Resumen:
|
[ES] El cáncer de piel representa el grupo más común de neoplasias malignas en la población blanca. De hecho, en la actualidad, uno de cada tres cánceres diagnosticados es cáncer de piel. Aunque dos de los cánceres cutáneos ...[+]
[ES] El cáncer de piel representa el grupo más común de neoplasias malignas en la población blanca. De hecho, en la actualidad, uno de cada tres cánceres diagnosticados es cáncer de piel. Aunque dos de los cánceres cutáneos más comúnmente diagnosticados son el carcinoma de células basales y el de células escamosas, sin duda, el cáncer de piel más agresivo y peligroso es el melanoma. El melanoma cutáneo es una neoplasia agresiva, con un elevado riesgo metastásico y una extrema complejidad genética y biológica. En la mayoría de tumores melanocíticos, es posible una distinción patológica precisa entre benigno (nevus melanocítico) y maligno (melanoma). Sin embargo, existen neoplasias melanocíticas de difícil diagnóstico clínico debido a que poseen características morfológicas ambiguas. Un ejemplo de ello son los llamados ¿tumores spitzoides¿. Las neoplasias melanocíticas spitzoides son lesiones cutáneas poco frecuentes que constituyen problemas de diagnóstico para los dermotopatólogos. Estos tumores destacan por la proliferación de grandes melanocitos epitelioides o fusocelulares con grandes núcleos de cromatina vesicular y nucléolo prominente. La discrepancia entre su aspecto morfológico, histopatológico y su evolución supone un desafío en el diagnóstico. Esta discrepancia ha servido de estímulo para la realización de estudios moleculares que permitan comprender la biología y el comportamiento de las lesiones spitzoides. Entre estos estudios destaca la metilación del DNA, ya que es una marca distintiva en las lesiones melanocíticas y puede ser clave para su desarrollo y progresión metastásica, convirtiéndose en un marcador diagnóstico, pronóstico y terapéutico.
En el presente Trabajo Fin de Master (TFM) se pretende abordar el desarrollo de algoritmos automáticos de clasificación basados en deep learning con los que poder identificar las neoplasitas melanocíticas spitzoides benignas y malignas y realizar el pronóstico de aquellas con potencial maligno incierto, utilizando para ello los datos de metilación del ADN y sus imágenes histopatológicas correspondientes. Para llevar a cabo la clasificación en base a los datos de metilación del DNA, se emplearán algoritmos de reducción de la dimensionalidad, así como técnicas de clasificación supervisadas y no supervisadas. Por otro lado, las imágenes histopatológicas serán analizadas con redes neuronales convolucionales y se combinarán con los datos de metilación para el desarrollo de algoritmos de clasificación de lesiones melanocíticas.
[-]
[VL] El càncer de pell representa el grup més comú de neoplàsies malignes en la població blanca. De fet, en
l’actualitat, un de cada tres càncers diagnosticats és càncer de pell. Encara que dos dels càncers cutanis més ...[+]
[VL] El càncer de pell representa el grup més comú de neoplàsies malignes en la població blanca. De fet, en
l’actualitat, un de cada tres càncers diagnosticats és càncer de pell. Encara que dos dels càncers cutanis més comunament diagnosticats són el carcinoma de cèl·lules basals i el de cèl·lules escatoses, sens
dubte, el càncer de pell més agressiu i perillós és el melanoma. El melanoma cutani és una neoplàsia
agressiva, amb un elevat risc metastásico i una extrema complexitat genètica i biològica. En la majoria
de tumors melanocítics, és possible una distinció patològica precisa entre benigne (nevus melanocític) i
maligne (melanoma) . No obstant això, hi ha neoplàsies melanocitiques de difícil diagnòstic clínic pel
fet que posseïxen característiques morfològiques ambigües. Un exemple d’això són els cridats tumors
spitzoides. Les neoplàsies melanocíticas spitzoides són lesions cutànies poc freqüents que constituïxen
problemes de diagnòstic per als dermatopatólegs. Estos tumors destaquen per la proliferació de grans
melanòcits epitelioides o fusocelulares amb grans nuclis de cromatina vesicular i nuclèol prominent. La
discrepància entre el seu aspecte morfològic histopatológic i la seua evolució suposa un desafiament en
el diagnòstic. Esta discrepància ha servit d’estímul per a la realització d’estudis moleculars que permeten comprendre la biologia i el comportament de les lesions spitzoides. Entre estos estudis destaca la
metilación del ADN, ja que és una marca distintiva en les lesions melanocíticas i pot ser clau per al seu
desenrotllament i progressió metastásica, convertint-se en un marcador diagnòstic, pronòstic i terapèutic.
En el present Treball Fi de Màster (TFM) es pretén abordar el desenrotllament d’algoritmes automàtics de classificació basats en deep learning amb els que poder identificar les neoplasitas melanocítics
spitzoides benignes i malignes i realitzar el pronòstic d’aquelles amb potencial maligne incert utilitzant
les dades de metilación de l’ADN i les seues imatges histopatológques corresponents. Per a dur a terme
la classificació basant-se en les dades de metilación del ADN s’empraran algoritmes de reducció de la
dimensionalitat, així com tecniques de classificació supervisades i no supervisades. D’altra banda, les
imatges histopatológicas seran analitzades amb xarxes neuronals convolucionals i es combinaran amb
les dades de metilació per al desenrotllament d’algoritmes de classificació de lesions melanocítics.
[-]
[EN] Skin cancer represents the most common group of malignant neoplasms in the white population. In fact,
one in three cancers diagnosed today is skin cancer. Although two of the most commonly diagnosed skin
cancers are ...[+]
[EN] Skin cancer represents the most common group of malignant neoplasms in the white population. In fact,
one in three cancers diagnosed today is skin cancer. Although two of the most commonly diagnosed skin
cancers are basal cell carcinoma and squamous cell carcinoma, without a doubt, the most aggressive and
dangerous skin cancer is melanoma. Skin melanoma is an aggressive neoplasm with a high metastatic
risk and extreme genetic and biological complexity. In most melanocytic tumors, a precise pathological
distinction between benign (melanocytic nevus) and malignant (melanoma) is possible. However, there
are melanocytic neoplasms that are difficult to clinically diagnose because of their ambiguous morphological characteristics. An example of this is the so-called "spitzoid tumours". Spitzoid melanocytic
neoplasms are rare skin lesions that are diagnostic problems for dermatologists. These tumors are characterized by the proliferation of large epithelioid or fusocellular melanocytes with large nuclei of vesicular
chromatin and prominent nucleolus. The discrepancy between their histopathological morphology and
their evolution poses a diagnostic challenge. This discrepancy has stimulated molecular studies to understand the biology and behaviour of spitzoid lesions. Among these studies, DNA methylation stands
out, since it is a distinctive mark in melanocytic lesions and it can be key to their development and
metastatic progression, becoming a diagnostic, prognostic and therapeutic marker.
In the present Master’s Degree thesis (TFM), I intend to address the development of automatic classification algorithms based on deep learning to identify benign and malignant spitzoid melanocytic neoplasms
and to make the prognosis of those with uncertain malignant potential using DNA methylation data and
its corresponding histopathological images. To carry out the classification based on the DNA methylation data, dimensionality reduction algorithms as well as supervised and unsupervised classification
techniques will be used. Additionally, the histopathological images will be analyzed with convolutional neural networks and combined with the methylation data to develop classification algorithms for
melanocytic lesions.
[-]
|