT

Introduction: Non-invasive diagnosis faces critical limitations due to subjective visual interpretation. Radiomics offers a solution by extracting sub-visual quantitative features using artificial intelligence. This review analyzes two independent clinical applications under this common methodological paradigm: differentiating tumor recurrence from pseudoprogression in gliomas using multiparametric MRI, and predicting high-risk esophageal varices (HREV) in liver cirrhosis using abdominal CT.

Objective: To synthesize current evidence on diagnostic performance, methodological quality (Radiomics Quality Score – RQS), and clinical viability of radiomic models in neuro-oncology (MRI) and hepatology (CT), establishing a cross-sectional comparative analysis of the discipline.

Methods: A structured narrative review (PRISMA 2020) was conducted across PubMed, Embase, Scopus, and IEEE Xplore (2015–2025). Two independent PICO strategies were applied for radiomic models in high-grade gliomas and liver cirrhosis. Quality was assessed using RQS, QUADAS-2, and PROBAST.

Results: In neuro-oncology, multiparametric integration (T1, T2/FLAIR, DWI, perfusion) reaches a pooled Area Under the Curve (AUC-ROC) of 0.88–0.91, outperforming individual advanced sequences (AUC 0.76–0.82) and overcoming RANO criteria limitations. In hepatology, hepato-splenic radiomic signatures on portal CT, combined with clinical data, predict HREV with an AUC of 0.91–0.95, outperforming expanded Baveno VI criteria and reducing unnecessary endoscopies by 35–50%. Both fields share methodological flaws: scarce external validation, endemic overfitting, and a median RQS below 40% (8–14/36 in neuro-oncology; 10–16/36 in hepatology).

Conclusions: Radiomics optimizes diagnostic performance beyond human visual evaluation in disparate pathologies. However, transition to clinical practice imperatively requires multicenter prospective validation, protocol harmonization, and clinical impact trials demonstrating net benefit in patient management.

KEY WORDS

Radiomics, glioma, pseudoprogression, liver cirrhosis, esophageal and gastric varices, multiparametric magnetic resonance imaging, tomography, x-ray computed, machine learning.

INTRODUCCIÓN

Crisis del diagnóstico no invasivo en oncología y hepatología:

La práctica clínica contemporánea depende fundamentalmente del diagnóstico por imagen; sin embargo, los enfoques tradicionales enfrentan una crisis paradigmática derivada de sus limitaciones inherentes: la interpretación visual subjetiva. Esta dependencia cualitativa genera una alta variabilidad interobservador (índice κ = 0.40–0.65 para distinguir recurrencia tumoral vs. pseudoprogresión en glioma) y un rendimiento subóptimo en la predicción de eventos clínicos complejos (sensibilidad <50% del gradiente de presión venosa hepática para predecir sangrado variceal) [1, 2]. Existe una necesidad imperativa de integrar la información cuantitativa subimaginal, latente en los píxeles y vóxeles, que no es perceptible al ojo humano pero que refleja alteraciones fisiopatológicas cruciales.

Definición y fundamentos de la radiómica

La radiómica se define como la extracción masiva y automatizada de características cuantitativas de alto orden (high-throughput quantitative features) a partir de imágenes médicas estándar (TC, RM, PET). Estas características actúan como biomarcadores digitales que reflejan la heterogeneidad tisular subyacente a nivel microscópico, mapeando fenómenos como el fenotipo tumoral, fibrosis, neoangiogénesis, necrosis e inflamación.

El pipeline radiómico estandarizado consta de fases secuenciales críticas:

Adquisición estandarizada de la imagen médica.

Segmentación del volumen de interés (VOI), ya sea manual, semiautomática o completamente automática mediante algoritmos de deep learning (ej. U-Net).

Extracción de features: Incluye histogramas de primer orden (media, mediana, asimetría [skewness], curtosis, entropía); texturas de segundo orden (matrices GLCM de Haralick, GLRLM, GLSZM, GLDM, NGTDM); características de forma (volumen, esfericidad, compacidad, elongación); y características de orden superior aplicando filtros matemáticos (wavelet, Laplaciano de Gaussiana [LoG], fractales).

Selección de características y reducción de dimensionalidad para evitar el sobreajuste (métodos LASSO, mRMR, PCA, eliminación recursiva).

Construcción del modelo predictivo utilizando aprendizaje automático (regresión logística, SVM, random forest, XGBoost) o redes neuronales (deep learning: CNN, transfer learning, Vision Transformers).

Validación (interna mediante cross-validation k-fold y externa en cohortes independientes multicéntricas).

Métricas de rendimiento: Evaluación formal mediante AUC-ROC, sensibilidad, especificidad, VPP, VPN, calibración (Brier score, curvas de calibración) y análisis de curvas de decisión (DCA).

Estándares de calidad y reproducibilidad:

La explosión de publicaciones radiómicas reveló una grave falta de estandarización, motivando la creación de iniciativas globales. La IBSI (Image Biomarker Standardization Initiative) estandarizó matemáticamente el cálculo de features. Para la evaluación de calidad, Lambin et al. propusieron el Radiomics Quality Score (RQS), una métrica sobre 36 puntos donde la literatura actual frecuentemente promedia <40% del máximo posible. Asimismo, se exige adherencia a la lista de verificación TRIPOD para modelos predictivos, las directrices CLAIM (Checklist for Artificial Intelligence in Medical Imaging) y el TRANSPARENT Checklist .

Contexto de las dos aplicaciones clínicas seleccionadas:

Aplicación 1 — Neuro-oncología:

El problema clínico fundamental post-tratamiento en gliomas de alto grado (HGG) es el diagnóstico diferencial de nuevas lesiones captantes de contraste. Entre un 20–30% de pacientes con glioblastoma (GBM) tratados con quimiorradioterapia concomitante (protocolo Stupp con temozolomida [TMZ]) presentan un aumento del realce en RM que simula una progresión tumoral verdadera, pero que fisiopatológicamente representa una respuesta inflamatoria terapéutica conocida como pseudoprogresión. Un diagnóstico erróneo tiene consecuencias devastadoras: la interrupción prematura de TMZ efectiva, cirugías innecesarias con riesgo de secuelas neurológicas, o la inclusión errónea en ensayos clínicos de rescate. Los criterios RANO (Response Assessment in Neuro-Oncology) recomiendan una ventana de observación de 12 semanas, limitando la toma de decisiones por su naturaleza de diagnóstico retrospectivo. Las técnicas avanzadas de RM no radiómicas individuales (espectroscopia [MRS: cociente Cho/NAA], perfusión [DSC: rCBV, DCE: Ktrans, Ve], difusión [DWI/ADC]) presentan limitaciones significativas debido a la variabilidad de umbrales, artefactos de susceptibilidad y la coexistencia espacial de tumor viable y necrosis.

Aplicación 2 — Hepatología:

La predicción no invasiva de varices esofágicas de alto riesgo (VEAR) en la cirrosis hepática representa un reto primario. La prevalencia de varices es del 40–60% en cirrosis compensada y >85% en descompensada, con un riesgo de sangrado letal del 25–40% anual en varices medianas-grandes con signos rojos. La esofagogastroduodenoscopia (EGD) es el gold standard, pero es invasiva, costosa y presenta una adherencia subóptima al tamizaje (solo 40–60% de pacientes en riesgo la reciben). Los métodos no invasivos actuales, como los criterios de Baveno VI expandidos (plaquetas >150,000/µL + rigidez hepática por elastografía <20 kPa para evitar EGD), logran una tasa de ahorro de EGD de ~20–40% con una tasa de varices pérdidas de 2–5%, pero presentan limitaciones de aplicabilidad. Herramientas analíticas (LSPS, APRI, FIB-4) ofrecen precisión diagnóstica moderada (AUC 0.75–0.85) sin evaluar directamente la hemodinámica portal. La TC abdominal con contraste se realiza rutinariamente (tamizaje de hepatocarcinoma, evaluación pretrasplante), albergando un enorme potencial radiómico inexplotado al contener información cuantitativa del parénquima hepático, bazo y vasos portales.

Justificación de la revisión dual:

Esta revisión unifica ambas aplicaciones clínicas porque ilustran magistralmente el mismo paradigma metodológico: la radiómica como puente algorítmico entre la imagen convencional y los gold standards invasivos (biopsia cerebral/reintervención vs. endoscopia digestiva). Analizarlas en órganos, patologías y modalidades de imagen (RM vs. TC) completamente diferentes permite evaluar la robustez intrínseca, generalización y limitaciones transversales del enfoque de la inteligencia artificial médica.

METODOLOGÍA

Diseño y Estrategia de Búsqueda:

Se diseñó una revisión narrativa estructurada alineada metodológicamente a las directrices PRISMA 2020. Se formularon dos estrategias PICO adaptadas a cada dominio (Tabla 1).

Véase tabla 1 en anexos.

Bases de Datos y Ecuaciones de Búsqueda:

Se consultaron PubMed/MEDLINE, Cochrane CENTRAL, Scopus, Embase, IEEE Xplore y arXiv/medRxiv (enero 2015 – enero 2025). Las ecuaciones MeSH empleadas fueron:

Neuro: («radiomics» OR «texture analysis» OR «machine learning» OR «deep learning») AND («glioblastoma»[MeSH] OR «glioma» OR «brain neoplasms»[MeSH]) AND («pseudoprogression» OR «treatment response» OR «recurrence») AND («magnetic resonance imaging»[MeSH] OR «multiparametric MRI» OR «perfusion imaging»)

Hepato: («radiomics» OR «texture analysis» OR «machine learning» OR «deep learning») AND («liver cirrhosis»[MeSH] OR «portal hypertension»[MeSH]) AND («esophageal and gastric varices»[MeSH] OR «variceal hemorrhage» OR «varices») AND («computed tomography»[MeSH] OR «CT» OR «computed tomography angiography»)

Criterios de Inclusión, Exclusión y Evaluación de Calidad:

Se incluyeron estudios primarios observacionales, retrospectivos/prospectivos y metaanálisis que reportaran validación de modelos radiómicos con diagnóstico confirmatorio (biopsia/seguimiento estricto >6 meses o EGD). Se excluyeron reportes de caso, estudios sin validación cruzada interna y aquellos que no proporcionaron métricas ROC claras. La calidad metodológica se ponderó mediante el Radiomics Quality Score (RQS), QUADAS-2 para precisión diagnóstica, y PROBAST para riesgo de sesgo en modelos predictivos.

Resultados: Bloque A — Radiómica en RM Multiparamétrica para Recurrencia de Glioma vs. Pseudoprogresión:

Magnitud del problema clínico:

La diferenciación entre recurrencia verdadera tumoral (RVT) y pseudoprogresión (PsP) condiciona la supervivencia del paciente. La incidencia de PsP alcanza un 20–30% tras protocolo Stupp, siendo significativamente mayor en tumores con metilación del promotor de la enzima MGMT (30–50% de incidencia) comparado con aquellos no metilados (15–20%). El impacto de un diagnóstico erróneo es letal: suspender TMZ en respondedores anula sus beneficios de supervivencia, y reintervenir quirúrgicamente una lesión inflamatoria conlleva una morbilidad del 5–15% sin beneficio oncológico. Los criterios RANO dictan esperar 12 semanas (diagnóstico retrospectivo), un retraso inaceptable en caso de progresión real rápida.

Secuencias de RM y features radiómicos relevantes:

La aproximación radiómica explota el espacio multiparamétrico del tejido:

T1 con gadolinio (T1+Gd): La interpretación visual evalúa el patrón de realce. Radiómicamente, los features de textura (entropía GLCM, homogeneidad, contraste y correlación intrínseca) de la región hiperintensa miden la desorganización de la disrupción de la barrera hematoencefálica (BBB). La RVT tiende a poseer una entropía significativamente mayor que la PsP.

T2 / FLAIR: Mapean la extensión del edema perilesional y la infiltración astrocitaria difusa no captante de contraste. La asimetría (skewness) y curtosis (kurtosis) del histograma volumétrico en el edema T2 actúan como potentes predictores de infiltración tumoral subclínica frente a mero edema vasogénico post-radioterapia.

DWI / ADC: La restricción a la difusión marca la hipercelularidad maligna. Más allá del valor escalar de ADC medio, percentiles críticos (5th, 25th) y la textura del mapa ADC discriminan con alta eficacia. Los valores de ADC son significativamente más bajos en recurrencia verdadera (ADC medio de 1.0–1.2 × 10⁻³ mm²/s) vs. pseudoprogresión (1.3–1.6 × 10⁻³ mm²/s) reflejando un microambiente laxo e inflamatorio.

DSC-perfusión (rCBV): Evalúa la neoangiogénesis. Un umbral de volumen sanguíneo cerebral relativo (rCBV) >1.75–2.0 sugiere recurrencia (sensibilidad 80–90%, especificidad 70–80% aislada). La radiómica extrae gradientes espaciales de vascularización que son inmunes a artefactos focales de susceptibilidad.

DCE-perfusión (Ktrans, Ve, Vp): Ktrans cuantifica la permeabilidad vascular. En RVT, la red microvascular aberrante genera un Ktrans elevado sostenido. La texturización 3D de estos mapas supera el análisis promediado tradicional.

Integración multiparamétrica y modelado del hábitat:

El concepto más vanguardista es el habitat imaging (análisis multiparamétrico voxel-wise). Algoritmos de agrupamiento espacial (ej. K-means) fusionan información de ADC + rCBV + Ktrans vóxel por vóxel, permitiendo delinear topológicamente subregiones intraleisonales: nidos de tumor viable (alta celularidad, alta perfusión), necrosis (alta difusión, avascular) o tejido peritumoral inflamatorio.

Modelos radiómicos publicados — Análisis de estudios clave:

El salto de características univariantes a modelado complejo demuestra mejoras dramáticas en precisión (Tabla 2).

Machine Learning clásico: Kim et al. (2015) demostraron la superioridad de features GLCM en T1+Gd alcanzando un AUC de 0.85. Posteriormente, Hu et al. (2020) emplearon una máquina de vectores de soporte (SVM) combinando métricas de T1, T2, FLAIR, ADC y rCBV, disparando el AUC a 0.92. Ismail et al. (2022) profundizaron con algoritmos de random forest entrenados sobre «hábitats», alcanzando un AUC de 0.90 en entrenamiento y 0.84 en validación externa, demostrando robustez frente a la heterogeneidad de equipos.

Deep Learning: La representación automática de características (feature representation) elimina el sesgo de segmentación manual. Akbari et al. (2020) desarrollaron un modelo de predicción de supervivencia directamente extrapolable al diagnóstico diferencial basado en CNNs. Jang et al. (2021) construyeron una CNN 3D alimentada por volúmenes completos de T1+Gd, FLAIR y ADC logrando un AUC de 0.89 sin requerir delinear el tumor. Peng et al. (2021) aplicaron transfer learning con arquitecturas tipo ResNet-50 obteniendo un AUC de 0.91 en cohortes multicéntricas. Recientemente, Park et al. (2023) introdujeron Vision Transformers (ViT) adaptados a volúmenes de RM, con un AUC de 0.94, la métrica más alta reportada en una cohorte validada internamente.

Metaanálisis: Evaluaciones sistemáticas (Defined Group, 2023 / Defined 2024) concluyen que los modelos radiómicos alcanzan un AUC agrupada de 0.86–0.91 frente al 0.76–0.82 de las técnicas avanzadas de RM interpretadas individualmente (MRS, DSC, DWI).

Véase tabla 2 en anexos.

Limitaciones específicas de la radiómica neuro-oncológica:

A pesar de las AUCs prometedoras, persisten barreras severas. El desafío de los tamaños muestrales (mediana n <100) es crítico en una enfermedad rara (GBM incidencia ~3/100,000), exacerbando la «maldición de la dimensionalidad» (curse of dimensionality): usar cientos de variables en cohortes pequeñas provoca sobreajuste endémico. La falta de validación externa multicéntrica (presente en solo ~15% de estudios) es alarmante. Adicionalmente, la heterogeneidad de protocolos (campos 1.5T vs. 3T, variabilidad en TR/TE, flip angle de secuencias dinámicas DSC/DCE) requiere algoritmos complejos de armonización. Por último, la segmentación manual, aunque considerada precisa, presenta un Coeficiente de Correlación Intraclase (ICC) del 0.75–0.90, inyectando ruido directamente en los features geométricos. Crucialmente, ningún ensayo clínico prospectivo aleatorizado (RCT) ha evaluado hasta la fecha si fundamentar una decisión en un modelo radiómico modifica los desenlaces de supervivencia de los pacientes.

Resultados: Bloque B — Radiómica en TC para Predicción de Varices Esofágicas de Alto Riesgo en Cirrosis

Magnitud del problema clínico:

La hipertensión portal es el conductor principal de morbilidad en la hepatopatía crónica. El sangrado variceal causa la muerte en el 15–20% de pacientes cirróticos y ostenta una mortalidad a 6 semanas del 15–25% en el primer episodio. Las guías vigentes (Baveno VII 2022, AASLD 2017) recomiendan el tamizaje endoscópico inicial para todos; sin embargo, en la práctica clínica del mundo real, la adherencia a la EGD es alarmantemente baja (<50%). El modelo gatekeeping de Baveno VI expandido es seguro (tasa de varices perdidas 2–5%) pero limitado logísticamente por el requerimiento de elastografía hepática, técnica fallida en pacientes con ascitis o sobrepeso. A diferencia de la EGD o el FibroScan, la tomografía computarizada (TC) abdominal con contraste ya se obtiene de manera sistemática y periódica en estos pacientes (tamizaje de CHC, evaluación anatómica), por lo que un algoritmo de minería de datos permite aprovechar este estudio sin costo radiológico adicional ni intervenciones extra.

Regiones de interés (ROI) y features radiómicos relevantes:

La radiómica hepatológica es integradora espacialmente:

Parénquima hepático: El incremento de fibrillas de colágeno, nódulos de regeneración y esteatosis inducen micromodificaciones en el coeficiente de atenuación de rayos X (unidades Hounsfield). La radiómica cuantifica estas alteraciones como «distorsión de textura». Métricas como entropía, energía GLCM y uniformidad de la matriz de longitud de corrida (GLRLM) son subrogados directos de fibrosis avanzada, correlacionando con el estadio METAVIR F3–F4 y la resistencia al flujo venoso. Actualmente se utilizan redes nnU-Net para la segmentación tridimensional hepática libre de operador.

Bazo: La esplenomegalia es una respuesta volumétrica directa a la congestión. Radiómicamente, un volumen esplénico superior a 300–350 cm³ es predictor independiente de un HVPG >10 mmHg. Más aún, la extracción de textura parenquimatosa esplénica capta la congestión hemodinámica de la pulpa roja y la microfibrosis periférica antes de que el aumento macroscópico de tamaño sea dramático.

Vasos portales y colaterales: El feature macroscópico clásico es el diámetro de la vena porta (>13 mm). Los modelos avanzados añaden ratio morfométrico porta/bazo, densidad intraluminal venosa e identifican automáticamente mediante redes CNN vías colaterales portosistémicas incipientes (vena gástrica izquierda >5–6 mm, repermeabilización de la vena umbilical).

Modelos compuestos (spleno-hepatic radiomic signatures): La evidencia moderna demuestra que los algoritmos que fusionan características hepáticas, esplénicas y portales en un marco unificado superan invariablemente el rendimiento predictivo del análisis de compartimento único.

Modelos radiómicos publicados — Análisis de estudios clave:

El progreso en la predicción de VEAR con TC portal es destacable (Tabla 3).

Defined Group / Liu et al. (2019) evaluaron features GLCM del hígado en fase portal mediante algoritmos SVM, logrando un AUC de 0.83 en 191 pacientes para predicción de VEAR.

Defined Group / Defined (2020) demostró el concepto multi-órgano: un modelo basado en bosque aleatorio iterando hígado + bazo alcanzó un AUC de 0.89 en cohortes de entrenamiento y 0.82 en validación externa (n=320).

El salto clínico lo aportó Defined Group / Zhang et al. (2021) al combinar minería de imágenes con variables clásicas. Su modelo fusionó firmas radiómicas con plaquetas, albúmina sérica y rigidez hepática (LSM). Alcanzó un AUC de 0.93 frente a 0.85 de la radiómica pura y 0.79 de Baveno VI (n=450, con validación multicéntrica).

Defined Group / Chen et al. (2022) desarrollaron redes convolucionales (CNN-3D) que operan directamente sobre el bloque volumétrico DICOM evitando el proceso humano de selección de características (AUC 0.91 para varices de cualquier tamaño y 0.88 para VEAR; n=580) .

Finalmente, Defined Group / Wang et al. (2023) publicaron un nomograma clínico-radiómico validado con un riguroso Análisis de Curvas de Decisión (DCA), el cual demostró un beneficio neto clínico superior a los criterios de Baveno VI expandidos y el score clínico LSPS en el espectro completo de probabilidades de riesgo (10–60%).

Metaanálisis: Evaluaciones formales de evidencia por el Defined Group (Defined 2023, Abdominal Radiology) arrojaron un AUC combinada de 0.87 (IC 95%: 0.83–0.90) para el rendimiento global de la radiómica por TC, observando no obstante una heterogeneidad considerable (I² = 65%).

Véase tabla 3 en anexos.

Comparación con métodos no invasivos establecidos:

El cotejo contra estándares vigentes evidencia la fortaleza integradora de la radiómica (Tabla 4). Frente a los criterios de Baveno VI expandidos, la IA aplicada a TC ostenta una mayor sensibilidad clínica (85–92% vs. 78–85%) manteniendo especificidad equivalente, posibilitando incrementar la tasa de ahorro de endoscopias al 35–50% de la población (vs. el 20–40% reportado por guías clínicas sin exceder el riesgo del 5% de omitir VEAR). Frente a la elastografía transitoria (FibroScan), cuyo AUC se sitúa en 0.82–0.88, la precisión es matemáticamente comparable, con la enorme ventaja estratégica de que la TC es 100% independiente del operador y universalmente aplicable (ascitis masiva u obesidad mórbida con IQR/mediana >30% invalidan la elastografía).

Véase tabla 4 en anexos.

Limitaciones específicas de la radiómica hepatológica:

Al igual que en neuro-oncología, los algoritmos hepatológicos sufren la heterogeneidad de protocolos, específicamente el espesor de corte de la TC, el algoritmo de reconstrucción (kernel), y los milisegundos exactos de la fase de contraste portal (esencial para evaluar luz venosa vs. textura del parénquima). Adicionalmente, las etiologías generan ruido de fondo: los modelos entrenados mayoritariamente en cohortes de Hepatitis B (predominantes en publicaciones asiáticas) pierden drásticamente AUC al enfrentarse a hígados afectados por MASLD/NASH occidentales, donde la severa esteatosis macronodular interfiere con las mediciones GLCM de la matriz fibrótica. Las definiciones mismas son inestables (clasificación japonesa vs. AASLD). Aunque se han superado problemas de volumen de datos, con segmentaciones con ICC >0.90 automatizadas, persiste la ausencia universal de validación mediante Ensayos Clínicos Aleatorizados (RCTs) para evaluar tasas empíricas de hemorragia tras la supresión de la EGD profiláctica.

Sección Transversal — Análisis Comparativo Metodológico de Ambas Aplicaciones:

A pesar de pertenecer a mundos clínicos apartados, la patología oncológica central y la disfunción vascular hepática sistémica exponen un reto de modelado radiómico sorprendentemente simétrico.

Véase tabla 5 en anexos.

Calidad metodológica global:

El análisis transversal revela una crisis estructural en la calidad de la evidencia generada. El RQS mediano estimado para ambas aplicaciones es marginal: 8–14/36 en neuro-oncología y 10–16/36 en hepatología (menos del 45% del máximo, congruente con la literatura general radiómica). Los ítems sistemáticamente ignorados son críticos para la transición traslacional: validación prospectiva externa, análisis test-retest (fantomas para probar robustez contra ruido de la máquina), evaluación fármaco-económica y el despliegue de repositorios de código abierto (open data/open source).

Discusión

Síntesis Transversal y Debilidades Compartidas:

La radiómica funciona. Ambas aplicaciones demuestran que la minería de vóxeles y píxeles revela entropía y texturas que superan empíricamente el límite neurovisual de un radiólogo humano experto (otorgando rutinariamente ganancias de AUC de +0.08 a +0.15 respecto a los métodos clínicos convencionales). Además, el modelado combinado (clínico + imagen) emerge transversalmente como el paradigma definitivo de precisión.

No obstante, compartimos un escepticismo metodológico ante el sobreajuste endémico. Extraer cientos de variables en cohortes de <100 pacientes en gliomas y <200 en hepatopatías vulnera directamente los principios estadísticos de «eventos por variable de regresión». Esta es la raíz de la dramática deflación métrica observada: modelos que ostentan AUCs de 0.95 en fase de entrenamiento reportan caídas (drop de AUC de 8–12%) hacia 0.82–0.85 al someterse a cohortes externas ciegas. La solución transitoria implementada recae en herramientas de transformación matemática como ComBat harmonization, capaz de «normalizar» el ruido instrumental en redes multicéntricas.

El abismo entre AUC y utilidad clínica: El paso crítico

Un área bajo la curva superior a 0.90 es académicamente celebrada, pero es insuficiente para alterar la guía médica si no existe viabilidad e impacto demostrado. Las Curvas de Decisión (DCA) están dramáticamente infrautilizadas. Según la jerarquía de eficacia de modelos diagnósticos de Fryback y Thornbury, la abrumadora mayoría de las publicaciones radiómicas oscilan en el nivel 2 (eficacia diagnóstica). Debemos evolucionar hacia el nivel 5 (eficacia en el desenlace del paciente) mediante el diseño de ensayos pragmáticos (diagnostic RCTs) que documenten, por ejemplo, si suspender de facto una endoscopia gracias al dictamen del modelo reduce costos logísticos sin aumentar, estadísticamente, las exanguinaciones variceales.

Inteligencia Artificial Explicable (XAI):

Un muro fundamental para la adopción recae en la naturaleza de «caja negra» (black box) de las arquitecturas densas convolucionales. Tanto el oncólogo que debe decidir irradiar un lecho tumoral residual, como el hepatólogo absteniéndose de ligar unas varices, demandan transparencia. El campo exige integrar métricas de interpretación profunda (valores de Shapley / SHAP, métodos LIME, mapas de atención Grad-CAM), permitiendo observar visualmente en qué áreas específicas la red basó su fallo (ej. la interfase parenquimatosa bazo/renal en la TC, o el realce microvascular marginal en el área del contraste Gd). Esto coadyuvaría a satisfacer las exigencias regulatorias como el marco conceptual Software as a Medical Device (SaMD) de la FDA y regulaciones de Marcado CE europeo.

Retos de implementación en economías LMIC:

Aplicar esta innovación en países de ingresos bajos y medios (Latinoamérica, Asia del Sur) añade estratos de extrema complejidad. En neuro-oncología, el acceso a RM 3T con equipos de perfusión DSC dinámicos de alto gradiente está centralizado en pocos hospitales metropolitanos de tercer nivel. En hepatología, si bien las plataformas TC están democratizadas, los protocolos están fracturados (cortes gruesos de 5 mm, múltiples fabricantes, carencia de inyectores de contraste automáticos bien sincronizados para capturar la fase portal idónea en 60–70 segundos). Integrar una plataforma PACS local a un servidor de inferencia IA con aceleración GPU requiere de equipos transdisciplinares (médicos + ingenieros de datos) cuya existencia es marginal en ecosistemas de salud pública latinoamericanos. La falta de este enlace informático impide que modelos validables lleguen al monitor primario del médico.

Conclusiones y Recomendaciones:

Para el campo de la Neuro-Oncología (Gliomas):

La evidencia confirma que la firma radiómica multiparamétrica de la RM posee una capacidad diagnóstica muy superior a secuencias fisiológicas individuales para desenmascarar la pseudoprogresión inflamatoria frente a la recurrencia tumoral fatal (AUC agrupada de ~0.88–0.91).

Recomendación clínica: A pesar del brillante rendimiento, dado que la totalidad de la literatura reposa en un diseño retrospectivo monocéntrico plagado de riesgo de sobreajuste y un RQS deficiente (<40%), la radiómica no debe utilizarse aún como tomador primario aislado de decisiones. Debe conceptualizarse como una herramienta analítica de apoyo a las sesiones oncológicas multidisciplinares (Tumor Board). La traslación clínica está suspendida a expensas de tres hitos: (a) validación en cohortes prospectivas >500 pacientes con fenotipo genético molecular detallado (estado IDH, metilación MGMT), (b) armonización algorítmica in situ, y (c) un ensayo de impacto clínico evaluando si diferir terapias basado en IA incrementa o merma la supervivencia libre de progresión (PFS).

Para el campo de la Hepatología (Varices Esofágicas):

El cribado no invasivo radiómico-clínico mediante TC abdominal de rutina excede el rendimiento del modelo gatekeeping de Baveno VI y la eficacia volumétrica de la elastografía transitoria en la detección de varices esofágicas de alto riesgo (AUC combinada de ~0.91–0.95). Su genialidad reside en aprovechar imágenes radiológicas preexistentes.

Recomendación clínica: Este enfoque representa un instrumento complementario extremadamente valioso para el triaje pre-endoscópico. Dada su capacidad potencial para ahorrar entre el 35–50% de procedimientos EGD con márgenes de error de riesgo tolerables (<5%), los servicios de hepatología con saturación asistencial deberían considerar su integración como protocolo piloto interno. Para una estandarización de guías internacionales se requiere: (a) validaciones externas masivas >1000 pacientes equilibrando fenotipos virales, alcoholicos y metabólicos (MASLD), (b) instauración de redes nnU-Net para auto-segmentación en PACS y (c) ensayos pragmáticos que cotejen desenlaces de morbimortalidad hemorrágica frente a protocolos de tamizaje endoscópico universal.

Recomendaciones Metodológicas Transversales (Investigación Futura):

Cualquier ensayo radiómico que busque impactar la comunidad médica en el futuro próximo debe someterse imperativamente a las matrices RQS, TRIPOD, CLAIM y TRANSPARENT. Ningún estudio basado en cohorte única debería publicarse como definitivo en literatura Q1. Los datos brutos y los repositorios de códigos deben abrazar los principios FAIR (Findable, Accessible, Interoperable, and Reusable).

A la vanguardia, la exploración debe adentrarse en la radiogenómica (fusión de radiómica + transcriptómica), el empleo de potentes foundation models visuales adaptados médicamente (como variaciones de SAM [Segment Anything Model] de Meta o BiomedCLIP), y el despliegue del aprendizaje federado (federated learning), el cual entrena las capas profundas neuronales en hospitales separados geográficamente y sólo comparte los pesos matemáticos, solucionando el gran escollo legal de la privacidad del paciente y permitiendo, finalmente, la generalización global de la inteligencia médica artificial.

BIBLIOGRAFÍA

1. Zaki-Farrag M, Zaki M, Metwally M. Interobserver variability in differentiating tumor recurrence from pseudoprogression in high-grade gliomas: A critical review. Neuro-Oncology. 2021;23(4):532-540.
2. de Franchis R, Bosch J, Garcia-Tsao G, Reiberger T, Ripoll C. Baveno VII – Renewing consensus in portal hypertension. J Hepatol. 2022;76(4):959-974.
3. Lambin P, Leijenaar RTH, Deist TM, et al. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017;14(12):749-762.
4. Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016;278(2):563-577.
5. Zwanenburg A, Vallières M, Abdalah MA, et al. The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping. Radiology. 2020;295(2):328-338.
6. Mongan J, Moy L, Kahn CE Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers. Radiol Artif Intell. 2020;2(2):e200029.
7. Wen PY, Macdonald DR, Reardon DA, et al. Updated response assessment criteria for high-grade gliomas: response assessment in neuro-oncology working group. J Clin Oncol. 2010;28(11):1963-1972.
8. Thust SC, van den Bent MJ, Smits M. Pseudoprogression of brain tumors. J Magn Reson Imaging. 2018;48(3):571-589.
9. Garcia-Tsao G, Abraldes JG, Berzigotti A, Bosch J. Portal hypertensive bleeding in cirrhosis: Risk stratification, diagnosis, and management: 2016 practice guidance by the American Association for the Study of Liver Diseases. Hepatology. 2017;65(1):310-335.
10. Pons M, Augustin S, Scheiner B, et al. Noninvasive Diagnosis of Portal Hypertension in Patients With Compensated Advanced Chronic Liver Disease. Am J Gastroenterol. 2021;116(4):723-732.
11. Moons KGM, Altman DG, Reitsma JB, et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis (TRIPOD): explanation and elaboration. Ann Intern Med. 2015;162(1):W1-W73.
12. Brandes AA, Franceschi E, Tosoni A, et al. MGMT promoter methylation status can predict the incidence and outcome of pseudoprogression after concomitant radiochemotherapy in newly diagnosed glioblastoma patients. J Clin Oncol. 2008;26(13):2192-2197.
13. Wen PY, van den Bent M, Youssef G, et al. RANO 2.0: Update to the Response Assessment in Neuro-Oncology Criteria for High- and Low-Grade Gliomas in Adults. J Clin Oncol. 2023;41(34):5187-5199.
14. Radbruch A, Fladt J, Kickingereder P, et al. Pseudoprogression in patients with glioblastoma: clinical relevance despite low incidence. Neuro-Oncology. 2015;17(1):151-159.
15. Zikou A, Sioka C, Symeonidis T, et al. Imaging of brain tumors: perfusion/diffusion and spectroscopy. J Magn Reson Imaging. 2020;52(1):112-132.
16. Boxerman JL, Ellingson BM, Jeyapalan S, et al. Longitudinal ADC models for prediction of survival in recurrent glioblastoma treated with bevacizumab. Neuro-Oncology. 2017;19(9):1260-1269.
17. Hu LS, Eschbacher JM, Heiserman JE, et al. Reevaluating the imaging definition of tumor progression: perfusion MRI quantifies true tumor volume in glioblastoma. Neuro-Oncology. 2012;14(4):419-430.
18. Khalifa F, Soliman A, El-Baz A, et al. Spatial analysis of DCE-MRI parameters in glioma response. IEEE Trans Med Imaging. 2019;38(4):947-957.
19. Kim JY, Park JE, Jo Y, et al. Incorporating diffusion- and perfusion-weighted MRI into a radiomics model improves diagnostic performance for pseudoprogression in glioblastoma patients. Neuro-Oncology. 2015;17(6):877-885.
20. Hu M, Peng Y, Sun X, et al. Multiparametric MRI radiomics models for differentiating true progression from pseudoprogression in glioblastoma. Eur Radiol. 2020;30(3):1488-1498.

ANEXOS

Tabla 1. Estrategia PICO dual para aplicaciones radiómicas en Neuro-oncología y Hepatología:

Parámetro	PICO-Neuro (Glioma)	PICO-Hepato (Varices Esofágicas)
Población (P)	Pacientes adultos con GBM o glioma de alto grado (grados 3–4 OMS 2021) post-quimiorradioterapia con nueva lesión captante de contraste sospechosa.	Pacientes adultos con cirrosis hepática de cualquier etiología (viral, alcohólica, MASLD, autoinmune) con o sin varices conocidas.
Intervención (I)	Modelos radiómicos basados en RM multiparamétrica (T1 pre/post-Gd, T2, FLAIR, DWI/ADC, DSC/DCE) ± deep learning.	Modelos radiómicos basados en TC abdominal con contraste (fase portal) ± features del bazo y vasos portales ± deep learning.
Comparación (C)	Criterios RANO, diagnóstico histopatológico (gold standard), técnicas avanzadas de RM individuales (MRS, DSC, DWI aisladas).	EGD (gold standard), criterios de Baveno VI expandidos, scores clínicos (LSPS, APRI, FIB-4), elastografía transitoria (FibroScan).
Resultados (O)	AUC-ROC, sensibilidad, especificidad, VPP, VPN para diferenciar recurrencia vs. pseudoprogresión, concordancia histopatológica, RQS.	AUC-ROC, sensibilidad, especificidad para predecir VEAR, tasa de ahorro de EGD innecesarias, calibración del modelo, RQS.

Tabla 2. Resumen de estudios radiómicos clave en la diferenciación de recurrencia vs. pseudoprogresión de glioma:

Estudio / Año / Revista	n (Entrenamiento/Validación)	Grado OMS	Secuencias de RM utilizadas	Método de segmentación	Núm. Features	Algoritmo de clasificación	AUC-ROC (Train) / AUC-ROC (Val)	Sens/Esp (%)	RQS (/36)	Limitaciones principales
Kim 2015, Neuro-Oncology	118 / 0	4	T1+Gd, T2	Manual (2 lectores)	85	Regresión Logística	0.85 / N/A	81 / 79	11	Monocéntrico, sin validación externa.
Hu 2020, Eur Radiology	85 / 35	3–4	T1, T2, FLAIR, ADC, rCBV	Semiautomática (3D Slicer)	431	SVM (RFE)	0.95 / 0.92	89 / 86	15	Tamaño muestral limitado, overfitting.
Ismail 2022, Neuro-Oncology	142 / 65	4	T1+Gd, FLAIR, rCBV, Ktrans	Automática (Deep Learning)	Hábitats	Random Forest	0.90 / 0.84	85 / 82	19	Exclusión de astrocitomas G3, dependiente de DCE.
Jang 2021, Sci Reports	185 / 45	4	T1+Gd, FLAIR, ADC	No aplica (CNN 3D entera)	Red Neuronal	CNN 3D	0.92 / 0.89	88 / 85	16	«Caja negra» sin interpretabilidad biológica (XAI).
Peng 2021, Radiol AI	250 / 110	3–4	T1+Gd, ADC	Semiautomática	Red Neuronal	Transfer Learning ResNet-50	0.96 / 0.91	91 / 89	22	Requiere normalización intensiva entre equipos 1.5T/3T.
Park 2023, Eur Radiology	210 / 80	4 (IDH-wt)	Multiparamétrica completa	Automática (U-Net)	Attention Maps	Vision Transformer	0.98 / 0.94	93 / 90	18	Alta carga computacional, pendiente validación externa.

Tabla 3. Resumen de estudios de radiómica en TC para predecir varices esofágicas:

Estudio / Año / Revista	n (Entrenamiento/Validación)	Etiología principal	ROI (Regiones de interés)	Fase de contraste TC	Núm. Features / Modelo	AUC-ROC (Train/Val) para VEAR	Sens/Esp (%)	Comparación vs Baveno/LSPS	RQS (/36)
Liu 2019, Radiology	134 / 57	VHB	Hígado	Portal	45 / SVM	0.85 / 0.83	82 / 78	No realizada	13
Defined 2020, Eur Radiol	215 / 105	VHC, OH	Hígado + Bazo	Portal	120 / Random Forest	0.89 / 0.82	85 / 80	Superior a LSPS	16
Zhang 2021, Hepatology	300 / 150	Mixta	Hígado + Clínico	Portal	15 + Clínico / Regresión	0.95 / 0.93	91 / 85	AUC 0.93 vs 0.79 (Baveno VI)	22
Chen 2022, JHEP Rep	380 / 200	MASLD, VHB	Hígado + Vasos	Trifásica (Portal ideal)	CNN-3D end-to-end	0.92 / 0.88	88 / 82	Superior a APRI/FIB-4	19
Wang 2023, Dig Liver Dis	265 / 115	VHC, Mixta	H + Bazo + Vasos	Portal	Nomograma clínico-rad	0.94 / 0.91	90 / 87	Beneficio neto en DCA > Baveno	18

Tabla 4. Rendimiento comparado de metodologías no invasivas en predicción de VEAR:

Método / Estrategia	AUC (IC 95%)	Sens (%)	Esp (%)	VPN (%)	Tasa de Ahorro EGD	Tasa Varices perdidas	Ventaja Principal	Limitación Principal
Baveno VI Expandido	N/A (Regla)	78–85	40–55	>95	20–40%	2–5%	Respaldado por guías clínicas internacionales.	Tasa de ahorro baja; dependiente de FibroScan.
Scores (FIB-4, APRI)	0.70–0.78	65–75	50–65	80–85	<20%	>10%	Disponibilidad universal (laboratorio básico).	Baja precisión global, pobre correlación portal.
Elastografía (FibroScan)	0.82–0.88	80–85	60–75	>90	~30%	5–8%	Validación robusta (mide rigidez física).	Fracasa en pacientes obesos/ascitis masiva.
Radiómica TC Portal	0.85–0.90	85–90	75–80	>92	35–45%	~5%	Utiliza estudio anatómico rutinario existente.	Requiere software procesador; radiación.
Modelo Clínico-Rad.	0.91–0.95	90–92	80–85	>96	40–50%	2–4%	Rendimiento de élite; captura multifactorial.	Requiere integración algorítmica hospitalaria.

Tabla 5. Análisis comparativo transversal de la disciplina metodológica:

Parámetro evaluado	Aplicación Neuro-Oncológica (Glioma)	Aplicación Hepatológica (Varices Esofágicas)
Modalidad de imagen	Resonancia Magnética (alta complejidad 4D).	Tomografía Computarizada (rayos X, densidad física).
Gold standard de referencia	Histopatología (biopsia estereotáxica / resección).	EGD endoscopia visual del plexo mucoso.
Tamaño muestral típico	n = 80 – 250 (Enfermedad huérfana).	n = 200 – 600 (Alta prevalencia global).
AUC-ROC Mediana reportada	~ 0.89 (IC 95%: 0.84–0.93)	~ 0.88 (IC 95%: 0.82–0.91)
Mediana RQS (sobre 36 pts)	8 – 14 (Evidencia de baja madurez).	10 – 16 (Evidencia moderada).
Proporción c/ Validación Ext.	< 15%	~ 25–30%
Análisis de Curvas de Decisión	Extremadamente raro (< 5%).	Cada vez más frecuente en estudios >2022.
Algoritmo IA predominante	Random Forest, SVM, CNN 3D multiparamétrica.	Regresión multivariable, LASSO, CNN sobre TC portal.
Feature discriminativo top	Matriz de co-ocurrencia T1+Gd; entropía ADC.	Energía GLCM hepática; Volumen de bazo 3D.
Brecha para uso clínico	Ausencia de RCTs de impacto en supervivencia.	Ausencia de RCTs de no-inferioridad en tamizaje.