Artículo original: Tortora M, Ayres A, Fazio Ferraciolli S. Artificial Intelligence and Radiogenomics for Pediatric CNS Neoplasms. Neuroimag Clin N Am 36 (2026) 185–196.
DOI: https://doi.org/10.1016/j.nic.2025.09.003.
Sociedad: American College of Radiology (@RadiologyACR)
Palabras clave: N/A
Abreviaturas y acrónimos utilizados: AI (Artificial Intelligence); CNN (Convolutional Neural Network), CNS (Central Nervous System); ctDNA (circulating tumor DNA); DL (Deep Learning); GAN (Generative adversial network); hER (electronic health record);IBSI (Image Biomarker Standardization Initative); ML (Machine Learning); MRI (Resonancia Magnética); NGS (Next-Generation Sequencing); XAI (explainable AI); WHO (World Health Organization).
Línea editorial: El artículo revisado forma parte de un número monográficode la revista Neuroimaging of Clinics of North America, una revista internacional de publicación periódica cuatro veces al año (febrero, mayo, agosto y noviembre). La revista tiene una orientación fundamentalmente docente y traslacional. Cada número se estructura en torno a un tema monográfico específico, abordado por expertos en la materia, que permite una revisión profunda y actualizada de un amplio espectro de áreas dentro de la neurorradiología. Este enfoque convierte a la revista en una herramienta de referencia tanto para la formación continuada como para la actualización de los profesionales. Actualmente, la revista presenta un factor de impacto de 2.1 y un CiteScore de 4.1, lo que refleja su relevancia y visibilidad dentro del ámbito de la neurorradiología especializada.
El número de febrero de 2026, consta de 20 artículos, que revisan las actualizaciones sobre tumores cerebrales y espinales en pediatría. En concreto, el artículo seleccionado se centra en la aplicación de nuevas tecnologías avanzadas en neurorradiología, con especial énfasis en la inteligencia artificial, el análisis cuantitativo de la imagen y su integración con datos clínicos y moleculares. Entre ellas también destacan trabajos como l Pediatric Diffuse Low Grade Gliomas Radiology, Symptoms, Treatment, and Molecular Pathways y Central Nervous System Embryonal Tumor, que complementan el artículo seleccionado al proporcionar una visión más específica de entidades tumorales concretas.
Motivos para la selección: He seleccionado este artículo por tratar un tema de máxima actualidad e interés creciente en radiología, como es la integración de la inteligencia artificial y de la radiogenómica en el manejo de los tumores del sistema nervioso central (SNC) pediátricos. Además, aborda un campo especialmente relevante en la práctica clínica actual, donde la clasificación molecular de los tumores tiene un papel central y la imagen puede contribuir de forma no invasiva al diagnóstico, pronóstico y planificación terapéutica.
Resumen:
El artículo revisa de forma exhaustiva el papel emergente de la inteligencia artificial (IA) y la radiogenómica en la evaluación de las neoplasias del sistema nervioso central (SNC) en la población pediátrica, un campo en rápida evolución dentro de la neurorradiología. Los autores parten del contexto actual, en el que la clasificación de los tumores del SNC, especialmente tras las últimas actualizaciones de la Organización Mundial de la Salud (OMS) (5ª edición), se basa de manera creciente en criterios moleculares y genéticos, siendo el diagnóstico histopatológico insuficiente, lo que ha incrementado la necesidad de herramientas diagnósticas complementarias no invasivas. En este contexto, la radiómica y la radiogenómica emergen como enfoques clave.
A lo largo del artículo se describen los fundamentos de la IA aplicada a la imagen médica, diferenciando entre técnicas de machine learning y deep learning, y se explica cómo estas metodologías permiten extraer un gran número de características cuantitativas (forma, textura, intensidad, relaciones espaciales) de las imágenes de resonancia magnética, proceso conocido como radiómica. Estas características pueden correlacionarse posteriormente con datos genómicos y moleculares específicos del tumor, no apreciables mediante la evaluación visual subjetiva de las imágenes, dando lugar al enfoque radiogenómico. Por tanto, la radiogenómica se presenta como un campo interdisciplinar cuyo objetivo es vincular el fenotipo radiológico con el genotipo tumoral. En el contexto pediátrico, este enfoque resulta especialmente relevante debido a la heterogeneidad biológica de los tumores, donde la obtención del tejido puede ser limitada, y a la necesidad de minimizar procedimientos invasivos.
La radiogenómica se basa en un flujo de trabajo estructurado:
- Adquisición de imágenes de alta calidad mediante RM multiparamétrica (secuencias potenciadas en T1, T2, FLAIR, difusión, susceptibilidad magnética y perfusión).
- Segmentación tumoral, manual o automatizada, esencial para la planificación del tratamiento y seguimiento.
- Extracción de características radiómicas (forma, textura, intensidad, relaciones espaciales).
- Integración con datos moleculares (NGS, metilación, ctDNA).
- Modelado estadístico o mediante IA para predecir alteraciones genéticas o desenlaces clínicos.
Las principales aplicaciones clínicas potenciales de estas técnicas incluyen la predicción no invasiva del subtipo molecular, la estimación del grado tumoral, la diferenciación entre entidades con características radiológicas superpuestas y la evaluación pronóstica. Los autores subrayan que estas herramientas podrían contribuir a una mejor estratificación del riesgo, optimizando la planificación terapéutica y en el seguimiento, con especial atención a la posibilidad de monitorizar la respuesta al tratamiento y detectar recurrencias de forma precoz, reduciendo la necesidad de procedimientos invasivos repetidos.
Valoración personal:
Este artículo me resulta especialmente interesante por su enfoque actual e integrador, que combina una descripción clara de los fundamentos técnicos con una visión clínica realista. Me ha gustado que no se limite a presentar la inteligencia artificial como una herramienta disruptiva, sino como un complemento al juicio del radiólogo, con potencial para mejorar la caracterización tumoral en un contexto tan complejo como el pediátrico.
Entre sus puntos fuertes destaca la claridad expositiva y la adecuada contextualización de la radiogenómica, para ser un tema tan complejo. Además, el enfoque en población pediátrica aporta un valor añadido, dado que se trata de un grupo menos representado en la literatura y con necesidades diagnósticas específicas.
Como principales limitaciones, el propio artículo reconoce la escasez de estudios con validación multicéntrica y el reducido tamaño de las muestras, lo que limita la generalización de los resultados. Asimismo, la implementación clínica de estas técnicas sigue siendo compleja, tanto por la falta de estandarización de adquisición y procesamiento.
Abre la puerta a investigaciones futuras, siendo deseable avanzar hacia estudios prospectivos, con protocolos de imagen homogéneos y una integración más directa de los modelos de IA en el flujo de trabajo clínico. También resulta interesante plantear el papel del radiólogo como intermediario clave en la interpretación y validación de estos modelos, evitando una dependencia excesiva de herramientas automatizadas y garantizando una aplicación segura y responsable en la práctica diaria.
Ángela Guitián Pinilla
Hospital Universitario Marqués de Valdecilla (Cantabria), R3
cbseram.com 
Deja un comentario