Objetivo (1): Desarrollar y validar un modelo de aprendizaje automático (ML) utilizando características radiómicas (RFs) extraídas de PET-CT [18F]FDG para predecir la tasa de crecimiento del aneurisma aórtico abdominal (AAA). Métodos (2): Este estudio retrospectivo incluyó 98 pacientes internos y 55 pacientes externos con AAA sometidos a PET-CT [18F]FDG. Las RFs fueron extraídas de segmentaciones manuales de los AAAs utilizando PyRadiomics. La eliminación recursiva de características (RFE) redujo las características para la optimización del modelo. Se desarrolló un perceptrón multicapa (MLP) para la predicción del crecimiento del AAA y se comparó con Random Forest (RF), XGBoost y Máquina de Vectores de Soporte (SVM). La precisión fue evaluada mediante validación cruzada, con incertidumbre cuantificada usando dropout (MLP), desviación estándar (RF) e intervalos de predicción del 95% (XGBoost). La validación externa utilizó datos independientes de dos centros. Las tasas de crecimiento de verdad fueron calculadas a partir de mediciones de ultrasonido (US) seriadas o volúmenes de CT. Resultados (3): De las 93 RFs iniciales, quedaron 29 después de RFE. El modelo MLP logró un MAE +/- SEM de 1.35 +/- 3.2e-4 mm/año con el conjunto completo de características y 1.35 +/- 2.5e-4 mm/año con RFE. La validación externa produjo 1.8 +/- 8.9e-8 mm/año. Los modelos RF, XGBoost y SVM produjeron precisiones comparables internamente (1.4-1.5 mm/año) pero mostraron mayores errores durante la validación externa (1.9-1.97 mm/año). El modelo MLP demostró una reducción de la incertidumbre con el conjunto completo de características en todos los conjuntos de datos. Conclusiones (4): Un modelo MLP que aprovecha la radiómica de PET-CT [18F]FDG predijo con precisión las tasas de crecimiento de AAA y se generalizó bien a datos externos. En el futuro, una estratificación más sofisticada podría guiar la atención individualizada del paciente, facilitando la gestión adaptada al riesgo de los AAAs.