Las características de textura pueden capturar patrones microestructurales y heterogeneidad tisular, desempeñando un papel fundamental en el análisis de imágenes médicas. En comparación con las características basadas en aprendizaje profundo, las características de textura ofrecen una interpretabilidad superior en aplicaciones clínicas. Sin embargo, dado que las características de textura convencionales se centran estrictamente en la información estadística a nivel de voxel, no logran tener en cuenta la heterogeneidad espacial crítica entre pequeños volúmenes de tejido, lo cual puede ser de gran importancia. Para superar esta limitación, proponemos nuevas características de textura basadas en parches 3D y desarrollamos un marco de análisis de radiómica para validar la eficacia de nuestras características propuestas. Específicamente, se crearon parches 3D a múltiples escalas para construir patrones de parches a través de agrupamiento k-means. Las imágenes de múltiples resoluciones se discretizaron en base a las etiquetas de los patrones, y luego se extrajeron características de textura para cuantificar la heterogeneidad espacial entre los parches. Se construyeron veinticinco modelos de combinación cruzada de cinco métodos de selección de características y cinco clasificadores. Nuestra metodología fue evaluada utilizando dos conjuntos de datos de resonancia magnética independientes. Específicamente, se incluyeron 145 pacientes con cáncer de mama para la predicción de metástasis en ganglios linfáticos axilares, y 63 pacientes con cáncer de cuello uterino para la predicción del subtipo histológico. Los resultados experimentales demostraron que las características de textura basadas en parches 3D propuestas lograron un AUC de 0.76 en la tarea de predicción de metástasis en ganglios linfáticos de cáncer de mama y un AUC de 0.94 en la predicción del subtipo histológico del cáncer de cuello uterino, superando a las características de textura convencionales (0.74 y 0.83, respectivamente). Nuestras características propuestas han capturado con éxito representaciones de textura a nivel de parche a múltiples escalas, lo cual podría mejorar la aplicación de biomarcadores de imagen en la predicción precisa de cánceres e intervenciones terapéuticas personalizadas.