El artículo propone explorar un modelo experimental de estratificación de riesgo mediante machine learning para estimar la probabilidad de transformación maligna en leucoplasia oral. La idea central es que la histología sola, aunque sigue siendo indispensable, puede ser subjetiva y variable entre observadores; por eso los autores combinaron rasgos clinicopatológicos, características individuales de displasia y contenido de ADN medido por citometría de flujo.

El modelo con mejor desempeño fue una red neuronal multilayer perceptron entrenada con validación cruzada estratificada y balanceo de la clase minoritaria. En la estrategia optimizada alcanzó sensibilidad aproximada de 72-73%, especificidad de 96%, AUC de 85.4% y separó de forma significativa las curvas de supervivencia libre de transformación maligna. Esto sugiere que integrar ploidía/contenido de ADN con histopatología podría ayudar a identificar leucoplasias de alto riesgo que requieren seguimiento más estrecho o intervención temprana.

El modelo no diagnostica cáncer presente ni identifica invasión en una lesión actual. Lo que intenta estimar es el riesgo de transformación futura en casos de leucoplasia oral previamente biopsiados y caracterizados con datos histológicos y de contenido de ADN. Además, su aplicación clínica depende de validación externa, disponibilidad de citometría de flujo, calidad del tejido y revisión especializada.

La lectura prudente es fundamental: este modelo no reemplaza la biopsia, el diagnóstico clínico, la evaluación histopatológica ni el criterio de medicina oral/patología oral. Es una prueba de concepto prometedora, basada en 97 casos seleccionados de una cohorte retrospectiva, con solo 18 casos transformados. Antes de aplicarlo como herramienta clínica rutinaria necesita validación prospectiva, multicéntrica y en poblaciones diferentes.

1. ¿Qué es la leucoplasia oral?

La leucoplasia oral es una placa blanca de la mucosa que no puede caracterizarse clínica ni histopatológicamente como otra enfermedad específica. Es el trastorno oral potencialmente maligno más frecuente y su principal importancia no está en el color blanco, sino en la posibilidad de contener displasia epitelial o transformarse en carcinoma escamoso oral.

2. ¿Por qué la predicción de riesgo es difícil?

Dos lesiones que se ven parecidas pueden comportarse de forma muy distinta. Algunas leucoplasias permanecen estables durante años, mientras otras progresan hacia cáncer. La graduación de displasia epitelial es útil, pero tiene limitaciones: variabilidad entre observadores, reproducibilidad imperfecta y sensibilidad limitada para detectar lesiones que realmente transformarán.

3. ¿Qué significa contenido de ADN y ploidía?

El contenido de ADN puede revelar inestabilidad genómica. Una célula normal suele tener un patrón diploide ordenado. Cuando aparecen poblaciones celulares con exceso de ADN, aneuploidía o fracciones celulares anormales, eso puede reflejar alteraciones tempranas de carcinogénesis. En este estudio, el parámetro más fuerte fue 4cER, que representa ADN por encima de la región tetraploide; en términos simples, células con más ADN del esperado.

4. ¿Qué es un multilayer perceptron?

Un multilayer perceptron es una red neuronal artificial que aprende patrones complejos a partir de varias variables. En este artículo no se usó para “mirar fotos” ni para diagnosticar automáticamente lesiones en consulta. Fue un clasificador tabular basado en variables previamente extraídas: edad, sexo, sitio, rasgos histopatológicos y datos de contenido de ADN. Por eso se aplicaría después de una biopsia y análisis de laboratorio, no como herramienta de detección visual en sillón dental.

¿Qué quiso investigar?

El objetivo fue desarrollar y evaluar un modelo supervisado de machine learning para predecir transformación maligna en leucoplasia oral. Los autores querían saber si combinar variables histopatológicas, datos clínicos y parámetros de ADN podía mejorar la estratificación de riesgo frente a la dependencia exclusiva de la graduación histológica convencional.

¿Qué tipo de estudio fue?

Fue una cohorte retrospectiva. Los autores revisaron biopsias incisionales de leucoplasia oral almacenadas en archivos de patología entre 2005 y 2018. Identificaron una serie mayor de 878 casos de leucoplasia oral, de los cuales 35 habían presentado transformación maligna documentada. Para el modelo final se incluyeron 97 casos: 18 con transformación maligna y 79 no transformados. La muestra final no representa todos los 878 casos iniciales, sino el subconjunto con material suficiente, datos interpretables y criterios adecuados para análisis de ADN e histología. Esto puede introducir sesgo de selección y limita la generalización.

Los casos no transformados tenían seguimiento mínimo de 5 años; los casos transformados se identificaron mediante confirmación histopatológica de carcinoma escamoso oral y revisión de registros clínico-patológicos. Esta distinción es importante porque el modelo predice transformación futura, no cáncer ya presente al momento de la biopsia inicial.

Resultado 1. La transformación maligna se asoció más con ADN anormal y algunos rasgos histológicos

De los 27 atributos analizados, solo seis mostraron asociación individual significativa con transformación maligna: 4cER, fracción G2, graduación binaria de displasia, pérdida de cohesión epitelial, infiltrado inflamatorio y aumento del número/tamaño de nucléolos. El marcador individual con correlación más fuerte fue 4cER, que representa exceso de ADN por encima de la región tetraploide. Aunque 4cER fue el marcador individual más potente, no debe utilizarse de forma aislada para decidir conducta clínica; su valor aumenta cuando se interpreta junto con displasia, rasgos histológicos, sitio, evolución clínica y otros parámetros.

Resultado 2. Ningún marcador aislado parece suficiente

El artículo insiste en una idea importante: aunque algunos atributos se asociaron con transformación maligna, la mayoría tuvo correlaciones débiles o moderadas. Por eso, el riesgo de una leucoplasia no debe decidirse solo por un dato aislado. La propuesta es combinar varias capas de información para obtener una predicción más estable.

Resultado 3. El modelo mejoró cuando se balancearon los casos transformados

El gran problema del estudio es común en oncología oral: hay pocos casos que transforman y muchos que no transforman. Si el modelo aprende con datos desbalanceados, puede volverse muy bueno identificando casos negativos, pero malo detectando los positivos. Para reducir ese problema, los autores usaron validación cruzada estratificada y una estrategia llamada “positive filling”, que no creó casos sintéticos, sino que replicó los casos transformados dentro del entrenamiento para que el modelo prestara más atención a esa clase.

El positive filling no generó pacientes nuevos ni información biológica nueva: replicó los casos transformados dentro de los pliegues de entrenamiento para que el modelo prestara más atención a la clase minoritaria. Esto mejora el aprendizaje frente a pocos casos positivos, pero no equivale a tener más pacientes reales con transformación maligna y no reemplaza la validación externa en cohortes más grandes.

Resultado 4. El grupo de alto riesgo tuvo peor supervivencia libre de transformación

El análisis Kaplan-Meier mostró diferencias significativas entre los grupos clasificados como alto y bajo riesgo. En la estrategia optimizada, la diferencia fue altamente significativa (p < 0.0001). Esto no significa que el modelo ya sea definitivo, pero sí que su clasificación se relacionó con el tiempo hasta transformación maligna en esta cohorte.

Resultado 5. La especificidad fue muy alta, pero la sensibilidad aún no es perfecta

La especificidad cercana al 96% significa que el modelo identificó correctamente la mayoría de las leucoplasias que no transformaron. La sensibilidad de 72-73% fue prometedora y mejoró con positive filling, pero todavía deja falsos negativos. Por eso, un resultado de bajo riesgo no debe interpretarse como seguridad absoluta. En leucoplasia oral, toda lesión debe seguir vigilándose según sitio, histología, evolución clínica y factores de riesgo.

1. La biopsia sigue siendo el punto de partida

Este estudio no elimina la necesidad de biopsia. Al contrario, usa información obtenida de tejido biopsiado: histología y contenido de ADN. Por tanto, su utilidad potencial sería posterior al diagnóstico de leucoplasia, como apoyo para decidir intensidad de vigilancia, necesidad de intervención o prioridad de seguimiento.

2. La histología debe mirarse con más detalle que “leve, moderada o severa”

El artículo revisó rasgos individuales de displasia: pérdida de polaridad, estratificación irregular, nucleolos aumentados, hiperplasia, variaciones nucleares/celulares, mitosis atípicas, pérdida de cohesión e infiltrado inflamatorio. Esto enseña que la displasia no es solo una etiqueta; es un conjunto de señales microscópicas que pueden tener peso diferente para el riesgo.

3. El contenido de ADN aporta objetividad, pero requiere laboratorio

La citometría de flujo permite medir fracciones del ciclo celular y exceso de ADN. Su ventaja es que aporta datos cuantificables. Su limitación es que requiere suficiente tejido, técnica estandarizada, controles de calidad y disponibilidad en centros especializados. No todas las biopsias pequeñas o antiguas permiten análisis fiable.

4. El modelo puede ayudar a personalizar seguimiento, no a reemplazar criterio clínico

Una leucoplasia clasificada como alto riesgo podría beneficiarse de seguimiento más estrecho, discusión especializada, reevaluación histopatológica o intervención temprana según contexto clínico. Una lesión clasificada como bajo riesgo no queda “curada” ni exenta de vigilancia. La decisión clínica debe integrar el informe histopatológico, la conducta de la lesión en el tiempo, hábitos, comorbilidades, localización anatómica y posibilidad de multifocalidad.

• La muestra final fue pequeña: 97 casos, con solo 18 transformaciones malignas.

• El estudio fue retrospectivo y proviene de una población geográfica y clínica específica, por lo que puede haber sesgo de representación.

• El modelo tuvo validación interna con cross-validation, pero no validación externa prospectiva en otra población independiente.

• El positive filling replica casos positivos durante entrenamiento; mejora aprendizaje, pero no añade información biológica nueva.

• No todas las biopsias archivadas pudieron analizarse por citometría de flujo, porque algunas tenían poco tejido o histogramas no interpretables.

• La estrategia “first worst” reduce subestimación del riesgo en pacientes con múltiples biopsias, pero no elimina la heterogeneidad espacial y temporal de las lesiones.

• El modelo puede sobreajustarse a características de la cohorte original; requiere estudios multicéntricos y más casos transformados.

• No demuestra que usar el modelo cambie decisiones clínicas, reduzca transformación maligna, mejore supervivencia o disminuya costos.

El lector aprende que la leucoplasia oral no debe evaluarse solo como una mancha blanca. Su riesgo depende de un conjunto de señales: clínica, sitio, persistencia, hábitos, histología, rasgos individuales de displasia y, potencialmente, biomarcadores objetivos como contenido de ADN. La inteligencia artificial puede ayudar a integrar esas señales, pero el fundamento clínico sigue siendo una buena exploración, biopsia adecuada, interpretación histopatológica experta y seguimiento longitudinal.

Este artículo muestra que combinar contenido de ADN por citometría de flujo con rasgos histopatológicos y variables clínicas mediante un modelo multilayer perceptron puede mejorar la estratificación de riesgo en leucoplasia oral. Su principal aporte es integrar varias capas de información en lugar de depender de un solo marcador. El modelo alcanzó alta especificidad y una sensibilidad prometedora, pero no perfecta; por eso no puede usarse para excluir vigilancia clínica ni para reemplazar biopsia, histopatología, seguimiento o criterio especializado.

Para CarpuleNet, el mensaje final es que el futuro del manejo de la leucoplasia probablemente no dependerá de una sola etiqueta histológica, sino de modelos integrados que combinen patología, biología molecular/celular y evolución clínica. Sin embargo, este estudio todavía es una prueba de concepto con validación interna. Antes de convertirlo en una herramienta clínica rutinaria, necesita validación prospectiva, externa y multicéntrica, además de reglas claras de interpretación para evitar falsos negativos y sobretratamiento.

Una leucoplasia no se vuelve segura porque un marcador salga bajo ni se vuelve cáncer porque un modelo la marque como alto riesgo; el valor real está en usar toda la información disponible para decidir vigilancia, biopsia, derivación o intervención con mayor precisión y prudencia.

Pontes GI, Araújo ALD, Soares AB, Warnakulasuriya S, de Freitas ALS, Stevão CG, Sperandio M, Moraes MC. Predicting Malignant Transformation in Oral Leukoplakia: A Multilayer Perceptron Approach Incorporating Clinicopathological Features and DNA Content. Journal of Oral Pathology & Medicine. 2026;55:249-260. doi:10.1111/jop.70084.

Enlace DOI: https://doi.org/10.1111/jop.70084