ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 19-29)
Art´ıculo de revisi´on bibliogr´afica https://doi.org/10.47460/mine rva.v6i18.220
El rol de la inteligencia artifici a l en t´ecnicas no invasivas para el
diagn´ostico del c´ancer oral
Ra
´
ul Antonio Rojas Ortega*
https://orcid.org/0000-0002-0165-7501
raul.rojas@uwiener.edu.pe
Universidad Norbert Wiener
Lima, Per
´
u
Marya Graciela Barzola Loayza
https://orcid.org/0000-0002-1763-4857
marya.barzola@upsjb.edu.pe
Universidad Privada San Juan Bautista
Lima, Per
´
u
Christian Esteban G
´
omez Carri
´
on
https://orcid.org/0000-0001-9698-3176
christian.gomez@uwiener.edu.pe
Universidad Norbert Wiener
Lima, Per
´
u
Ruth Asela Saravia Alviar
https://orcid.org/0000-0001-5065-5863
asela.saravia@unica.edu.pe
Universidad Nacional San Luis Gonzaga
Ica, Per
´
u
*Autor de correspondencia:
raul.rojas@uwiener.edu.pe
Recibido (29/06/2025), Aceptado (28/07/2025)
Resumen. La inteligencia artiĄcial (IA) es una herramienta prometedora para detectar el c
´
ancer oral,
ya que es menos invasiva y costosa, y tiene un alto potencial de precisi
´
on. En este contexto, este
trabajo tuvo como objetivo explorar la aplicaci
´
on de la IA para la detecci
´
on precoz del c
´
ancer oral, sus
aplicaciones y su potencial a futuro. Para ello, se realiz
´
o una revisi
´
on de literatura en cinco etapas
en las bases de datos de Scopus, Scielo y Latindex (2019-2024). Los resultados revelaron que la
IA se desempe
˜
na de forma efectiva en el diagn
´
ostico del c
´
ancer oral, gracias a su capacidad para la
identiĄcaci
´
on de patrones, el r
´
apido an
´
alisis de datos, tareas de clasiĄcaci
´
on y otras capacidades. Se
concluy
´
o que la IA a
´
un enfrenta diversos desaf
´
ıos que se deben superar; por lo tanto, se espera que, a
futuro, la IA contin
´
ue desarroll
´
andose y se integre deĄnitivamente dentro de los procesos oncol
´
ogicos.
Palabras clave: c
´
ancer oral, detecci
´
on temprana, inteligencia artiĄcial, oncolog
´
ıa.
The Role of Artificial Intelligence in Non-Invasive Techniques for the
Diagnosis of Oral Cancer
Abstract. ArtiĄcial intelligence (AI) is a promising tool for detecting oral cancer, as it is less invasive
and costly, and has a high potential for accuracy. In this context, this study aimed to explore the
application of AI for the early detection of oral cancer, its applications, and its future potential. To
this end, a Ąve-stage literature review was conducted in the Scopus, Scielo, and Latindex databases
(2019-2024). The results revealed that AI performs effectively in the diagnosis of oral cancer, thanks to
its ability to identify patterns, rapidly analyze data, perform classiĄcation tasks, and other capabilities.
It was concluded that AI still faces several challenges that must be overcome; therefore, it is expected
that, in the future, AI will continue to develop and be deĄnitively integrated into oncological processes.
Keywords: oral cancer, early detection, artiĄcial intelligence, oncology.
Rojas R. et al. El rol de la inteligencia artificial en tÂecnicas no invasivas para el diagnÂostico del cÂancer oral
19
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 19-29)
I. INTRODUCCI
Â
ON
El c
´
ancer representa un importante problema de salud a nivel mundial, el cual afecta a millones de
personas y se espera que estas cifras aumenten en un futuro cercano. Dentro de los distintos tipos,
se resalta el c
´
ancer oral como el sexto tipo de c
´
ancer m
´
as com
´
un [
1]. Este se caracteriza p or ser una
neoplasia maligna que aparece en distintas regiones de la cavidad oral como pueden ser principalmente
los labios y lengua, adem
´
as de otras zonas como enc
´
ıas, paladar, mucosa, entre otros. Adem
´
as, se tiene
el carcinoma de c
´
elulas escamosas como el tipo de c
´
ancer oral m
´
as com
´
un. Sin embargo, y aunque es
posible tratar exitosamente esta enfermedad si es detectada a tiempo, lo com
´
un es que sea detectada
en etapas avanzadas, cuando su tratamiento es m
´
as complicado, adem
´
as de otras limitaciones como
pron
´
osticos inexactos o tratamientos costosos [
2].
Dada su creciente mortalidad como consecuencia de estas deĄciencias en el diagn
´
ostico y tratamiento,
en a
˜
nos recientes ha incrementado el inter
´
es por el desarrollo de m
´
etodos novedosos que permitan la
detecci
´
on temprana de c
´
elulas cancerosas en la cavidad oral [
3]. Para su detecci
´
on, el procedimiento
m
´
as efectivo contin
´
ua siendo realizar un examen cl
´
ınico, adem
´
as de diversas t
´
ecnicas de apoyo. Ac-
tualmente se utilizan m
´
etodos considerados invasivos, como el caso de la biopsia, as
´
ı como m
´
etodos
no invasivos, como el uso de marcadores moleculares, azul de toluidina o citolog
´
ıa bucal [
4]. Estos
m
´
etodos contin
´
uan bajo un proceso de investigaci
´
on con el objetivo de lograr la detecci
´
on temprana
de esta enfermedad, adem
´
as de otras ramas investigativas como la b
´
usqueda de biomarcadores, o la
inclusi
´
on de herramientas tecnol
´
ogicas.
En general, diversos avances tecnol
´
ogicos han encontrado una utilidad dentro del campo odon-
tol
´
ogico, en especial para el diagn
´
ostico temprano del c
´
ancer oral. Entre las principales herramientas
tecnol
´
ogicas con mayor potencial para este objetivo, se encuentran, por ejemplo, las tecnolog
´
ıas
´
opticas,
capaces de detectar y delimitar regiones con mucosa anormal que podr
´
ıa indicar la presencia de car-
cinog
´
enesis. Adem
´
as, se tienen las tecnolog
´
ıas de microscop
´
ıa in vivo, consideradas las m
´
as promete-
doras para potenciar estos procedimientos [
4]. Del mismo modo, se resalta particularmente la reciente
implementaci
´
on de t
´
ecnicas de inteligencia artiĄcial para una detecci
´
on precisa de c
´
elulas cancerosas,
entre las cuales se encuentra el uso de modelos espec
´
ıĄcos como deep learning, fuzzy computing, data
mining, etc. [
5].
La inteligencia artiĄcial (IA) ha destacado por ser una de las innovaciones m
´
as importantes del
presente siglo, caracterizada por proporcionar a una m
´
aquina la capacidad de realizar tareas de un
modo similar a como lo har
´
ıa un ser humano, y que cada vez est
´
a m
´
as presente en la vida cotidiana
de las personas. Los distintos avances producidos en base a la IA han encontrado usos en distintos
´
ambitos de la sociedad, y el campo de la medicina no ha sido la excepci
´
on. El uso m
´
edico de la IA
ha permitido mejorar la eĄciencia de los sistemas de salud, y servir como herramientas de apoyo para
los profesionales sanitarios en diversas tareas [
5]. Estos sistemas cuentan con capacidades para tareas
como el an
´
alisis preciso de im
´
agenes o el procesamiento de grandes cantidades de datos, raz
´
on por la
cual resultan particularmente
´
utiles para la identiĄcaci
´
on temprana del c
´
ancer oral.
Adem
´
as, la IA ha demostrado gran potencial dentro de la oncolog
´
ıa para acelerar los procesos de
detecci
´
on de c
´
elulas cancerosas dentro de la cavidad oral de las personas y, en consecuencia, reducir
la mortalidad asociada con esta enfermedad [
6]. En este contexto, este trabajo tuvo como objetivo
explorar la aplicaci
´
on de la IA para la detecci
´
on precoz del c
´
ancer oral. Del mismo modo, se exploraron
las diversas aplicaciones de estas nuevas tecnolog
´
ıas y el potencial a futuro que presentan.
II. DESARROLLO
Se entiende por c
´
ancer oral a una enfermedad que se caracteriza por la aparici
´
on de c
´
elulas cancerosas
dentro de la cavidad oral o de alguna estructura perteneciente al sistema estomatogn
´
atico. La inĆuencia
de distintos factores de tipo gen
´
etico, ambiental o inmunol
´
ogico son responsables de la aparici
´
on y
desarrollo de esta enfermedad [
7]. Se sabe que el c
´
ancer oral representa uno de los tipos de c
´
ancer
m
´
as comunes, y se ha posicionado como el sexto tipo m
´
as com
´
un a nivel mundial. Junto con su alta
mortalidad, esto lo vuelve un importante problema de salud a nivel mundial [2]. Se tiene a los carcinomas
de c
´
elulas escamosas como el tipo m
´
as com
´
un de c
´
ancer oral, con el 90% de casos, adem
´
as de otros
mucho menos comunes que pueden aparecer en regiones como las gl
´
andulas salivales, melanomas o
linfomas [
8].
Entre los principales factores de riesgo del c
´
ancer oral, se tienen actividades como el consumo de
tabaco y alcohol, adem
´
as de factores intr
´
ınsecos como la predisposici
´
on gen
´
etica, o incluso la infecci
´
on
de organismos como distintos tipos de virus, como se observa en la Tabla 1. En particular, el consumo
de tabaco es nocivo para la salud p or la presencia de agentes carcin
´
ogenos en su composici
´
on, los cuales
favorecen la generaci
´
on de tumores, no solo en la cavidad oral, sino en otras zonas como los pulmones
Rojas R. et al. El rol de la inteligencia artificial en tÂecnicas no invasivas para el diagnÂostico del cÂancer oral
20
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 19-29)
o el es
´
ofago [2]. Del mismo modo, se ha documentado que ciertos virus, como el de inmunodeĄciencia
humana (VIH), e incluso algunas cepas del virus del papiloma humano (VPH), est
´
an aso ciados con
un mayor riesgo de desarrollar c
´
ancer oral. Dentro de este
´
ultimo grupo, destacan las cepas VPH16 y
VPH18 como las m
´
as comunes asociadas a la carcinog
´
enesis en la regi
´
on oral.
Tabla 1. Factores de riesgo del c
Â
ancer oral.
Factores Impacto
Tabaco Las personas que consumen tabaco son 8.4 veces m
Â
as propensas a contraer c
Â
ancer
oral en comparaci
Â
on con los no consumidores.
Alcohol Est
Â
a asociado con un mayor riesgo de distintos tipos de c
Â
ancer adem
Â
as del oral,
el cual aumenta a
Â
un m
Â
as cuando se consume simult
Â
aneamente con el tabaco.
VPH La infecci
Â
on por este virus causa entre un 2 y un 8% de los casos de c
Â
ancer oral.
Fuente: Elaboraci
Â
on propia.
Aunque el c
´
ancer oral es una enfermedad presente a nivel mundial, esta ha mostrado una distribuci
´
on
desigual alrededor del planeta, con una mayor cantidad de casos en regiones como Asia y Europa, en
especial pa
´
ıses como India, Pakist
´
an o Sri Lanka [
3]. Aunado a esto, se posiciona como la novena
causa de mortalidad oncol
´
ogica en el planeta, alcanzando cifras de casi 360 mil muertes al a
˜
no, y se
espera que dicha cantidad aumente en a
˜
nos posteriores. En general, la supervivencia de los pacientes
con c
´
ancer oral es de cinco a
˜
nos, aunque esto es consecuencia de un diagn
´
ostico tard
´
ıo, cuando la
enfermedad ya se encuentra en etapas avanzadas. Esto a su vez requiere que el c
´
ancer sea tratado de
manera agresiva, lo que impacta negativamente en la calidad de vida de las personas, adem
´
as de dejar
secuelas de car
´
acter est
´
etico y funcional [1].
Frente a la mortalidad del c
´
ancer oral, es necesario que los odont
´
ologos y especialistas participen de
manera m
´
as activa en la lucha contra esta enfermedad. Es importante, por un lado, mejorar los planes
acad
´
emicos orientados a estudiantes de odontolog
´
ıa para que se encuentren debidamente entrenados en
el diagn
´
ostico y tratamiento del c
´
ancer oral, y, del mismo modo, estos profesionales deben fomentar la
prevenci
´
on y control de c
´
elulas cancer
´
ıgenas [
7]. Adem
´
as de la concientizaci
´
on sobre los riesgos de esta
enfermedad, la prevenci
´
on incluye la detecci
´
on de los tumores mediante una serie de t
´
ecnicas, las cuales
han ido evolucionando en a
˜
nos recientes [3]. Esto debido a que el c
´
ancer oral es prevenible
´
unicamente
si es detectado a tiempo, raz
´
on por la cual se ha vuelto importante mejorar las t
´
ecnicas de detecci
´
on
disponibles para reducir su mortalidad [2].
III. METODOLOG
Â
IA
Se realiz
´
o una revisi
´
on de literatura con el objetivo de identiĄcar, analizar y sintetizar la producci
´
on
acad
´
emica sobre el uso de la inteligencia artiĄcial (IA) para la detecci
´
on del c
´
ancer oral. Para ello, se
estructur
´
o la revisi
´
on siguiendo las etapas para la realizaci
´
on de revisiones de literatura deĄnidas por
Denyer y TranĄeld (Figura
1).
Por otro lado, el proceso de selecci
´
on de los art
´
ıculos se llev
´
o a cabo conforme a la Declaraci
´
on
PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), la cual proporciona
un marco transparente y replicable que asegura la calidad y la trazabilidad metodol
´
ogica durante la
revisi
´
on sistem
´
atica.
Fig. 1. Etapas de la revisi
Â
on de literatura.
A. Etapa 1: FormulaciÂon de preguntas
Esta revisi
´
on tuvo como prop
´
osito explorar la aplicaci
´
on de la inteligencia artiĄcial (IA)para la
detecci
´
on precoz del c
´
ancer oral, sus diversas aplicaciones y su potencial a futuro. Tomando esto como
base, se plantearon tres preguntas de investigaci
´
on:
• P1: ćCu
´
ales son las t
´
ecnicas no invasivas actuales para la detecci
´
on temprana del c
´
ancer oral?
• P2: ćC
´
omo se aplica la IA para detecci
´
on temprana del c
´
ancer oral?
Rojas R. et al. El rol de la inteligencia artificial en tÂecnicas no invasivas para el diagnÂostico del cÂancer oral
21
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 19-29)
• P3: ćCu
´
ales son los retos y las perspectivas futuras de la aplicaci
´
on de la IA para detectar el
c
´
ancer oral?
Estas preguntas guiaron la b
´
usqueda de literatura y sentaron la base para la quinta etapa de esta
revisi
´
on.
B. Etapa 2: LocalizaciÂon de artÂıculos
La localizaci
´
on de estudios relevante s se realiz
´
o en bases de datos latinoamericanas relevantes a
trav
´
es de cadenas de b
´
usqueda. Se seleccionaron palabras clave del tesauro de la UNESCO: inteligencia
artiĄcial, detecci
´
on, c
´
ancer oral y sus correlatos en ingl
´
es. Las cadenas de b
´
usqueda se construyeron
al combinar estos t
´
erminos con operadores booleanos e ingresarlas en los motores de b
´
usqueda en los
campos de t
´
ıtulo, resumen y palabras clave.
Las bases de datos seleccionadas fueron Scopus, Scielo y Latindex. El rango temporal deĄnido para
la b
´
usqueda fue de 2019 a 2024.
C. Etapa 3: SelecciÂon de estudios
La selecci
´
on de estudios se realiz
´
o con base en los siguientes criterios de inclusi
´
on:
• Art
´
ıculos revisados por pares.
• Art
´
ıculos originales y de revisi
´
on que aborden el uso de la IA para detectar el c
´
ancer oral.
• Publicaciones en espa
˜
nol e ingl
´
es.
Por otro lado, se excluyeron art
´
ıculos con base en estos criterios de exclusi
´
on:
• Estudios que no se centran en la IA, Machine Learning o Deep Learning.
• Editoriales o art
´
ıculos de opini
´
on sin rigurosidad metodol
´
ogica.
• Art
´
ıculos publicados como preprints.
• Estudios publicados en revistas que no realizan revisi
´
on p or pares.
El proceso de selecci
´
on de los art
´
ıculos sigui
´
o el Ćujo descrito en la Tabla
2, adecuado a los
lineamientos de la Declaraci
´
on PRISMA.
Tabla 2. Selecci
Â
on mediante PRISMA.
Fase DescripciÂon Cantidad (N)
IdentificaciÂon Registros que se identificaron en las bases de datos. 276
Cribado Registros luego de que se eliminaron los duplicados y se leyera el
resumen, t
Â
ıtulo y palabras clave.
147
Elegibilidad Documentos evaluados mediante los criterios de inclusi
Â
on y lectura
del texto completo.
45
Incluidos Art
Â
ıculos seleccionados para la revisi
Â
on. 20
Fuente: Elaboraci
Â
on propia con base en la Declaraci
Â
on PRISMA.
D. Etapa 4: AnÂalisis y sÂıntesis
En esta etapa, los datos relevantes se extrajeron de la literatura, se sintetizaron y evaluaron. El
an
´
alisis se realiz
´
o me diante el resumen de los estudios en una hoja de c
´
alculo e n MS Excel. La s
´
ıntesis
se aplic
´
o mediante asociaciones entre los temas identiĄcados en cada art
´
ıculo para resp onder a las
preguntas de la revisi
´
on.
Se depur
´
o la muestra eliminando palabras vac
´
ıas y otros t
´
erminos que pudieran inducir a error
respecto a los objetivos de este estudio. Adem
´
as, se analiz
´
o la tendencia sobre el campo de investigaci
´
on
utilizando el software VosViewer, el cual permiti
´
o crear redes de palabras clave para conectar los temas
emergentes aso ciados a los m
´
etodos no invasivos, la IA y el diagn
´
ostico temprano de c
´
ancer oral.
Rojas R. et al. El rol de la inteligencia artificial en tÂecnicas no invasivas para el diagnÂostico del cÂancer oral
22
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 19-29)
E. Etapa 5: UtilizaciÂon y presentaciÂon de informes de los resultados
El informe se elabor
´
o mediante un an
´
alisis descriptivo y tem
´
atico para abordar las preguntas de
revisi
´
on predeterminadas. El an
´
alisis descriptivo proporciona una breve introducci
´
on a los art
´
ıculos
revisados mediante tabulaciones, gr
´
aĄcos y una descripci
´
on detallada de los estudios.
Adem
´
as, el an
´
alisis de contenido tem
´
atico permiti
´
o adoptar un enfoque interpretativo para analizar
los resultados de los estudios. Se emplearon las redes de palabras clave para analizar las tendencias en
investigaci
´
on y asociarlas con los art
´
ıculos seleccionados en esta revisi
´
on.
IV. RESULTADOS
A. Innovaciones en tÂecnicas de detecciÂon no invasivas
En la revisi
´
on bibliogr
´
aĄca se pudo observar que el principal problema con la detecci
´
on temprana del
c
´
ancer oral es que las primeras se
˜
nales son asintom
´
aticas, y esto ocasiona que las personas no acudan a
buscar ayuda profesional sino hasta despu
´
es de varios meses, cuando las lesiones ya est
´
an desarrolladas.
Esto junto con una preparaci
´
on inadecuada, son los principales problemas que enfrentan los odont
´
ologos
para un diagn
´
ostico precoz de esta enfermedad [
4].
Adem
´
as, la t
´
ecnica m
´
as utilizada para una detecci
´
on temprana de c
´
elulas cancerosas sigue siendo
el examen cl
´
ınico, donde se inspecciona la cavidad oral del paciente y se realizan palpaciones en busca
de le siones sospechosas [
1]. Sin embargo, estos procedimientos pueden ser invasivos e inc
´
omodos para
los pacientes, por lo que se han desarrollado diferentes m
´
etodos a lo largo de los a
˜
nos.
Ante e sta situaci
´
on, se ha conĄrmado el desarrollo de un conjunto de t
´
ecnicas no invasivas para
detectar de forma temprana el c
´
ancer oral (Tabla 3). Si bien estas t
´
ecnicas presentan ciertas limitaciones,
han mostrado una gran efectividad y precisi
´
on para detectar c
´
elulas precancerosas o anomal
´
ıas, lo que
permite tomar medidas preventivas para los pacientes.
Tabla 3. Aplicaci
Â
on y efectividad de t
Â
ecnicas no invasivas
TÂecnica Funcionamiento Efectividad Fuente
Citolog
Â
ıa exfoliativa An
Â
alisis celular de mucosa
recolectada mediante cepil-
lado.
La presencia de c
Â
elulas neopl
Â
asicas detectadas a
trav
Â
es de la citolog
Â
ıa correspondi
Â
o a las detectadas
con la biopsia. El diagn
Â
ostico fue gen
Â
erico y efectivo,
pero deficiente en la diferenciaci
Â
on celular.
[9]
Biomarcadores sali-
vales
Detecci
Â
on de prote
Â
ınas,
ADN y ARN.
Estos biomarcadores tienen gran potencial para de-
tectar de forma temprana el c
Â
ancer oral. Se requiere
identificar una mol
Â
ecula que cumpla los requisitos
para ser usada como biomarcador gen
Â
erico.
[10]
Autofluorescencia Estimulaci
Â
on mediante luz
de corta longitud de onda.
La autofluorescencia es m
Â
as sensible para detectar
c
Â
ancer y prec
Â
ancer que los ex
Â
amenes cl
Â
ınicos, pero
no es suficientemente precisa para usarse por s
Â
ı sola.
[11]
Tomograf
Â
ıa de co-
herencia
Â
optica
Visualizaci
Â
on en tiempo real
con alta resoluci
Â
on.
Presenta sensibilidad y especificidad muy altas.
Destaca por su eficacia al diferenciar entre tejidos
normales y patol
Â
ogicos.
[12]
Frotamiento y en-
juague
Frotado y enjuague para
an
Â
alisis posterior.
Alta sensibilidad (84,54%), especificidad (85,83%)
y valor predictivo (82,83%). Precisi
Â
on diagn
Â
ostica
de 85,25%. Adem
Â
as, puede identificar alteraciones
gen
Â
eticas.
[13]
Tinci
Â
on vital Colorantes que ti
˜
nen selec-
tivamente c
Â
elulas vivas con
caracter
Â
ısticas anormales.
M
Â
etodo econ
Â
omico y sencillo para diagn
Â
ostico ini-
cial, pero no sustituye m
Â
etodos definitivos como la
biopsia.
[14]
Fuente: Elaboraci
Â
on propia con base en la literatura consultada.
El an
´
alisis de palabras clave mediante la red bibliom
´
etrica generada con el software VOSViewer
permiti
´
o identiĄcar cuatro temas emergentes asociados a los m
´
etodos no invasivos para el diagn
´
ostico
de c
´
ancer oral (Figura 2).
El primer grupo (cl
´
uster rojo) incluye m
´
etodos con alta sensibilidad y especiĄcidad para detectar
c
´
ancer en la cavidad bucal, como la autoĆuorescencia y los diagn
´
osticos por im
´
agenes, los cuales
muestran un alto desempe
˜
no en etapas precancer
´
ıgenas [
11].
El segundo grupo (cl
´
uster verde) agrupa los m
´
etodos que analizan la saliva para detectar biomar-
cadores que indiquen la presencia de neoplasias bucales. Esta t
´
ecnica presenta gran potencial para
diagn
´
osticos tempranos efectivos [10].
El tercer grup o (cl
´
uster azul) corresponde a la tomograf
´
ıa de coherencia
´
optica y otros m
´
etodos
que dependen de la agudeza visual de los especialistas. Estos son eĄcaces para diferenciar tejidos,
Rojas R. et al. El rol de la inteligencia artificial en tÂecnicas no invasivas para el diagnÂostico del cÂancer oral
23
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 19-29)
estadiĄcar la etapa del c
´
ancer y mejorar el diagn
´
ostico temprano de la enfermedad [12].
Finalmente, el cuarto grupo (cl
´
uster amarillo) contiene dos t
´
erminos principales: c
´
ancer oral y
enfermedades, los cuales se conectan con los otros cl
´
usteres, principalmente a los t
´
erminos relacionados
con diagn
´
ostico, sensibilidad y tumores bucales.
Fig. 2. Red de palabras clave de los m
Â
etodos no invasivos.
B. Inteligencia artificial en el diagnÂostico del cÂancer oral
La revisi
´
on bibliogr
´
aĄca permiti
´
o reconocer el potencial de las herramientas de inteligencia artiĄcial
en todos los sectores sociales, con una evoluci
´
on permanente en el tiempo. Su alcance ha llegado al
campo m
´
edico, espec
´
ıĄcamente en el reconocimiento de distintos tipos de c
´
ancer, donde sirve como
apoyo en el diagn
´
ostico y an
´
alisis de datos. La Tabla
4 presenta las principales aplicaciones de la IA en
la identiĄcaci
´
on temprana de neoplasias bucales.
El an
´
alisis de palabras clave (Figura 3) revel
´
o que las t
´
ecnicas de ML y DL de la Tabla 4 fueron
los temas emergentes durante el periodo que abarc
´
o la revisi
´
on. Tanto el primer cl
´
uster (rojo) como
el segundo (verde) abordan los estudios sobre ML y DL, respectivamente, y sus respectivas t
´
ecnicas
desarrolladas (como las redes neuronales en cada caso). Por otro lado, el tercer cl
´
uster (azul) engloba
los estudios que tratan sobre el soporte de la IA para que los m
´
edicos puedan tomar decisiones asociadas
al tratamiento correcto para cada caso o la terapia efectiva para cada paciente. Por
´
ultimo, el cuarto
cl
´
uster (amarillo) engloba el an
´
alisis de im
´
agenes mediante las distintas t
´
ecnicas de IA. De este modo,
se evidencia que las t
´
ecnicas identiĄcadas en esta recisi
´
on se sit
´
uan en el inter
´
es de la comunidad
investigadora y se encuentran en evoluci
´
on, dado los estudios relacionados.
Rojas R. et al. El rol de la inteligencia artificial en tÂecnicas no invasivas para el diagnÂostico del cÂancer oral
24
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 19-29)
Tabla 4. Aplicaciones de la IA en el diagn
Â
ostico de c
Â
ancer oral
TÂecnica Aporte Limitaciones Fuente
Machine Learning (ML)
Regresi
Â
on lineal Permite a los m
Â
edicos predecir
la progresi
Â
on de la enfermedad.
Se requiere de perfiles gen
Â
eticos es-
pec
Â
ıficos para mejorar los resultados.
[15]
Bosques aleatorios Puede emplearse para la de-
tecci
Â
on de c
Â
ancer oral precan-
ceroso y la clasificaci
Â
on de car-
cinomas.
Se requiere mayor investigaci
Â
on para
optimizar el m
Â
etodo.
[16]
M
Â
aquina de super
vectores
Distingue autom
Â
aticamente
entre tejido oral maligno y
sano utilizando datos de endo-
scopias.
Necesita entrenamiento independiente
para cada conjunto de datos.
[17]
Red neuronal artificial Facilita la detecci
Â
on y el di-
agn
Â
ostico bas
Â
andose en grandes
conjuntos de datos.
Requiere entrenamiento constante
para mantener la precisi
Â
on.
[18]
Deep Learning (DL)
Red neuronal con-
volucional (CNN)
Clasifica im
Â
agenes orales en
normales o anormales.
Los modelos pueden volverse obsole-
tos r
Â
apidamente.
[19]
Red neuronal con-
volucional tridimen-
sional (3D-CNN)
Identifica mejor las lesiones be-
nignas y malignas en etapas
tempranas.
Necesita m
Â
ultiples tipos de im
Â
agenes
para mayor efectividad.
[20]
Bosque de super-
vivencia aleatorio
(RSF)
Predice diagn
Â
osticos y gu
Â
ıa a
los m
Â
edicos en la elecci
Â
on de
tratamientos.
El rendimiento puede disminuir con el
tiempo y variar seg
Â
un los datos.
[19, 20]
Fuente: Elaboraci
Â
on propia con base en literatura consultada.
Fig. 3. Red de palabras clave sobre la aplicaci
Â
on de IA en el diagn
Â
ostico de c
Â
ancer oral.
Los avances en el campo de la inteligencia artiĄcial (IA) ofrecen un potente m
´
etodocomplementario
para realizar un cribado automatizado de la cavidad oral. Las diversas modalidades utilizadas en estudios
previos relacionados con la IA y la investigaci
´
on de c
´
ancer oral, as
´
ı como las aplicaciones y ventajas que
esta tecnolog
´
ıa ap orta a la oncolog
´
ıa oral, se presentan en la Tabla
5.
Rojas R. et al. El rol de la inteligencia artificial en tÂecnicas no invasivas para el diagnÂostico del cÂancer oral
25
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 19-29)
Tabla 5. Datos usados por la IA y sus ventajas en el diagn
Â
ostico de c
Â
ancer oral
Datos usados por las tecnologÂıas de IA Ventajas
• Im
Â
agenes cl
Â
ınicas y fotogr
Â
aficas
• Historial de h
Â
abitos de los pacientes
• Imagen de autofluorescencia
• Tomograf
Â
ıa de coherencia
Â
optica
• Espectroscopia Raman
• Sonda de espectroscopia
• Im
Â
agenes hiperespectrales
• Datos de expresi
Â
on gen
Â
etica
• Im
Â
agenes radiogr
Â
aficas
• Metabolitos de la saliva
• Im
Â
agenes histopatol
Â
ogicas y secciones de tejido in-
munote
˜
nido con P53
• Detecci
Â
on y clasificaci
Â
on de lesiones cancerosas.
• Interpretaci
Â
on de im
Â
agenes de mucosa oral normal
y lesiones precancerosas.
• Automatizaci
Â
on de procesos diagn
Â
osticos.
• Apoyo en la toma de decisiones m
Â
edicas.
• Predicci
Â
on de met
Â
astasis en ganglios linf
Â
aticos.
• Identificaci
Â
on de biomarcadores precisos.
Fuente: Adaptado de A. Kharche et. al.
Por lo tanto, la IA tiene el potencial de apoyar a los m
´
etodos no invasivos y mejorar los resultados en
t
´
erminos de sensibilidad e identiĄcabilidad. Asimismo, la IA ofrece la oportunidad de desarrollar nuevas
t
´
ecnicas combinadas con enfoques tradicionales para mejorar la precisi
´
on en la detecci
´
on de c
´
ancer oral,
as
´
ı como predecir la evoluci
´
on de lesiones cancerosas. Sin embargo, se requieren de estudios para que
estas t
´
ecnicas evolucionen.
C. Retos actuales y perspectivas
Actualmente, la implementaci
´
on de algoritmos de IA enfrenta una serie de desaf
´
ıos que limitan su
potencial. Entre ellos, se encuentran la falta de bases de datos p
´
ublicas con im
´
agenes de lesiones
cancerosas de alta calidad, necesarias para el entrenamiento de los algoritmos. Otro aspecto cr
´
ıtico es
la privacidad y conĄdencialidad de los datos recolectados de los pacientes, que podr
´
ıan ser susceptibles
a ataques cibern
´
eticos o uso indebido. Adem
´
as, existe el riesgo de generar una dependencia excesiva
hacia estas tecnolog
´
ıas, con la posibilidad de reemplazar el criterio cl
´
ınico de los especialistas, cuando
su funci
´
on deb e ser
´
unicamente la de servir como herramienta de apoyo.
En cuanto al futuro, la IA presenta un gran potencial en el
´
ambito odontol
´
ogico, especialmente en
la oncolog
´
ıa, no solo para la detecci
´
on de lesiones, sino tambi
´
en para tareas como atenci
´
on al paciente
e identiĄcaci
´
on de interacciones entre f
´
armacos. Estas herramientas pueden combinarse con t
´
ecnicas
emergentes para perfeccionar los procesos de diagn
´
ostico temprano del c
´
ancer oral. Por ejemplo, la
integraci
´
on de la IA con modalidades como la tomograf
´
ıa de coherencia
´
optica podr
´
ıa mejorar la precisi
´
on
diagn
´
ostica, aunque a
´
un se requiere de mayor validaci
´
on para su implementaci
´
on cl
´
ınica [
3]. Asimismo,
sistemas basados en IA, como el conocido ChatGPT, podr
´
ıan desempe
˜
nar un papel relevante en el
diagn
´
ostico y tratamiento. Gracias a sus capacidades de comprensi
´
on del lenguaje natural y an
´
alisis de
grandes vol
´
umenes de datos, estos sistemas pueden convertirse en aliados estrat
´
egicos tanto para los
profesionales como para empoderar a los pacientes en su proceso de atenci
´
on m
´
edica.
Para alcanzar el m
´
aximo potencial de la IA en este campo, ser
´
a necesario optimizar los algoritmos en
t
´
erminos de precisi
´
on y usabilidad, de forma que puedan adaptarse a una amplia variedad de escenarios
cl
´
ınicos. Entre las mejoras m
´
as imp ortantes se encuentran:
• Mayor interpretabilidad de los modelos.
• Desarrollo de bases de datos amplias y robustas.
• Implementaci
´
on de procesos de preprocesamiento de datos antes del entrenamiento.
Rojas R. et al. El rol de la inteligencia artificial en tÂecnicas no invasivas para el diagnÂostico del cÂancer oral
26
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 19-29)
Estos avances ser
´
an fundamentales para lograr una implementaci
´
on cl
´
ınica efectiva que transforme
el diagn
´
ostico y tratamiento del c
´
ancer oral. De este modo, la IA podr
´
ıa convertirse en una herramienta
s
´
olida para garantizar un diagn
´
ostico temprano, me jorar la efectividad de los tratamientos y generar un
impacto p ositivo en la calidad de vida de los pacientes.
CONCLUSIONES
Se ha evidenciado el potencial de la IA como una herramienta prometedora para el diagn
´
ostico del
c
´
ancer oral, gracias a su capacidad para la identiĄcaci
´
on de patrones complejos, el r
´
apido an
´
alisis de
grandes vol
´
umenes de datos, tareas de clasiĄcaci
´
on y predicci
´
on, etc. Se observ
´
o que algoritmos de ML
muestran un s
´
olido desempe
˜
no en la detecci
´
on temprana de lesiones cancerosas, pues estas permiten
mejorar tanto la precisi
´
on como la rapidez de los diagn
´
osticos. De manera similar, las t
´
ecnicas m
´
as
avanzadas basadas en DL demostraron ser fundamentales para el an
´
alisis automatizado de im
´
agenes
m
´
edicas. Gracias a esto, no solo se reduce la carga laboral sobre los especialistas, sino que es posible
ofrecer diagn
´
osticos m
´
as r
´
apidos, precisos, y accesibles para los pacientes que padecen esta enfermedad.
En general, la IA se presenta con el potencial de revolucionar la forma en que se llevan a cabo
los procesos de diagn
´
ostico del c
´
ancer oral, y que incluso pueden llegar a p otenciar el desempe
˜
no de
otras t
´
ecnicas concebidas para la misma Ąnalidad. Sin embargo, tambi
´
en qued
´
o en evidencia que estas
tecnolog
´
ıas a
´
un tienen camino por recorrer para alcanzar su m
´
aximo potencial, dada la existencia de
una serie de desaf
´
ıos que a
´
un deben ser abordados. Dentro de estas, se encuentran no solo limitaciones
t
´
ecnicas propias de los algoritmos involucrados, sino preocupaciones respecto a la informaci
´
on sensible
que utilizar
´
ıan estos programas, y los riesgos a los que estar
´
ıa expuesta.
Por estos motivos, el futuro de la IA dentro de la oncolog
´
ıa oral depende de la superaci
´
on de dichas
barreras mediante el desarrollo de algoritmos m
´
as precisos, efectivos y adaptables a distintos contextos
cl
´
ınicos. Para lograr esta consolidaci
´
on de la IA para tareas de diagn
´
ostico de c
´
ancer oral, ser
´
a necesaria
una colaboraci
´
on interdisciplinaria que permita perfeccionar estas t
´
ecnicas, y orientarlas adecuadamente
hacia este campo, adem
´
as de validar su uso cl
´
ınico. Si estas t
´
ecnicas son desarrolladas adecuadamente
y bajo un enfoque
´
etico, pueden convertirse en un apoyo fundamental para los especialistas y ser
´
utiles
para mejorar la salud y calidad de vida de las personas.
REFERENCIAS
[1] D. E. Ord
´
o
˜
nez, A. F. Chamorro, J. A. Cruz, and M. A. Pizarro, ŞEvaluaci
´
on del
conocimiento del c
´
ancer oral y manejo odontol
´
ogico del paciente oncol
´
ogico en cali,
colombia,Ť Acta Odontol
´
ogica Colombiana, vol. 10, no. 1, 2020.
[2] D. C. Cazar and A. D. C. Armas, ŞEtiolog
´
ıa m
´
as frecuente del c
´
ancer oral en adultos
j
´
ovenes: Una revisi
´
on de literatura,Ť Revista San Gregorio, vol. 52, pp. 175Ű188, 2022.
[3] P. A. Mena, H. L. Escobar, and K. D. Panchi, ŞRevisi
´
on sistem
´
atica sobre la detec ci
´
on tem-
prana del c
´
ancer oral,Ť Dilemas contempor
´
aneos: Educaci
´
on, Pol
´
ıtica y Valores, vol. 10,
p. 72, 2022.
[4] A. J. D
´
ıaz, L. Anaya, and C. J. Rojano, ŞAn
´
alisis de los m
´
etodos de detecci
´
on de lesiones
orales potencialmente malignas,Ť Acta M
´
edica Colombiana, vol. 46, no. 1, p. 1, 2020.
[5] M. C. Castillo, K. J. Obispo, and J. H. Wilches, ŞImpacto de la inteligencia artiĄcial en
la odontolog
´
ıa: una reĆexi
´
on,Ť Ustasalud, vol. 23, no. 1, 2023.
[6] S. Hegde, V. Ajila, W. Zhu, and C. Zeng, ŞArtiĄcial intelligence in early diagnosis and
prevention of oral cancer,Ť Asia Pac J Oncol Nurs, vol. 9, no. 12, p. 100133, 2022.
[7] I. Molina-
´
Avila, J. M. Pimentel-Sol
´
a, A. Rocha-Buelvas, and C. A. Hidalgo-Pati
˜
no,
ŞC
´
ancer oral: Conocimiento, actitudes y pr
´
acticas de los odontologos de la provincia
de salta, argentina, 2018,Ť International journal of odontostomatology, vol. 16, no. 2, pp.
249Ű257, 2022.
Rojas R. et al. El rol de la inteligencia artificial en tÂecnicas no invasivas para el diagnÂostico del cÂancer oral
27
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 19-29)
[8] S. Abati, C. Bramati, S. Bondi, A. Lissoni, and M. Trimarchi, ŞOral cancer and precancer:
A narrative review on the relevance of early diagnosis,Ť Int J Environ Res Public Health,
vol. 17, no. 24, p. 9160, 2020.
[9] S. L. Berm
´
udez, P. M. Canto, M. D. Artiles, J. R. Rodr
´
ıguez, and M. D. Dur
´
an, ŞCitolog
´
ıa
exfoliativa en el diagn
´
ostico precoz del c
´
ancer bucal,Ť Acta M
´
edica del Centro, vol. 15,
no. 3, pp. 425Ű438, 2021.
[10] D. Bast
´
ıas, A. Maturana, C. Mar
´
ın, R. Mart
´
ınez, and S. E. Niklander, ŞSalivary biomarkers
for oral cancer detection: An exploratory systema tic review,Ť Int J Mol Sci, vol. 25, no. 5,
p. 2634, 2024.
[11] D. H. Kim, S. W. Kim, and S. H. Hwang, ŞAutoĆuorescence imaging to identify oral
malignant or premalignant lesions: Systematic review and meta-analysis,Ť Head Neck,
vol. 42, no. 12, pp. 3735Ű3743, 2020.
[12] W. Jerjes, H. Stevenson, D. Ramsay, and Z. Hamdoon, ŞEnhancing oral cancer detection:
A systematic review of the diagnostic accuracy and future integration of optical coherence
tomography with artiĄcial intelligence,Ť J Clin Med, vol. 13, no. 19, p. 5822, 2024.
[13] A. DCruz et al., ŞUse of oral rub and rinse technique for oral cancer screening: Results
from a community-based program in an lmic,Ť Asian PaciĄc Journal of Cancer Prevention,
vol. 26, no. 1, pp. 91Ű99, 2025.
[14] T. V. Pierfelice et al., ŞThe diagnostic potential of non-invasive tools for oral cancer and
precancer: A systematic review,Ť Diagnostics, vol. 14, no. 18, p. 2033, 2024.
[15] C. S. Chu, N. P. Lee, J. Adeoye, P. Thomson, and S. Choi, ŞMachine learning and
treatment outcome prediction for oral cancer,Ť Journal of Oral Pathology & Medicine,
vol. 49, no. 10, pp. 977Ű985, 2020.
[16] D. K. Das, S. Bose, A. K. Maiti, B. Mitra, G. Mukherjee, and P. K. Dutta, ŞAutomatic
identiĄcation of clinically relevant regions from oral tissue histological images for oral
squamous cell carcinoma diagnosis,Ť Tissue Cell, vol. 53, pp. 111Ű119, 2019.
[17] E. Duran-Sierra et al., ŞMa chine-learning assisted discrimination of precancerous and can-
cerous from healthy oral tissue based on multispectral autoĆuorescence lifetime imaging
endoscopy,Ť Cancers (Basel), vol. 13, no. 19, p. 4751, 2021.
[18] A. Alhazmi et al., ŞApplication of artiĄcial intelligence and machine learning for prediction
of oral cancer risk,Ť Journal of Oral Pathology & Medicine, vol. 50, no. 5, pp. 444Ű450,
2021.
[19] M. P. Kirubabai and G. Arumugam, ŞDeep learning classiĄcation method to detect and
diagnose the cancer regions in oral mri images,Ť Medico-Legal Update, vol. 21, no. 1, pp.
462Ű468, 2021.
[20] S. Xu et al., ŞAn early diagnosis of oral cancer based on three-dimensional convolutional
neural networks,Ť IEEE Access, vol. 7, pp. 158 603Ű158 611, 2019.
Rojas R. et al. El rol de la inteligencia artificial en tÂecnicas no invasivas para el diagnÂostico del cÂancer oral
28
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 19-29)
AUTORES
Ra´ul Antonio Rojas Ortega. Do ctor en Odontolog
´
ıa y Cirujano Dentista
con 16 a
˜
nos de experiencia. Ha sido director de Estomatolog
´
ıa en la Uni-
versidad Franklin Roosevelt y en la Universidad Juan Pablo II. Cuenta con
amplia experiencia docente, asesorando tesis tanto en pregrado como en
posgrado. Es recono cido como Docente RENACYT por el CONCYTEC
(Per
´
u).
Marya Graciela Barzola Loayza. Dra. Mg. Esp. En Odontopedi-
atr
´
ıa. Investigador enfocado en Odontolog
´
ıa y educaci
´
on, odontolog
´
ıa
cl
´
ınica basada en evidencia. Asesor de tesis de posgrado. Co-autor de
publicaciones nacionales e internacionales indexadas en Scopus, Web of
Sciencie, Scielo y Latindex.
Christian Esteban G´omez Carri´on. Docente de Rehabilitaci
´
on Oral con
una destacada trayectoria acad
´
emica y profesional. Cuenta con el grado de
Doctor en Administraci
´
on de la Educaci
´
on, as
´
ı como Mag
´
ıster en Odon-
tolog
´
ıa y Mag
´
ıster en Docencia y Gesti
´
on. Adem
´
as, es Especialista en
Rehabilitaci
´
on Oral.
Ruth Asela Saravia Alviar. Doctora en Odontolog
´
ıa es Vicerrectora
Acad
´
emica de la Universidad Nacional ŤSan Luis GonzagaŤ. En esa misma
instituci
´
on, se desempe
˜
na como docente principal y especialista en Pe-
riodoncia. Presidi
´
o la Comisi
´
on Central de Admisi
´
on de la Escuela de
Posgrado en dicha universidad.
Rojas R. et al. El rol de la inteligencia artificial en tÂecnicas no invasivas para el diagnÂostico del cÂancer oral
29
