Análisis de la implementación de algoritmos de Inteligencia Artificial y bioinformática en la evaluación de tumores melanocíticos ambiguos para diagnóstico y pronóstico

Los tumores melanocíticos aparecen predominantemente en la piel y presentan características clínicas, microscópicas y genéticas que permiten, en la mayoría de los casos, clasificarlos en lesiones benignas, conocidas como nevus, y en lesiones malignas, denominadas melanomas. La forma maligna, el melanoma cutáneo, representa una de las neoplasias más agresivas debido a su alta capacidad de producir metástasis y a su potencial letalidad si no se diagnostica y trata de manera oportuna. No obstante, existe un subgrupo de tumores melanocíticos que se sitúan en un terreno intermedio y cuyo abordaje diagnóstico resulta particularmente complejo. Estas lesiones exhiben rasgos histopatológicos ambiguos, con características morfológicas que no encajan de manera clara ni dentro de la categoría de nevus benignos ni dentro de la de melanomas francamente malignos. Además, los perfiles genéticos y moleculares de estos tumores suelen ser heterogéneos, lo que dificulta aún más su interpretación mediante las herramientas diagnósticas convencionales. Este grupo heterogéneo recibe el nombre de melanocitomas o tumores melanocíticos atípicos, y se caracteriza por un potencial biológico incierto y un riesgo de progresión aún poco definido. Entre los ejemplos más representativos de este tipo de lesiones se encuentran los tumores melanocíticos de Spitz (TS) y los tumores melanocíticos de nidos grandes (TMNG), que ilustran de manera clara la complejidad diagnóstica de este espectro tumoral. En el marco de esta tesis doctoral, cuyo eje central es el análisis de la implementación de algoritmos de inteligencia artificial (IA) y bioinformática en la evaluación de tumores melanocíticos ambiguos para fines diagnósticos y pronósticos, se ha seguido una trayectoria progresiva y articulada en diferentes etapas basado en los siguientes objetivos: • Integrar datos histológicos, clínicos y moleculares para mejorar la clasificación y subestratificación de lesiones dentro del espectro benigno-maligno. • Interpretar modelos computacionales para identificar, jerarquizar y las características histopatológicas relevantes en el diagnóstico de tumores melanocíticos ambiguos. • Explorar la capacidad de los modelos de aprendizaje profundo para predecir alteraciones moleculares y epigenéticas a partir de datos histopatológicos. Como primer paso, se llevó a cabo una revisión exhaustiva sobre la incorporación de la inteligencia artificial en patología, tanto en el análisis de imágenes histológicas como en el ámbito molecular. Este trabajo derivó en la publicación de un capítulo en el libro Patología Oncológica Molecular Aplicada, en el cual se abordaron temas como la patología digital, la implementación de IA, el uso de redes neuronales convolucionales (CNN), el entrenamiento de modelos de aprendizaje profundo y su aplicación en patología molecular a través de datos genómicos. Posteriormente, se desarrolló una revisión sistemática que evaluó el estado del arte de la patología computacional aplicada a imágenes melanocíticas de whole slide images (WSI), publicada en el artículo correspondiente. Este análisis permitió identificar avances, vacíos y oportunidades en el uso de algoritmos de IA para la interpretación de lesiones melanocíticas complejas. En paralelo con el trabajo bibliográfico, se consolidó una base de datos pública de tumores de Spitz, que representa un recurso único hasta la fecha enfocado específicamente en esta entidad. A partir de dicha base, se evaluó la utilidad objetiva de las características histológicas de estos tumores mediante la aplicación de modelos de machine learning, con el fin de cuantificar su valor diagnóstico más allá de la subjetividad morfológica. Simultáneamente, se exploró la integración de datos genómicos en el estudio de otro subgrupo de tumores melanocíticos, los denominados tumores de nidos grandes. Finalmente, se abordó la aplicabilidad de modelos de IA en datos epigenéticos, particularmente en el análisis de perfiles de metilación, con el objetivo de mejorar la clasificación de tumores de Spitz y refinar su estratificación pronóstica. En conjunto, este recorrido académico refleja un esfuerzo por articular múltiples niveles de información —morfológica, genómica y epigenética— con metodologías computacionales avanzadas, para enfrentar uno de los desafíos diagnósticos más complejos en dermatopatología. De este modo, la tesis no solo aporta nuevas herramientas al estudio de los tumores melanocíticos ambiguos, sino que también establece un marco metodológico para futuros desarrollos en la integración de inteligencia artificial en la práctica patológica contemporánea.