Il linfoma diffuso a grandi cellule B (DLBCL) rappresenta la forma più comune e aggressiva di linfoma non Hodgkin nell’adulto. È una neoplasia eterogenea dei linfociti B, caratterizzata da distinti profili molecolari, clinici e prognostici. La classificazione secondo l’origine cellulare (COO) distingue due principali sottotipi: germinal center B-cell like (GCB) e activated B-cell like (ABC), con rilevanti implicazioni terapeutiche. Tuttavia, la diagnosi molecolare richiede tecnologie complesse, costose e non sempre disponibili. Questo lavoro di tesi si basa sull’ipotesi che pattern morfologici, tessiturali e spaziali osservabili nelle immagini istologiche digitali possano riflettere le caratteristiche molecolari dei sottotipi COO. Tali pattern, riconoscibili da patologi esperti, possono essere oggettivamente quantificati mediante tecniche di intelligenza artificiale, offrendo un approccio automatizzabile e complementare alla classificazione del COO.