Una vegada descoberts els símptomes que sugereixen risc de càncer, especialment quan existeixen factor de risc genetics o ambientals, l'exploració no-invasiva del cos del pacient està indicada per a confirmar la pressènsia d'un tumor, i si es positiva, indicar el diagnòstic i estat pel qual aquest ha progressat.

L'anàlisi sistèmic de les dades biomédiques dels pacients des de differents nivells biologics obre amplies expectatives en el procés de la toma de decisions mediques.
Les noves tecnologíes biomèdiques permitixen la interpretació de l'origen de les afeccions que sufrixen els pacients, traslladant el paradigma de decisió cap a la medicina basada en la evidència.

Aquest increment de técniques innovadores d'acquisició de dades biomédiques, fa complexa la accesibilitat a l'ús clínic.
És comprensible l'interès en el desenvolupament de mètodes de processament i modelatge automàtic que assistisquen objectivament als experts a interpretar les dades biomèdiques durant el flux de decisions adoptades per als diagnòstics, pronòstics o tractaments de nous pacients.

Aquesta Tesi centra la seua atenció en l'ajuda assistida per ordinador al diagnòstic del càncer. L'objectiu del nostre estudi és obtenir uns resultats d'alt encert en classificació, que oferisquen transparència en la seua interpretació mitjançant coneixement mèdic i capacitat de generalització en la seua aplicació en pacient multicéntrics estudiats amb posterioritat. Els aspectes tècnics coberts en aquesta Tesi inclouen el processament, modelatge, extracció de característiques, i combinació de dades biomèdiques; així com la inferència i avaluació de models predictius d'aquestes dades i la integració dels models predictius en sistemes d'ajuda a la decisió per a entorns clínics. Concretament, aquests punts s'aborden per a dos problemes mèdics: el diagnòstic de Tumors de Parts Blanes (TPB), i, especialment, el diagnòstic de Tumors Cerebrals (TC). 

En els desenvolupaments realitzats per al problema de TPB es va arribar a una alta eficàcia en la classificació basada en Reconeixement de Formes de tumors segons el seu caràcter benigne o maligne. Els classificadors desenvolupats poden ser útils per als serveis de radiologia a l'hora de confirmar el diagnòstic de nous pacients, estudiar casos sospitosos, i assistir a la preparació de radiòlegs novells en aquest tipus de tumors. Un sistema d'ajuda a la decisió especialitzat per al problema de TPB va ser dissenyat i implementat sobre la base dels classificadors apresos a partir d'una base de dades multicéntrica. 

Les contribucions d'aquesta Tesi a l'estudi de Tumors Cerebrals inclouen l'anàlisi de senyals biomèdics in-viu i ex-viu del pacient. Una nova aproximació per a la combinació d'Espectres de Ressonància Magnètica (ERM) adquirits per a un mateix pacient amb diferents temps d'eco (ET curt i ET llarg) ha estat proposada. En els nostres estudis, es van trobar diferències significatives a l'usar l'ET curt, l'ET llarg o la combinació d'ambdues adquisicions com entrada dels mètodes predictius. Paral·lelament, un model probabilístic de mixtures ha estat proposat per a la caracterització de ERM de ET curt, així com la seua estimació basada en l'algorisme EM per a dades apariats i truncats. Aquesta nova aproximació utilitza la informació coneguda de ressonància de les substàncies químiques mitjançant un model de distribucions gausianas univariables de mitjanes conegudes respecte a un desplaçament global. La discriminació de TC basada en l'espai paramètric del model probabilístic de mixtures va obtenir una alta eficàcia, i la combinació dels espais paramètrics dels ERM de diferent temps d'eco és una alternativa per a traure profit d'ambdues adquisicions en l'ajuda al diagnòstic. Seguint amb els objectius proposats en la Tesi, s'ha realitzat una avaluació dels models de reconeixement de formes amb la finalitat de demostrar que classificadors entrenats amb pacients explorats amb diferents màquines de RM situades en diferents centres mèdics seguint un mateix protocol d'adquisició, prediuen amb una bona eficàcia dades adquirides amb posterioritat per part de múltiples centres parcialment diferents. Aquests resultats consoliden les conclusions d'un gran nombre d'estudis prèviament presentats en la literatura, i han resultat d'utilitat per a la validació i revisió de casos amb patrons anormals de la base de dades del projecte europeu eTUMOUR. Pel que fa a la classificació de TC mitjançant dades ex-viu, s'ha realitzat una prova de concepte mitjançant expressió genètica per a discriminar biòpsies de tumors dels tipus glioblastoma i meningioma. Els resultats obtinguts estan d'acord amb la clara diferenciació que es coneix sobre la base de la biologia i la patologia de les dues estirps tumorales. 


Les conclusions i desenvolupaments d'aquesta Tesi Doctoral s'han aplicat directament als resultats del projecte eTUMOUR (Web accessible MR decision support system for brain tumour diagnosi and prognosis, incorporating in vivo and ex viu genomic and metabolomic data, 2004-2009), i als resultats del projecte HEALTHAGENTS (Agent-based Distributed Decision Support System for Brain Tumour Diagnosi and Prognosis, 2006-2008) del 6e Programa Marc de la UE. Sobre la base de les conclusions científiques en TC obtinguts en aquest estudi s'han desenvolupat dos sistemes d'ajuda a la decisió per a rutines clíniques. Una interfície genèric per a la incorporació de nous models predictius al sistema d'ajuda a la decisió ha estat desenvolupat i integrat en eTUMOUR i, en el projecte HEALTHAGENTS, s'ha desenvolupat una xarxa d'ajuda a la decisió de TC mitjançant sistemes multiagent.