IA Y ENDOSCOPIA EN LESIONES ORALES TEMPRANAS: APOYO DIAGNÓSTICO SIN REEMPLAZAR BIOPSIA
¿Cómo puede la inteligencia artificial ayudar a visualizar, detectar y clasificar lesiones orales sin convertirse en un diagnóstico autónomo?
Respuesta rápida
La endoscopia oral permite visualizar zonas difíciles de examinar directamente, como paladar blando, bordes linguales, orofaringe, zonas posteriores o pacientes con trismus, fibrosis, dolor o apertura bucal limitada. Cuando se combina con técnicas como imagen de luz blanca (WLI), imagen de banda estrecha (NBI), autofluorescencia (AFI), espectroscopía Raman (RS) o endomicroscopía confocal láser (CLE), puede aportar información complementaria sobre superficie, vascularización, fluorescencia, microestructura o composición tisular.
La inteligencia artificial podría apoyar el análisis de imágenes mediante detección automática, segmentación de bordes, clasificación de lesiones y, en líneas de investigación, estimación de profundidad de invasión. Modelos como Mask R-CNN, U-Net, DeepLabV3+, YOLOX, DenseNet, InceptionV3, RetinaNet y Transformers han mostrado resultados prometedores en tareas específicas, pero la evidencia sigue siendo heterogénea y en gran parte retrospectiva.
El mensaje clínico debe ser prudente: la IA asistida por endoscopia todavía debe considerarse una herramienta de apoyo, no un sustituto del examen clínico, la biopsia ni la histopatología. El riesgo más delicado no es solo que la IA marque falsos positivos, sino que una lesión sospechosa reciba una etiqueta de bajo riesgo. Un resultado “tranquilizador” no debe detener la biopsia o derivación si la lesión persiste, crece, se indura, sangra, se ulcera o tiene componente rojo/blanco.
Conocimientos previos para comprender el artículo
1. ¿Por qué es difícil detectar lesiones orales tempranas?
El carcinoma escamoso oral puede iniciar como una lesión pequeña, superficial, asintomática o de aspecto poco llamativo. Algunas lesiones se ubican en zonas de difícil acceso visual, como lengua posterior, paladar blando, mucosa yugal posterior, suelo de boca u orofaringe. Además, saliva, sangre, dientes, prótesis, reflejos, mala iluminación o limitación de apertura pueden dificultar la exploración.
2. ¿Qué aporta la endoscopia frente al examen visual simple?
La endoscopia no reemplaza el examen oral completo, pero puede ampliar el campo visual, mejorar la documentación y facilitar la evaluación de zonas ocultas. WLI muestra cambios macroscópicos; NBI resalta arquitectura vascular superficial; AFI evidencia pérdida o cambios de fluorescencia; RS y CLE buscan aportar información más cercana a composición tisular o microestructura. Aun así, la interpretación sigue dependiendo de equipo, operador, calidad de imagen y contexto clínico.
3. ¿Qué significa IA en este contexto?
En este artículo, IA significa principalmente aprendizaje automático y aprendizaje profundo aplicados a imágenes. Los algoritmos aprenden patrones visuales para detectar regiones sospechosas, dibujar límites, clasificar lesiones o estimar riesgo. La IA no “entiende” al paciente completo: analiza datos visuales entrenados en conjuntos específicos y puede fallar si cambia la cámara, población, centro, tipo de lesión o calidad de imagen.
Ahora sí, pasemos directamente a lo que dice el artículo
¿Qué quiso revisar el artículo?
Los autores revisaron avances recientes en diagnóstico temprano de lesiones orales mediante endoscopia asistida por IA. Primero describieron técnicas endoscópicas no asistidas por IA y luego modelos de IA aplicados a detección, segmentación, clasificación, profundidad de invasión, preprocesamiento, reducción de sobreajuste, despliegue real, integración con histopatología y consideraciones éticas.
¿Cómo se buscó la literatura?
El artículo utilizó una búsqueda en PubMed y la complementó con revisión de referencias. Debido a la heterogeneidad de diseños, resultados y tecnologías, los autores realizaron una síntesis narrativa. Por tanto, el artículo ayuda a entender el estado del campo, pero no entrega una estimación combinada de precisión diagnóstica ni una recomendación clínica universal.
| Elemento | Lo que revisa el artículo | Lectura prudente para CarpuleNet |
|---|---|---|
| Diseño | Revisión narrativa. | Sirve para aprendizaje y orientación tecnológica, no para cambiar protocolos clínicos por sí sola. |
| Técnicas endoscópicas | WLI, NBI, AFI, RS y CLE. | Aportan visualización complementaria, pero no reemplazan histopatología. |
| IA | Detección, segmentación, clasificación y evaluación de DOI. | Prometedor, pero dependiente de datasets, validación y flujo clínico real. |
| Evidencia | Estudios heterogéneos, muchos retrospectivos. | No debe interpretarse como prueba definitiva de eficacia clínica. |
| Aplicación | Cribado, documentación, apoyo a no especialistas. | Podría ser útil si existe entrenamiento, ruta de derivación y confirmación diagnóstica. |
Resultados explicados con interpretación clínica
Resultado 1. La endoscopia puede mejorar la visualización, pero sigue siendo dependiente del operador
El artículo compara WLI, NBI, AFI, RS y CLE. WLI permite observar superficie y lesiones evidentes; NBI puede resaltar patrones vasculares; AFI detecta cambios de fluorescencia asociados a alteraciones tisulares; RS y CLE buscan aportar información más detallada sobre composición o microestructura. En la práctica, estas técnicas podrían apoyar la localización de lesiones y la selección de zonas de biopsia, pero su rendimiento depende de experiencia, equipo, calidad de imagen y contexto anatómico.
La AFI puede tener alta sensibilidad en algunos escenarios, pero también falsos positivos por inflamación, cicatriz, trauma o cambios no malignos. Por eso es más útil como complemento que como diagnóstico aislado.
Resultado 2. La IA puede segmentar lesiones y ayudar a delimitar bordes, pero no define el margen histológico
La segmentación consiste en marcar automáticamente el área de una lesión dentro de la imagen. Modelos como Mask R-CNN, U-Net y DeepLabV3+ se han usado con imágenes NBI, WLI y videos del tracto aerodigestivo superior. Algunos estudios reportan buenos valores de Dice, sensibilidad, precisión o exactitud, pero varios son retrospectivos y con validación limitada.
Clínicamente, una buena segmentación podría ayudar a documentar mejor una lesión, seleccionar zonas de biopsia o estudiar márgenes superficiales. Sin embargo, un borde dibujado por IA no equivale al margen histológico real ni a la profundidad de invasión.
Resultado 3. La IA puede clasificar lesiones, pero la clasificación depende del entrenamiento
El artículo describe modelos para clasificar lesiones como benignas, potencialmente malignas o malignas. Se mencionan algoritmos basados en DenseNet, InceptionV3, YOLOX, RetinaNet, Transformers y otros modelos. También se discuten herramientas de fotografía intraoral y smartphone, como aplicaciones dirigidas a cribado comunitario.
Un matiz importante es que la evidencia revisada no proviene solo de endoscopia oral pura. Algunos modelos usan fotografías intraorales, imágenes de smartphone, NBI de lengua/orofaringe/laringe o bases de datos del tracto aerodigestivo superior. Por eso, sus resultados no deben trasladarse automáticamente a cualquier consulta odontológica general.
Resultado 4. La profundidad de invasión es clave, pero la evaluación con IA todavía es una línea de investigación
La profundidad de invasión (DOI) es fundamental para pronóstico y planificación quirúrgica en cáncer oral. El artículo menciona trabajos que exploran NBI y aprendizaje automático para diferenciar carcinoma in situ, carcinoma superficial y profundidad subepitelial. Esto podría ayudar a evitar sobretratamiento o resecciones insuficientes.
Por ahora, la DOI evaluada mediante NBI/IA debe entenderse como una línea de investigación prometedora, no como una medición validada universalmente para decidir tratamiento en consulta odontológica. La profundidad real requiere correlación con exploración clínica, imagen cuando corresponda, histopatología y criterio oncológico.
Resultado 5. El gran obstáculo no es solo crear modelos, sino validarlos e integrarlos
Los autores señalan problemas técnicos: falta de bases de datos estandarizadas, imágenes borrosas, burbujas, saliva, sangre, dientes, prótesis, reflejos especulares, diferencias entre cámaras, sobreajuste, necesidad de transfer learning, aumento de datos, aprendizaje multitarea y validación externa. Un modelo puede funcionar bien en su dataset y fallar cuando cambia el entorno clínico.
Además, el artículo destaca que la integración entre endoscopia e histopatología sigue siendo uno de los mayores retos. La imagen endoscópica muestra superficie, color, textura y vascularización; la histopatología confirma displasia, invasión y arquitectura microscópica. Como la biopsia se deforma, se orienta y se corta de manera diferente al campo endoscópico original, no siempre es posible alinear exactamente ambas fuentes de información.
| Área | Promesa clínica | Riesgo si se sobreinterpreta |
|---|---|---|
| Detección | Señalar regiones sospechosas que podrían pasar desapercibidas. | Falso negativo que tranquilice indebidamente al clínico. |
| Segmentación | Dibujar límites superficiales para documentación o biopsia dirigida. | Confundir límite visual con margen histológico real. |
| Clasificación | Orientar si una lesión parece benigna, OPMD o maligna. | Tratar una etiqueta algorítmica como diagnóstico definitivo. |
| DOI | Apoyar planificación en investigación oncológica. | Usarla como medición validada universal sin correlación histológica. |
| Smartphone/teleodontología | Ampliar acceso a cribado inicial. | Usarlo sin ruta de derivación, control de calidad ni privacidad. |
Aplicación clínica para odontología
1. ¿Dónde podría ayudar más la endoscopia asistida por IA?
• Pacientes con apertura bucal limitada, trismus, fibrosis posradioterapia, dolor o reconstrucciones que impiden inspección completa.
• Lesiones ubicadas en zonas posteriores, paladar blando, bordes linguales, mucosa yugal posterior u orofaringe.
• Documentación longitudinal de lesiones potencialmente malignas para comparar cambios de tamaño, color, textura o vascularización.
• Programas de cribado en áreas con pocos especialistas, siempre que exista validación, entrenamiento, control de calidad y ruta de derivación.
• Selección más precisa de zonas de biopsia cuando hay lesiones multifocales, heterogéneas o de límites poco claros.
2. ¿Cómo debería interpretarla el odontólogo general?
| Situación | Conducta prudente |
|---|---|
| IA sugiere bajo riesgo, pero la lesión persiste o cambia | No descartar. Reevaluar, documentar, derivar o biopsiar según signos clínicos. |
| IA marca zona sospechosa | Usarlo como apoyo para revisar mejor, no como diagnóstico definitivo. |
| Lesión roja/blanca, ulcerada, indurada o sangrante | Manejar por principios clínicos generales de alarma, aunque la IA sea negativa. |
| Aplicación de smartphone en cribado | Debe tener validación local, privacidad, consentimiento y ruta de atención. |
| Segmentación de margen | Entenderla como margen visual aproximado, no como margen quirúrgico histológico. |
Qué NO debe concluirse del artículo
| No debe concluirse | Por qué |
|---|---|
| Que la IA reemplaza biopsia o histopatología. | La histopatología sigue siendo el estándar para confirmar displasia, invasión o cáncer. |
| Que este artículo demuestra reducción de mortalidad, mejora de supervivencia, disminución del retraso diagnóstico, reducción de costos o disminución segura de biopsias innecesarias. | Es una revisión narrativa y no presenta ensayos clínicos que midan esos desenlaces. |
| Que todos los modelos sirven para consulta odontológica general. | Muchos fueron entrenados con imágenes de smartphone, NBI, laringe, orofaringe o tracto aerodigestivo superior. |
| Que AFI, NBI, RS o CLE diagnostican cáncer por sí solas. | Son herramientas complementarias de visualización o análisis; no sustituyen correlación clínica e histológica. |
| Que una IA negativa descarta enfermedad. | Toda lesión sospechosa se evalúa por clínica, evolución, palpación, localización y biopsia cuando esté indicada. |
| Que la DOI por IA ya es una medición universal. | La DOI requiere validación, correlación histopatológica y criterio oncológico. |
Limitaciones importantes del artículo
• Es una revisión narrativa, no una revisión sistemática con PRISMA, evaluación formal de riesgo de sesgo o metaanálisis.
• La evidencia disponible es heterogénea: diferentes imágenes, dispositivos, modelos, poblaciones, sitios anatómicos y métricas.
• Muchos modelos se entrenaron o evaluaron de forma retrospectiva; la validación prospectiva en flujo clínico real sigue siendo limitada.
• No toda la evidencia procede de endoscopia oral pura; incluye fotografía intraoral, smartphone, NBI de lengua/orofaringe/laringe y UADT.
• La calidad de imagen puede verse afectada por saliva, sangre, burbujas, dientes, prótesis, desenfoque, reflejos o mala iluminación.
• La segmentación superficial no garantiza margen histológico ni profundidad real de invasión.
• Los algoritmos pueden sobreajustarse a un dataset y fallar cuando cambian cámara, población, centro clínico o tipo de lesión.
• La integración con histopatología es difícil porque las imágenes endoscópicas y las secciones microscópicas no se alinean perfectamente.
• La utilidad clínica no depende solo de la precisión del modelo: también requiere funcionar en tiempo real, sin bloquear la exploración, en dispositivos con limitaciones de batería, calor, capacidad de procesamiento y conectividad.
• La inferencia en la nube puede ser problemática por latencia, ancho de banda y privacidad.
• No se demuestra reducción de mortalidad, supervivencia, retraso diagnóstico, costos ni biopsias innecesarias.
Qué aprende el lector de CarpuleNet
El lector aprende que la endoscopia asistida por IA no es una “máquina que diagnostica cáncer”, sino una tecnología que podría mejorar la visualización, estandarizar el análisis de imágenes y apoyar decisiones clínicas en contextos específicos. Su valor real dependerá de validación externa, datos de buena calidad, integración con histopatología, privacidad, flujo clínico y capacidad de no retrasar derivaciones.
Conclusión didáctica
La combinación de endoscopia e IA es prometedora para lesiones orales tempranas, especialmente en zonas difíciles de visualizar o en contextos con pocos especialistas. Sin embargo, la tecnología todavía debe madurar antes de funcionar como herramienta diagnóstica rutinaria autónoma. Su mejor uso actual es como apoyo visual, documental y de triage, siempre subordinado al criterio clínico y a la confirmación histopatológica cuando corresponde.
Conclusión final
Para CarpuleNet, el mensaje final es claro: la IA podría ayudar a ver mejor, marcar mejor y clasificar mejor, pero no debe decidir sola. Como principio clínico general, ante una lesión oral persistente, roja/blanca, indurada, ulcerada, sangrante, nodular, progresiva o ubicada en una zona de riesgo, la prioridad sigue siendo examen clínico completo, documentación, derivación oportuna y biopsia cuando esté indicada. Esta revisión apoya el uso de IA como ayuda visual, pero no valida un protocolo autónomo de manejo clínico.
Aprendizaje práctico único
Una IA útil en lesiones orales no será la que reemplace al odontólogo, sino la que ayude a no pasar por alto una lesión temprana y a seleccionar mejor cuándo y dónde biopsiar.
Bibliografía
Zhao X, Lin H, Zeng B, Zhou R, Ma L, Liu B, Shan Q, Wu T. Recent advance in early oral lesion diagnosis: the application of artificial intelligence-assisted endoscopy. Frontiers in Oncology. 2026;15:1686356. doi:10.3389/fonc.2025.1686356.