Resumen
El avance de la inteligencia artificial ha revolucionado muchos campos, incluyendo la patología digital. La digitalización de biopsias en whole slide images de alta resolución ha permitido aplicar metodologías de aprendizaje profundo para ayudar en el diagnóstico, asistir a los patólogos e incluso reducir errores. Sin embargo, a pesar de su potencial, este campo sigue sujeto a retos importantes, tanto en lo que respecta a los datos como a la integración práctica de la inteligencia artificial en entornos clínicos. Superar estos obstáculos requiere abordar la complejidad de las imágenes histopatológicas de alta resolución, la escasez de datos de entrenamiento y la integración efectiva de estas herramientas en la práctica.
Estas limitaciones pueden verse aún más pronunciadas en el caso de enfermedades menos comunes, donde la investigación clínica es compleja y, a menudo, limitada. Cánceres poco comunes, como los tumores melanocíticos de Spitz, suponen dificultades adicionales debido a su baja incidencia y su difícil interpretación clínica, lo que complica tanto la investigación en este ámbito como la aplicación de métodos de inteligencia artificial.
Esta tesis aborda parte de estos desafíos mediante la exploración e implementación de diferentes estrategias de aprendizaje profundo adaptadas al contexto de la patología digital y sus retos, con un enfoque particular en los tumores de Spitz. En concreto, esta tesis investiga la aplicación de metodologías como el multiple instance learning, active learning, self-training y federated learning para mitigar los desafíos inherentes al campo de la patología digital, manteniendo un enfoque práctico hacia la integración clínica. Este trabajo, posicionado en la intersección entre la inteligencia artificial y los sistemas de información, busca sentar las bases para futuras investigaciones sobre los tumores de Spitz basadas en sistemas inteligentes.
