La segmentación precisa de tumores cerebrales en imágenes de resonancia magnética (IRM) sigue siendo una tarea desafiante debido a las estructuras tumorales heterogéneas, las intensidades variables entre modalidades y la limitada disponibilidad de datos anotados. El aprendizaje profundo ha avanzado significativamente en la precisión de la segmentación; sin embargo, a menudo sufre de sensibilidad a la configuración de hiperparámetros y de una generalización limitada. Para superar estos desafíos, se han empleado cada vez más algoritmos metaheurísticos inspirados en la biología para optimizar diversas etapas del proceso de aprendizaje profundo, incluyendo la sintonización de hiperparámetros, el preprocesamiento, el diseño arquitectónico y la modulación de la atención. Esta revisión examina sistemáticamente los desarrollos desde 2015 hasta 2025, centrándose en la integración de métodos de optimización inspirados en la naturaleza, como la Optimización por Enjambre de Partículas (PSO), el Algoritmo Genético (GA), la Evolución Diferencial (DE), el Optimizador de Lobo Gris (GWO), el Algoritmo de Optimización de Ballenas (WOA) y nuevos híbridos como CJHBA y BioSwarmNet en marcos de segmentación de tumores cerebrales basados en aprendizaje profundo. Se ejecutó una estrategia de búsqueda estructurada de múltiples consultas utilizando Publish or Perish a través de las bases de datos de Google Scholar y Scopus. Siguiendo las directrices de PRISMA, se revisaron 3895 registros mediante filtrado automatizado y verificaciones manuales de elegibilidad, lo que dio como resultado un conjunto curado de 106 estudios primarios. A través de mapeo bibliométrico, síntesis metodológica y análisis de rendimiento, destacamos tendencias en el uso de algoritmos, dominios de aplicación (por ejemplo, preprocesamiento, búsqueda arquitectónica) y resultados de segmentación medidos por métricas como el Coeficiente de Similitud de Dice (DSC), el Índice de Jaccard (JI), la Distancia de Hausdorff (HD) y ASSD. Nuestros hallazgos demuestran que la optimización inspirada en la biología mejora significativamente la precisión y robustez de la segmentación, particularmente en configuraciones multimodales que involucran modalidades FLAIR y T1CE. La revisión concluye identificando direcciones de investigación emergentes en optimización híbrida, aplicabilidad clínica en tiempo real y IA explicable, proporcionando una hoja de ruta para futuras exploraciones en este dominio interdisciplinario.