Una vez descubiertos los síntomas que sugieren la aparición de cáncer, especialmente cuando existen factores de riesgo genéticos o ambientales, está indicado llevar a cabo la exploración no-invasiva del cuerpo del paciente para confirmar o rechazar la presencia de un tumor, y si es positiva, indicar el diagnóstico y estado al cual éste ha progresado.

El análisis sistémico de datos biomédicos procedentes de diferentes niveles biológicos abre amplias expectativas en el proceso de toma de decisiones médicas.
Las nuevas tecnologías biomédicas permiten la interpretación del origen de las afecciones que sufren los pacientes, trasladando el paradigma de decisión hacia la medicina basada en la evidencia.

Este incremento de técnicas innovadoras de adquisición de datos biomédicos, hacen compleja su accesibilidad al uso clínico. 
Es comprensible el interés en el desarrollo de métodos de procesamiento y modelado automático que asistan objetivamente a los expertos a interpretar los datos biomédicos durante el flujo de decisiones adoptadas para los diagnósticos, pronósticos o tratamientos de nuevos pacientes.

Esta Tesis centra su atención en la ayuda al diagnóstico del cáncer asistida por ordenador.
El objetivo de nuestro estudio es obtener unos resultados de alto acierto en clasificación, que ofrezcan transparencia en su interpretación mediante conocimiento médico y capacidad de generalización cuando se aplican a pacientes procedentes de múltiples centros estudiados con posterioridad.
Los aspectos técnicos cubiertos en esta Tesis incluyen el procesamiento, modelado, extracción de características, y combinación de datos biomédicos;
así como la inferencia y evaluación de modelos predictivos de dichos datos y la integración de los modelos predictivos en sistemas de ayuda a la decisión para entornos clínicos.
Concretamente, estos puntos se abordan para dos problemas médicos: el diagnóstico de Tumores de Partes Blandas (TPB) y, especialmente, el diagnóstico de Tumores Cerebrales (TC).

En los desarrollos realizados para el problema de TPB con hallazgos de imagen se alcanzó una alta eficacia en la clasificación basada en Reconocimiento de Formas de tumores según su carácter benigno o maligno.
Los clasificadores desarrollados pueden ser útiles para los servicios de radiología a la hora de confirmar el diagnóstico de nuevos pacientes, estudiar casos sospechosos, y asistir a la preparación de radiólogos noveles en este tipo de tumores.
Un sistema de ayuda a la decisión especializado para el problema de TPB fue diseñado e implementado a partir de los clasificadores aprendidos a partir de una base de datos multicéntrica.

Las contribuciones de esta Tesis al estudio de Tumores Cerebrales incluyen el análisis  de señales biomédicas in-vivo y ex-vivo del paciente.
Ha sido propuesta una nueva aproximación para la combinación de Espectros de Resonancia Magnética (ERM) adquiridos para un mismo paciente con diferentes tiempos de eco (TE corto y TE largo) ha sido propuesta. En nuestros estudios, se encontraron diferencias significativas al usar el TE corto, el TE largo o la combinación de ambas adquisiciones como entrada de los métodos predictivos.
Paralelamente,  ha sido propuesto un modelo probabilístico de mixturas
 para la caracterización de ERM de TE corto, así como su estimación basada en el algoritmo EM para datos pareados y truncados.
Esta nueva aproximación utiliza la información conocida de resonancia de las sustancias químicas mediante un modelo de distribuciones gausianas univariables de medias conocidas respecto a un desplazamiento global.
La discriminación de TC basada en el espacio paramétrico del modelo probabilístico de mixturas obtuvo una alta eficacia, y la combinación de los espacios paramétricos de los ERM de diferente tiempos de eco es una alternativa para sacar provecho de ambas adquisiciones en la ayuda al diagnóstico.
Siguiendo con los objetivos propuestos en la Tesis, se ha realizado una evaluación de los modelos de reconocimiento de formas con el fin de demostrar que clasificadores entrenados con pacientes explorados con diferentes máquinas de RM situadas en diferentes centros médicos siguiendo un mismo protocolo de adquisición, predicen con una buena eficacia datos adquiridos con posterioridad por parte de múltiples centros parcialmente diferentes.
Estos resultados consolidan las conclusiones de un gran número de estudios previamente presentados en la literatura, y han resultado de utilidad para la validación y revisión de casos con patrones anormales de la base de datos del proyecto europeo eTUMOUR.
Con respecto a la clasificación de TC mediante datos ex-vivo, se ha realizado una prueba de concepto mediante expresión genética para discriminar biopsias de tumores de los tipos glioblastoma y meningioma. 
Los resultados obtenidos están en consonancia con la clara diferenciación que se conoce por la biología y la patología de las dos estirpes tumorales.

Las conclusiones y desarrollos de esta Tesis Doctoral se han aplicado directamente a los resultados del proyecto eTUMOUR (Web accessible MR decision support system for brain tumour diagnosis and prognosis, incorporating in vivo and ex vivo genomic and metabolomic data, 2004-2009), y a los resultados del proyecto HEALTHAGENTS (Agent-based Distributed Decision Support System for Brain Tumour Diagnosis and Prognosis, 2006-2008) del 6º Programa Marco de la UE. 
A partir de las conclusiones científicas en TC obtenidas en este estudio se han desarrollado dos sistemas de ayuda a la decisión para rutinas clínicas.
Se ha desarrollado e integrado en eTUMOUR un interfaz genérico para la incorporación de nuevos modelos predictivos al sistema de ayuda a la decisión y, en el proyecto HEALTHAGENTS, se ha desarrollado una red de ayuda a la decisión de TC mediante sistemas multiagente.