Radiómica y PET dinámico van más allá de la intensidad: cuantifican la heterogeneidad del tumor y su comportamiento en el tiempo. Potentes, y todavía en gran parte terreno de investigación.
Hasta aquí hemos medido cuánto capta un tumor y qué volumen ocupa. Las métricas de alto orden preguntan otra cosa: cómo se distribuye esa captación, es decir su heterogeneidad, y cómo cambia en el tiempo. Son el frente más activo de la cuantificación en PET y, también, el que exige más cautela al interpretar.
Radiómica: textura y heterogeneidad
La radiómica convierte la imagen en cientos de descriptores cuantitativos. Se agrupan en features de forma (shape), de primer orden (estadística del histograma de intensidades) y de textura de orden superior, que capturan patrones espaciales. Las matrices de textura más usadas son la de co-ocurrencia de niveles de gris (GLCM), la de longitud de racha (GLRLM), la de zona de tamaño (GLSZM), la de diferencia de tono de gris de vecindad (NGTDM) y la de dependencia de nivel de gris (GLDM). El interés clínico es que la heterogeneidad intratumoral se asocia a agresividad biológica, pronóstico y respuesta al tratamiento, información que la intensidad promedio no revela.
El problema de la reproducibilidad
Las features de textura son muy sensibles a la adquisición, la reconstrucción, la segmentación y la discretización de la imagen. Esa sensibilidad genera baja reproducibilidad entre software y entre centros, y ha sido el principal freno para su uso clínico. La respuesta de la comunidad es la Image Biomarker Standardisation Initiative (IBSI): su primer capítulo (Radiology, 2020) estandarizó ciento sesenta y nueve features, un flujo de procesamiento de referencia y guías de reporte; el segundo capítulo estandarizó los filtros convolucionales. Cumplir IBSI es hoy un requisito de calidad. Aun así, conviene ser honesto: la radiómica sigue siendo mayoritariamente investigación, y sus modelos exigen validación externa antes de trasladarse a la decisión clínica.
PET dinámico e imagen paramétrica
Un estudio estático entrega un SUV en un instante. Un estudio dinámico adquiere múltiples fotogramas a lo largo del tiempo y permite modelar la cinética del trazador. Para trazadores irreversibles como el FDG, el análisis gráfico de Patlak estima la constante Ki, la tasa neta de influjo del FDG, que es relativamente independiente del tiempo de captación y por tanto más robusta que el SUV en ciertos escenarios. Los modelos compartimentales y la imagen paramétrica (un mapa vóxel a vóxel de parámetros como Ki) extienden esta idea a toda la imagen. La ventaja es que detectan cambios que el SUV estático no captura; el costo es la mayor complejidad, el tiempo de adquisición y la disponibilidad limitada.
Inteligencia artificial
La combinación de radiómica con aprendizaje automático se explora para predecir pronóstico y respuesta. Su promesa es real, pero depende de las mismas condiciones: cumplimiento de IBSI, tamaños de muestra adecuados y validación externa. Sin ellas, el riesgo de sobreajuste convierte un modelo aparentemente bueno en uno que no generaliza.
En la práctica
Hoy la radiómica y el PET dinámico viven sobre todo en investigación y ensayos, con adopción creciente en centros de referencia. Para el médico referidor, el mensaje operativo es doble: interprete los hallazgos de textura como orientadores, no como estándar, y valore que Patlak y la imagen paramétrica pueden aportar robustez donde el SUV estático flaquea.
Perlas clínicas
- La radiómica todavía no es estándar clínico: exija cumplimiento de IBSI y validación externa antes de darle peso.
- El análisis de Patlak (Ki) es más robusto que el SUV frente a variaciones del tiempo de captación.
- La heterogeneidad medida por textura puede anticipar respuesta antes que las métricas convencionales.
Referencias
- Zwanenburg A, et al. The Image Biomarker Standardization Initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295(2):328–338. PubMed
- Whybra P, et al. The Image Biomarker Standardization Initiative: standardized convolutional filters for radiomics. Radiology. 2024. PubMed
- Patlak CS, Blasberg RG, Fenstermacher JD. Graphical evaluation of blood-to-brain transfer constants from multiple-time uptake data. J Cereb Blood Flow Metab. 1983;3(1):1–7. PubMed
- Dimitrakopoulou-Strauss A, Pan L, Sachpekidis C. Kinetic modeling and parametric imaging with dynamic PET. Eur J Nucl Med Mol Imaging. 2021;48(1):21–39. PubMed
Referencias con fines educativos; confirme siempre la versión vigente de cada guía y la normativa local.
¿Deriva pacientes para PET/CT?
Coordino estudios e interpretación con reporte cuantitativo estandarizado.
Contactar (WhatsApp)Próximo clúster, bases de lectura: captación fisiológica normal, fusión PET/CT y corrección de atenuación.