Hoy en día, el cáncer de próstata es uno de los tipos más comunes de cáncer en el ser humano, junto con el de pulmón y el de mama. Para diagnosticarlo, primero se lleva a cabo una exploración física y, a continuación, un análisis de PSA. Si existen indicios de que el paciente pueda tener cáncer, se realiza una biopsia para obtener muestras de tejido prostático.  Después, un médico experto en anatomía patológica examina dichas muestras y les asigna una puntuación de acuerdo al sistema de clasificación de Gleason, el cual establece que los grados 1 y 2 se corresponden con un tejido prostático sano, mientras que los grados 3, 4 y 5 se corresponden con uno maligno.

En la actualidad, el análisis para clasificar las muestras es una tarea muy tediosa que requiere mucho tiempo y que suele llevar asociado un considerable nivel de subjetividad entre diferentes especialistas. Por esta razón, SICAP 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, según la escala Gleason. 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 cáncer, sino también la gravedad del mismo.