MÁS ALLÁ DE LA LUPA: INTELIGENCIA ARTIFICIAL PARA DETECTAR A TIEMPO EL CÁNCER ORAL
DOI:
https://doi.org/10.32399/icuap.rdic.2448-5829.2026.35.1715Palabras clave:
Cáncer oral, Detección Temprana, Histopatología, Inteligencia artificial, Redes neuronales, LKEResumen
El cáncer oral es una enfermedad que puede aparecer en los labios, la lengua, las encías o el paladar, y suele detectarse tardíamente. En estos casos, los tratamientos suelen ser más agresivos y las secuelas más graves. Sin embargo, cuando el problema se identifica a tiempo, las posibilidades de preservar la salud, la función y la calidad de vida aumentan significativamente. Por lo tanto, es fundamental prestar atención a la boca y buscar atención médica cuando algo no cicatriza o cambia de apariencia. En la Benemérita Universidad Autónoma de Puebla (BUAP), el Laboratorio de Histopatología de la Facultad de Odontología analiza biopsias orales para confirmar o descartar el cáncer y guiar el tratamiento del paciente. Este trabajo diario ha dado lugar a una colaboración con la Facultad de Ciencias de la Computación, donde se investiga en inteligencia artificial para analizar imágenes de tejido oral. Mediante redes neuronales profundas, estos sistemas aprenden a reconocer patrones en preparaciones histológicas y pueden ayudar a los especialistas a detectar lesiones de alto riesgo de forma más temprana, organizar mejor los casos y optimizar el tiempo de los patólogos. El objetivo es que, en el futuro, esta combinación de experiencia clínica y tecnología ayude a brindar un diagnóstico oportuno a más personas y reducir el impacto del cáncer bucal en la comunidad.
Citas
Abels, E., & Pantanowitz, L. (2017). Current State of the Regulatory Trajectory for Whole Slide Imaging Devices in the USA. Journal of Pathology Informatics, 8(1), 23. https://doi.org/10.4103/jpi.jpi_11_17
Ahmad, M., Irfan, M. A., Sadique, U., Haq, I. u., Jan, A., Khattak, M. I., . . . Aljuaid, H. (2023). Multi-Method Analysis of Histopathological Image for Early Diagnosis of Oral Squamous Cell Carcinoma Using Deep Learning and Hybrid Techniques. Cancers , 3(5247), 15. https://doi.org/10.3390/cancers15215247
AIM. (2023). Cáncer de piel de células escamosas. Recuperado el febrero de 2025, de Skin Cancer Foundation: https://aimatskincancer.org/es/about/international-page/latin-america/que-es-el-cancer-de-piel-de-celulas-escamosas-o-carcinoma-escamocelular/
Chollet, F. (2021). Deep learning with Python. Manning.
Das, M., Dash, R., & Kumar M, S. (2023). Automatic Detection of Oral Squamous Cell Carcinoma from Histopathological Images of Oral Mucosa Using Deep Convolutional Neural Network. Int J Environ Res Public Health, 3(2131), 20. https://doi.org/10.3390/ijerph20032131
Ferlay, J., Ervik, M., Lam, F., Laversanne, M., & Colombet, M. (2024). International Agency for Research on Cancer. Recuperado el febrero de 2025, de Global Cancer Observatory: Cancer Today: https://gco.iarc.who.int/today
Flamand Gómez, L., Moreno Jaimes, C., & Arriaga Carrasco, R. (2021). Cáncer y desigualdades sociales en México, 2020 (1 ed.). Ciudad de México: El Colegio de México. https://doi.org/ISBN 978-607-564-239-0
Gallegos Hernández, J. F. (2022). Cáncer de la cavidad oral. Un reto para la salud de la población mexicana en la próxima década. Gaceta Mexicana de Oncología, 11(2), 64-67. https://doi.org/16659201
Haj-Hosseini, N., Lindblad, J., Hasséus, B., & Kumar, V. V. (2024). Early Detection of Oral Potentially Malignant Disorders: A Review on Prospective Screening Methods with Regard to Global Challenges. Journal of Maxillofacial and Oral Surgery, 23(1), 23–32. https://doi.org/10.1007/s12663-022-01710-9
Heffner, S., Colgan, O., & Doolan, C. (2025). Patología digital. Recuperado el marzo de 2025, de Leica Biosystems Knowledge Pathway: https://www.leicabiosystems.com/es/knowledge-pathway/digital-pathology/
INCan, I. N. de C. . (2022). Informe anual sobre incidencia y mortalidad del cáncer en México. . Obtenido de Secretaría de Salud, México: http://incan.salud.gob.mx/index.html
INEGI. (2024). Estadísticas a propósito del Día Mundial contra el Cáncer. Recuperado el 24 de febrero de 2025, de Instituto Nacional de Estadística y Geografía: https://www.inegi.org.mx/contenidos/saladeprensa/aproposito/2024/EAP_CANCER24.pdf
Kujan, O., Khattab, A., Oliver, R. J., Roberts, S. A., Thakker, N., & Sloan, P. (2007). Why oral histopathology suffers inter-observer variability on grading oral epithelial dysplasia: an attempt to understand the sources of variation. Oral oncology, 43(3), 224–231. https://doi.org/10.1016/j.oraloncology.2006.03.009
Musulin, J., Štifanić, D., Zulijani, A., Ćabov, T., Dekanić, A., & Car, Z. (2021). An Enhanced Histopathology Analysis: An AI-Based System for Multiclass Grading of Oral Squamous Cell Carcinoma and Segmenting of Epithelial and Stromal Tissue. Cancers, 13(8), 1784. https://doi.org/10.3390/cancers13081784
Organización Mundial de la Salud. (2022). Organización Mundial de la Salud (OMS). Recuperado el 10 de febrero de 2025, de Cáncer: Datos y cifras clave sobre su incidencia, factores de riesgo y prevención a nivel mundial.: https://www.who.int/es/news-room/fact-sheets/detail/cancer
Sampias, C., & Rolls, G. (2025). H&E Staining Overview: A Guide to Best Practices. Recuperado el marzo de 2025, de Leica Biosystems Knowledge Pathway: https://www.leicabiosystems.com/es/knowledge-pathway/he-staining-overview-a-guide-to-best-practices/
Seoane, J., G.-M. A., & Velo-Noya, J. (2008). La biopsia oral en el contexto del precáncer y del cáncer oral. Avances en Odontoestomatología, 24(1). Recuperado el marzo de 2025, de https://scielo.isciii.es/pdf/odonto/v24n1/original8.pdf
Terese Winslow LLC. (2024). Medical and Scientific Illustration. Recuperado el marzo de 2025, de https://www.teresewinslow.com/
Torres Rosas, R., Torres Gómez, N., Hernández Juárez, J., Pérez Cervera, Y., Hernández Antonio, A., & Argueta Figueroa, L. (2021). Epidemiología reportada de cáncer de labio, cavidad oral y orofaringe en México. Revista Médica del Instituto Mexicano del Seguro Social, 58(4), 494-507. https://doi.org/10.24875/RMIMSS.M20000074
Trask, A. W. (2019). Grokking Deep Learning. Manning.
Veeraraghavan, V. P., Daniel, S., Dasari, A. K., Aileni, K. R., patil, C., & Patil, S. R. (2024). Harnessing artificial intelligence for predictive modelling in oral oncology: Opportunities, challenges, and clinical Perspectives. Oral Oncology Reports, 11(100591). https://doi.org/10.1016/j.oor.2024.100591
Warnakulasuriya, S., Kujan, O., Aguirre-Urizar, J. M., Bagan, J. V., González-Moles, M. Á., Kerr, A. R., . . . Mello, F. W. (2020). Oral potentially malignant disorders: A consensus report from an international seminar on nomenclature and classification, convened by the WHO Collaborating Centre for Oral Cancer. Oral diseases, 27(8), 1862–1880. https://doi.org/10.1111/odi.13704
Wei, X., Chanjuan, L., Ke, J., Linyun, Y., Jinxing, G., & Quanbing, W. (2024). Convolutional neural network for oral cancer detection combined with improved tunicate swarm algorithm to detect oral cancer. Scientific Reports, 14(28675). https://doi.org/10.1038/s41598-024-79250-0
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 RD-ICUAP
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Definir aviso de derechos.
Los datos de este artículo, así como los detalles técnicos para la realización del experimento, se pueden compartir a solicitud directa con el autor de correspondencia.
Los datos personales facilitados por los autores a RD-ICUAP se usarán exclusivamente para los fines declarados por la misma, no estando disponibles para ningún otro propósito ni proporcionados a terceros.
