El cáncer de piel representa el grupo más común de neoplasias malignas en la población blanca. La tasa de incidencia del cáncer de piel, melanoma y no melanoma, está aumentando en todo el mundo. De hecho, en la actualidad, uno de cada tres cánceres diagnosticados es cáncer de piel. Entre los cánceres de piel más frecuentes destacan las lesiones cutáneas compuestas predominantemente de células fusiformes, un grupo heterogéneo de tumores cutáneos que van desde benignos hasta malignos.  Su diagnóstico se le lleva a cabo mediante el análisis de muestras biopsiadas por parte de los patólogos. Sin embargo, las neoplasias cutáneas de células fusiformes son difíciles de diagnosticar debido a la considerable superposición morfológica entre los diferentes tipos de tumores que componen este grupo, lo que plantea especialmente un problema para los patólogos menos experimentados. Este hecho dificulta un diagnóstico certero y la aplicación de un tratamiento clínico eficaz en neoplasias en las que la detección precoz y el tratamiento adecuado son fundamentales para un buen pronóstico en los casos malignos. Por esta razón, AI4SKIN nace como un proyecto cuyo principal objetivo es diseñar y desarrollar un sistema de ayuda al diagnóstico que permita clasificar de forma automática las muestras biopsiadas procedentes de las 7 neoplasias de células fusiformes más comunes: leiomioma, dermatofibroma, fibroxantoma atípico (AFX), leiomiosarcoma, dermatofibrosarcoma protuberante (DFSP), carcinoma de células escamosas y melanoma de células fusiformes. De esta forma, sería posible ayudar a los patólogos a mejorar en términos de tiempo y eficacia, así como a reducir el nivel de discordancia que existe entre ellos cuando intentan clasificar una determinada muestra.

El grupo CVBLab cuenta con ingenieros biomédicos y de telecomunicaciones que trabajan en la implementación de técnicas computacionales basadas en Machine Learning y Deep Learning aplicadas a imágenes biomédicas, con la finalidad de encontrar características y patrones que permitan determinar de forma automática no solo si el paciente tiene una neoplasia maligna, sino también de que tipo.