Deep learning systems and methodologies for Spitz melanocytic tumour analysis

[ES] El avance de la inteligencia artificial ha revolucionado muchos campos, incluyendo la patología digital. La digitalización de biopsias en whole slide images de alta resolución ha permitido aplicar metodologías de aprendizaje profundo para ayudar en el diagnóstico, asistir a los patólogos e incl...

Descripción completa

Detalles Bibliográficos
Autor: Launet Gallas, Laetitia Mariana
Tipo de recurso: tesis doctoral
Fecha de publicación:2025
País:España
Institución:Universitat Politècnica de València (UPV)
Repositorio:RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Idioma:inglés
OAI Identifier:oai:riunet.upv.es:10251/231146
Acceso en línea:https://riunet.upv.es/handle/10251/231146
Access Level:acceso abierto
Palabra clave:Digital pathology
Medical systems
Deep learning
Weakly supervised learning
Active learning
Federated learning
03.- Garantizar una vida saludable y promover el bienestar para todos y todas en todas las edades
id ES_3f0301f2bd12f7d240ffdfea93e939f6
oai_identifier_str oai:riunet.upv.es:10251/231146
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Deep learning systems and methodologies for Spitz melanocytic tumour analysis
title Deep learning systems and methodologies for Spitz melanocytic tumour analysis
spellingShingle Deep learning systems and methodologies for Spitz melanocytic tumour analysis
Launet Gallas, Laetitia Mariana
Digital pathology
Medical systems
Deep learning
Weakly supervised learning
Active learning
Federated learning
03.- Garantizar una vida saludable y promover el bienestar para todos y todas en todas las edades
title_short Deep learning systems and methodologies for Spitz melanocytic tumour analysis
title_full Deep learning systems and methodologies for Spitz melanocytic tumour analysis
title_fullStr Deep learning systems and methodologies for Spitz melanocytic tumour analysis
title_full_unstemmed Deep learning systems and methodologies for Spitz melanocytic tumour analysis
title_sort Deep learning systems and methodologies for Spitz melanocytic tumour analysis
dc.creator.none.fl_str_mv Launet Gallas, Laetitia Mariana
author Launet Gallas, Laetitia Mariana
author_facet Launet Gallas, Laetitia Mariana
author_role author
dc.contributor.none.fl_str_mv Colomer Granero, Adrián
Naranjo Ornedo, Valeriana
Escuela Técnica Superior de Ingeniería de Telecomunicación
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad
Departamento de Comunicaciones
Instituto Universitario de Investigación en Tecnología Centrada en el Ser Humano
Repositorio Institucional de la Universitat Politècnica de València Riunet
dc.subject.none.fl_str_mv Digital pathology
Medical systems
Deep learning
Weakly supervised learning
Active learning
Federated learning
03.- Garantizar una vida saludable y promover el bienestar para todos y todas en todas las edades
topic Digital pathology
Medical systems
Deep learning
Weakly supervised learning
Active learning
Federated learning
03.- Garantizar una vida saludable y promover el bienestar para todos y todas en todas las edades
description [ES] El avance de la inteligencia artificial ha revolucionado muchos campos, incluyendo la patología digital. La digitalización de biopsias en whole slide images de alta resolución ha permitido aplicar metodologías de aprendizaje profundo para ayudar en el diagnóstico, asistir a los patólogos e incluso reducir errores. Sin embargo, a pesar de su potencial, este campo sigue sujeto a retos importantes, tanto en lo que respecta a los datos como a la integración práctica de la inteligencia artificial en entornos clínicos. Superar estos obstáculos requiere abordar la complejidad de las imágenes histopatológicas de alta resolución, la escasez de datos de entrenamiento y la integración efectiva de estas herramientas en la práctica. Estas limitaciones pueden verse aún más pronunciadas en el caso de enfermedades menos comunes, donde la investigación clínica es compleja y, a menudo, limitada. Cánceres poco comunes, como los tumores melanocíticos de Spitz, suponen dificultades adicionales debido a su baja incidencia y su difícil interpretación clínica, lo que complica tanto la investigación en este ámbito como la aplicación de métodos de inteligencia artificial. Esta tesis aborda parte de estos desafíos mediante la exploración e implementación de diferentes estrategias de aprendizaje profundo adaptadas al contexto de la patología digital y sus retos, con un enfoque particular en los tumores de Spitz. En concreto, esta tesis investiga la aplicación de metodologías como el multiple instance learning, active learning, self-training y federated learning para mitigar los desafíos inherentes al campo de la patología digital, manteniendo un enfoque práctico hacia la integración clínica. Este trabajo, posicionado en la intersección entre la inteligencia artificial y los sistemas de información, busca sentar las bases para futuras investigaciones sobre los tumores de Spitz basadas en sistemas inteligentes.
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-12-22
2025
2025-11-19
dc.type.none.fl_str_mv doctoral thesis
http://purl.org/coar/resource_type/c_db06
AM
http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.openaire.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.none.fl_str_mv https://riunet.upv.es/handle/10251/231146
url https://riunet.upv.es/handle/10251/231146
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Reserva de todos los derechos
http://rightsstatements.org/vocab/InC/1.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Reserva de todos los derechos
http://rightsstatements.org/vocab/InC/1.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat Politècnica de València
publisher.none.fl_str_mv Universitat Politècnica de València
dc.source.none.fl_str_mv reponame:RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
instname:Universitat Politècnica de València (UPV)
instname_str Universitat Politècnica de València (UPV)
reponame_str RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
collection RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869406604519014400
spelling Deep learning systems and methodologies for Spitz melanocytic tumour analysisLaunet Gallas, Laetitia MarianaDigital pathologyMedical systemsDeep learningWeakly supervised learningActive learningFederated learning03.- Garantizar una vida saludable y promover el bienestar para todos y todas en todas las edades[ES] El avance de la inteligencia artificial ha revolucionado muchos campos, incluyendo la patología digital. La digitalización de biopsias en whole slide images de alta resolución ha permitido aplicar metodologías de aprendizaje profundo para ayudar en el diagnóstico, asistir a los patólogos e incluso reducir errores. Sin embargo, a pesar de su potencial, este campo sigue sujeto a retos importantes, tanto en lo que respecta a los datos como a la integración práctica de la inteligencia artificial en entornos clínicos. Superar estos obstáculos requiere abordar la complejidad de las imágenes histopatológicas de alta resolución, la escasez de datos de entrenamiento y la integración efectiva de estas herramientas en la práctica. Estas limitaciones pueden verse aún más pronunciadas en el caso de enfermedades menos comunes, donde la investigación clínica es compleja y, a menudo, limitada. Cánceres poco comunes, como los tumores melanocíticos de Spitz, suponen dificultades adicionales debido a su baja incidencia y su difícil interpretación clínica, lo que complica tanto la investigación en este ámbito como la aplicación de métodos de inteligencia artificial. Esta tesis aborda parte de estos desafíos mediante la exploración e implementación de diferentes estrategias de aprendizaje profundo adaptadas al contexto de la patología digital y sus retos, con un enfoque particular en los tumores de Spitz. En concreto, esta tesis investiga la aplicación de metodologías como el multiple instance learning, active learning, self-training y federated learning para mitigar los desafíos inherentes al campo de la patología digital, manteniendo un enfoque práctico hacia la integración clínica. Este trabajo, posicionado en la intersección entre la inteligencia artificial y los sistemas de información, busca sentar las bases para futuras investigaciones sobre los tumores de Spitz basadas en sistemas inteligentes.[CA] L'avanç de la intel·ligència artificial ha revolucionat molts camps, incloent-hi la patologia digital. La digitalització de biòpsies en whole slide images d'alta resolució ha permés aplicar metodologies d'aprenentatge profund per a ajudar en el diagnòstic, assistir als patòlegs i fins i tot reduir errors. No obstant això, malgrat el seu potencial, este camp seguix subjecte a reptes importants, tant pel que fa a les dades com a la integració pràctica de la intel·ligència artificial en entorns clínics. Superar estos obstacles requerix abordar la complexitat de les imatges histopatològiques d'alta resolució, l'escassetat de dades d'entrenament i la integració efectiva d'estes ferramentes en la pràctica. Estes limitacions poden veure's encara més pronunciades en el cas de malalties menys comunes, on la investigació clínica és complexa i, sovint, limitada. Càncers poc comuns, com els tumors melanocítics de Spitz, suposen dificultats addicionals a causa de la seua baixa incidència i la seua difícil interpretació clínica, la qual cosa complica tant la investigació en este àmbit com l'aplicació de mètodes d'intel·ligència artificial. Esta tesi aborda part d'estos desafiaments mitjançant l'exploració i implementació de diferents estratègies d'aprenentatge profund adaptades al context de la patologia digital i els seus reptes, amb un enfocament particular en els tumors de Spitz. En concret, esta tesi investiga l'aplicació de metodologies com el multiple instance learning, active learning, self-training i federated learning per a mitigar els desafiaments inherents al camp de la patologia digital, mantenint un enfocament pràctic cap a la integració clínica. Este treball, posicionat en la intersecció entre la intel·ligència artificial i els sistemes d'informació, busca establir les bases per a futures investigacions sobre els tumors de Spitz basades en sistemes intel·ligents.[EN] The advent of artificial intelligence has revolutionised many fields, and digital pathology is no exception. The digitisation of biopsies into whole slide images has enabled the application of deep learning that can assist in diagnosis, support pathologists and ultimately reduce errors. However, despite its great potential, the field still faces significant challenges, both in terms of the data itself and the practical implementation of artificial intelligence in clinical workflows. Addressing these challenges requires overcoming the complexities of high-resolution histopathological images, the constraints posed by limited training data, and the integration of such tools into clinical practice. These limitations can become even more pronounced in the case of rare diseases, where research is clinically challenging and not always extensive. Rare cancers, such as Spitz melanocytic tumours, pose additional difficulties due to their low incidence and clinical ambiguities, making both research in the field and the application of artificial intelligence more complex. This thesis addresses part of these challenges by exploring and implementing different deep learning strategies tailored to the complexities of digital pathology, with a particular focus on Spitz tumours. Specifically, this research investigates the application of methodologies such as multiple instance learning, active learning, self-training and federated learning to help mitigate the inherent challenges in digital pathology, while maintaining a practical focus on clinical integration. Positioned at the intersection of artificial intelligence and information systems, this work aims to lay the groundwork for future research on Spitz tumours through artificial intelligence-driven solutions.Universitat Politècnica de ValènciaColomer Granero, AdriánNaranjo Ornedo, ValerianaEscuela Técnica Superior de Ingeniería de TelecomunicaciónDepartamento de Estadística e Investigación Operativa Aplicadas y CalidadDepartamento de ComunicacionesInstituto Universitario de Investigación en Tecnología Centrada en el Ser HumanoRepositorio Institucional de la Universitat Politècnica de València Riunet20252025-12-2220252025-11-19doctoral thesishttp://purl.org/coar/resource_type/c_db06AMhttp://purl.org/coar/version/c_ab4af688f83e57aainfo:eu-repo/semantics/doctoralThesisapplication/pdfapplication/pdfapplication/pdfhttps://riunet.upv.es/handle/10251/231146reponame:RiuNet. Repositorio Institucional de la Universitat Politécnica de Valénciainstname:Universitat Politècnica de València (UPV)Inglésengopen accesshttp://purl.org/coar/access_right/c_abf2Reserva de todos los derechoshttp://rightsstatements.org/vocab/InC/1.0/info:eu-repo/semantics/openAccessoai:riunet.upv.es:10251/2311462026-06-13T07:49:27Z
score 15,812455

Similares en LA Referencia