El uso de métodos de aprendizaje profundo en imágenes médicas ha logrado ofrecer resultados prometedores; sin embargo, el éxito de dichos modelos depende en gran medida de conjuntos de datos grandes y adecuadamente anotados. La anotación de imágenes médicas es un proceso laborioso, costoso y que consume mucho tiempo. Esta dificultad se incrementa para la etiqueta de estado de mutaciones ya que estas requieren exámenes adicionales (generalmente biopsias) para ser obtenidas. Por otro lado, las imágenes en bruto, sin anotaciones, se recopilan de manera extensa como parte de la rutina clínica. Este trabajo investigó métodos que podrían mitigar el problema de escasez de datos etiquetados utilizando tanto datos etiquetados como no etiquetados para mejorar la eficiencia de los modelos predictivos. Se desarrolló un enfoque de aprendizaje semisupervisado (SSL) para predecir el estado de mutación del receptor del factor de crecimiento epidérmico (EGFR) en cáncer de pulmón de una manera menos invasiva utilizando escáneres CT 3D. El enfoque propuesto consiste en combinar un autoencoder variacional (VAE) y explotar el poder del entrenamiento adversarial, con la intención de que las características extraídas de los datos no etiquetados para discriminar imágenes puedan ayudar en la tarea de clasificación. Para incorporar imágenes etiquetadas y no etiquetadas, se utilizó entrenamiento adversarial, ampliando un autoencoder variacional tradicional. Con el método desarrollado, se logró un AUC promedio de con el modelo de mejor rendimiento, con solo de los datos de entrenamiento etiquetados. Este enfoque SSL mejoró la capacidad de discriminación en casi 7 puntos porcentuales en comparación con un modelo completamente supervisado desarrollado con la misma cantidad de datos etiquetados, confirmando la ventaja de utilizar tales métodos cuando hay pocos ejemplos anotados disponibles.