El cáncer de riñón y de la pelvis renal son una causa significativa de muertes relacionadas con el cáncer, siendo el tumor renal maligno más común el carcinoma de células renales (CCR). El carcinoma cromófobo de células renales es una forma más rara de CCR que plantea desafíos significativos para un diagnóstico preciso, ya que comparte muchas características histológicas con el oncocitoma, un tumor renal benigno. Las biopsias para análisis histopatológico e inmunohistoquímico tienen limitaciones para distinguir el carcinoma cromófobo de células renales del oncocitoma. Los casos sindrómicos también pueden tener tumores con características superpuestas. Técnicas como la imagen espectroscópica por infrarrojos (IR) han mostrado ser prometedoras como un enfoque alternativo para el diagnóstico de tejidos. En este estudio, proponemos un marco basado en aprendizaje profundo para automatizar la clasificación en microarrays de tejido tumoral renal (TMAs) utilizando un conjunto de datos IR. Los algoritmos de selección de características reducen la dimensionalidad de los datos, seguidos de un enfoque de clasificación de aprendizaje profundo. Se observó una precisión de clasificación del 91.3% para los datos de validación, incluso con el uso del 13.6% de todas las longitudes de onda, reduciendo así el tiempo de entrenamiento en un 21% en comparación con el uso de todo el espectro. A través de la integración de modelos escalables de aprendizaje profundo junto con la selección de características, hemos desarrollado un pipeline de clasificación con un alto poder predictivo, que podría integrarse en un sistema de imagen IR en tiempo real de alto rendimiento. Esto crearía una herramienta de diagnóstico avanzada para la detección y clasificación de tumores renales, específicamente el carcinoma cromófobo de células renales y el oncocitoma. Esto podría impactar en los resultados de los pacientes y las estrategias de tratamiento.