Resumen
La inteligencia artificial (IA) es una herramienta prometedora para detectar el cáncer oral, ya que es menos invasiva y costosa, y tiene un alto potencial de precisión. En este contexto, este trabajo tuvo como objetivo explorar la aplicación de la IA para la detección precoz del cáncer oral, sus aplicaciones y su potencial a futuro. Para ello, se realizó una revisión de literatura en cinco etapas en las bases de datos de Scopus, Scielo y Latindex (2019-2024). Los resultados revelaron que la IA se desempeña de forma efectiva en el diagnóstico del cáncer oral, gracias a su capacidad para la identificación de patrones, el rápido análisis de datos, tareas de clasificación y otras capacidades. Se concluyó que la IA aún enfrenta diversos desafíos que se deben superar; por lo tanto, se espera que, a futuro, la IA continúe desarrollándose y se integre definitivamente dentro de los procesos oncológicos.
Citas
D. E. Ordóñez, A. F. Chamorro, J. A. Cruz, and M. A. Pizarro, “Evaluación del conocimiento del cáncer oral y manejo odontológico del paciente oncológico en Cali, Colombia,” Acta Odontológica Colombiana, vol. 10, no. 1, 2020, doi: 10.15446/aoc.v10n1.82933.
D. C. Cazar and A. D. C. Armas, “Etiología más frecuente del cáncer oral en adultos jóvenes: Una revisión de literatura,” Revista San Gregorio, vol. 52, pp. 175–188, 2022, doi: 10.36097/rsan.v0i52.2149.
P. A. Mena, H. L. Escobar, and K. D. Panchi, “Revisión sistemática sobre la detección temprana del cáncer oral.,” Dilemas contemporáneos: Educación, Política y Valores, vol. 10, p. 72, 2022, doi: 10.46377/dilemas.v10i18.3449.
A. J. Díaz, L. Anaya, and C. J. Rojano, “Análisis de los métodos de detección de lesiones orales potencialmente malignas,” Acta Médica Colombiana, vol. 46, no. 1, p. 1, 2020, doi: 10.36104/amc.2021.1730.
M. C. Castillo, K. J. Obispo, and J. H. Wilches, “Impacto de la inteligencia artificial en la odontología: una reflexión,” Ustasalud, vol. 23, no. 1, 2023, doi: 10.15332/us.v23i1.3142.
S. Hegde, V. Ajila, W. Zhu, and C. Zeng, “Artificial intelligence in early diagnosis and prevention of oral cancer,” Asia Pac J Oncol Nurs, vol. 9, no. 12, p. 100133, 2022, doi: 10.1016/j.apjon.2022.100133.
I. Molina-Ávila, J. M. Pimentel-Solá, A. Rocha-Buelvas, and C. A. Hidalgo-Patiño, “Cáncer Oral: Conocimiento, Actitudes y Prácticas de los Odontologos de la Provincia de Salta, Argentina, 2018,” International journal of odontostomatology, vol. 16, no. 2, pp. 249–257, 2022, doi: 10.4067/S0718-381X2022000200249.
S. Abati, C. Bramati, S. Bondi, A. Lissoni, and M. Trimarchi, “Oral Cancer and Precancer: A Narrative Review on the Relevance of Early Diagnosis,” Int J Environ Res Public Health, vol. 17, no. 24, p. 9160, 2020, doi: 10.3390/ijerph17249160.
S. L. Bermúdez, P. M. Canto, M. D. Artiles, J. R. Rodríguez, and M. D. Durán, “Citología exfoliativa en el diagnóstico precoz del cáncer bucal,” Acta Médica del Centro, vol. 15, no. 3, pp. 425–438, 2021.
D. Bastías, A. Maturana, C. Marín, R. Martínez, and S. E. Niklander, “Salivary Biomarkers for Oral Cancer Detection: An Exploratory Systematic Review,” Int J Mol Sci, vol. 25, no. 5, p. 2634, 2024, doi: 10.3390/ijms25052634.
D. H. Kim, S. W. Kim, and S. H. Hwang, “Autofluorescence imaging to identify oral malignant or premalignant lesions: Systematic review and meta‐analysis,” Head Neck, vol. 42, no. 12, pp. 3735–3743, 2020, doi: 10.1002/hed.26430.
W. Jerjes, H. Stevenson, D. Ramsay, and Z. Hamdoon, “Enhancing Oral Cancer Detection: A Systematic Review of the Diagnostic Accuracy and Future Integration of Optical Coherence Tomography with Artificial Intelligence,” J Clin Med, vol. 13, no. 19, p. 5822, 2024, doi: 10.3390/jcm13195822.
A. DCruz et al., “Use of Oral Rub and Rinse Technique for Oral Cancer Screening: Results from a Community-based Program in an LMIC,” Asian Pacific Journal of Cancer Prevention, vol. 26, no. 1, pp. 91–99, 2025, doi: 10.31557/APJCP.2025.26.1.91.
T. V. Pierfelice et al., “The Diagnostic Potential of Non-Invasive Tools for Oral Cancer and Precancer: A Systematic Review,” Diagnostics, vol. 14, no. 18, p. 2033, 2024, doi: 10.3390/diagnostics14182033.
C. S. Chu, N. P. Lee, J. Adeoye, P. Thomson, and S. Choi, “Machine learning and treatment outcome prediction for oral cancer,” Journal of Oral Pathology & Medicine, vol. 49, no. 10, pp. 977–985, 2020, doi: 10.1111/jop.13089.
D. K. Das, S. Bose, A. K. Maiti, B. Mitra, G. Mukherjee, and P. K. Dutta, “Automatic identification of clinically relevant regions from oral tissue histological images for oral squamous cell carcinoma diagnosis,” Tissue Cell, vol. 53, pp. 111–119, 2019, doi: 10.1016/j.tice.2018.06.004.
E. Duran-Sierra et al., “Machine-Learning Assisted Discrimination of Precancerous and Cancerous from Healthy Oral Tissue Based on Multispectral Autofluorescence Lifetime Imaging Endoscopy,” Cancers (Basel), vol. 13, no. 19, p. 4751, 2021, doi: 10.3390/cancers13194751.
A. Alhazmi et al., “Application of artificial intelligence and machine learning for prediction of oral cancer risk,” Journal of Oral Pathology & Medicine, vol. 50, no. 5, pp. 444–450, 2021, doi: 10.1111/jop.13157.
M. P. Kirubabai and G. Arumugam, “Deep Learning Classification Method to Detect and Diagnose the Cancer Regions in Oral MRI Images,” Medico-Legal Update, vol. 21, no. 1, pp. 462–468, 2021, doi: 10.37506/mlu.v21i1.2353.
S. Xu et al., “An Early Diagnosis of Oral Cancer based on Three-Dimensional Convolutional Neural Networks,” IEEE Access, vol. 7, pp. 158603–158611, 2019, doi: 10.1109/ACCESS.2019.2950286.
