A lo largo de las últimas décadas, la disponibilidad cada vez mayor de grandes cantidades de información biomédica ha potenciado el desarrollo de herramientas que permiten extraer e inferir conocimiento. El aumento de tecnologías biomédicas que asisten a los expertos médicos en sus decisiones ha contribuido a la incorporación de un paradigma de medicina basada en la evidencia centrada en el paciente. Las contribuciones de esta Tesis se centran en el desarrollo de herramientas que asisten al médico en su proceso de toma de decisiones en el diagnóstico de tumores cerebrales (TC) mediante Espectros de Resonancia Magnética (ERM). En esta Tesis se contribuye con el desarrollo de clasificadores basados en Reconocimiento de Patrones (RP) entrenados con ERM de pacientes pediátricos y adultos para establecer el tipo y grado del tumor. Estos clasificadores especializados son capaces de aprovechar las diferencias bioquímicas existentes entre los TC infantiles y de adultos. Una de las principales contribuciones de esta Tesis consiste en el desarrollo de modelos de clasificación enfocados a discriminar los tres tipos de tumores cerebrales pediátricos más prevalentes. El cerebelo suele ser una localización habitual de estos tumores, resultando muy difícil distinguir el tipo mediante el uso de Imagen de Resonancia Magnética. Por lo tanto, obtener un alto acierto en la discriminación de astrocitomas pilocíticos, ependimomas y meduloblastomas mediante ERM resulta crucial para establecer una estrategia de cirugía, ya que cada tipo de tumor requiere de unas acciones diferentes si se quiere obtener un buen pronóstico del paciente. Asimismo, esta Tesis contribuye en la extracción de características para ERM mediante el estudio de la combinación de señales de ERM adquiridas en dos tiempos de eco: tiempo de eco corto y tiempo de eco largo; concluyendo que dicha combinación mejora la clasificación de tumores cerebrales pediátricos frente al hecho de usar únicamente los ERM de un / Vicente Robledo, J. (2012). Clinical Decision Support Systems for Brain Tumour Diagnosis: Classification and Evaluation Approaches [Tesis doctoral]. Editorial Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/17468 / Palancia

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. 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. 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. También se / García Gómez, JM. (2009). Pattern recognition approaches for biomedical data in computer-assisted cancer research [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/4602 / Palancia