Los tumores cerebrales son uno de los tumores malignos más comunes del sistema nervioso central, con altas tasas de mortalidad y recurrencia. La radiómica extrae características cuantitativas de las imágenes médicas, convirtiéndolas en biomarcadores predictivos para el diagnóstico, pronóstico y análisis de supervivencia de los tumores. A pesar de la invasividad y heterogeneidad de los tumores cerebrales, incluso con un tratamiento oportuno, el tiempo de supervivencia global o la probabilidad de supervivencia no son necesariamente favorables. Por lo tanto, la predicción precisa del grado del tumor cerebral y los resultados de supervivencia es importante para el tratamiento personalizado. En este estudio, proponemos un modelo radiómico para la predicción no invasiva del grado del tumor cerebral y los resultados de supervivencia del paciente. Utilizamos cuatro secuencias de resonancia magnética (RM) de 159 pacientes con glioma. Se emplearon cuatro clasificadores según si se aplicaba la selección de características. Las características se derivaron de regiones de interés identificadas y corregidas manual o automáticamente. El modelo de aumento de gradiente extremo (XGB) con 3860 características radiómicas logró el mejor rendimiento de clasificación, con un AUC del 98.20%, al distinguir imágenes de LGG de GBM usando etiquetas corregidas manualmente. De manera similar, el modelo de Bosque Aleatorio (RF) muestra la mejor discriminación entre grupos de supervivencia a corto y largo plazo con un valor de p < 0.0003, un valor de riesgo (HR) de 3.24 y un intervalo de confianza del 95% (IC) de 1.63-4.43 basado en las características del ICC. Los hallazgos experimentales demuestran una fuerte precisión de clasificación y predicen efectivamente los resultados de supervivencia en pacientes con glioma.