Sistema de imágenes con teléfono inteligente permite la detección temprana del cáncer oral

Muchos dentistas e higienistas pueden identificar lesiones anormales, pero carecen de la experiencia especializada para distinguir entre las benignas y las potencialmente malignas, lo que provoca retrasos en la derivación y el diagnóstico. Para abordar este problema, los investigadores han desarrollado un sistema de imagen basado en teléfonos inteligentes que combina la autofluorescencia y la imagen de luz blanca con inteligencia artificial (IA) para orientar las decisiones de derivación.

El sistema mDOC (Detección Móvil de Cáncer Oral), desarrollado por investigadores de la Universidad Rice (Houston, TX, EUA), puede ayudar a los profesionales dentales en clínicas comunitarias a identificar con precisión las lesiones orales que requieren una evaluación adicional por parte de especialistas en cáncer. Diseñado para entornos con recursos limitados, mDOC busca mejorar la detección temprana y los resultados del tratamiento del cáncer oral mediante una solución portátil, de bajo costo y fácil de usar.

El dispositivo mDOC integra dos técnicas de imagen, imágenes de luz blanca y de autofluorescencia, en un accesorio compacto para teléfonos inteligentes. La imagen por autofluorescencia utiliza luz azul para visualizar cambios en la fluorescencia del tejido, los cuales pueden indicar crecimientos anormales o precancerosos. Dado que afecciones benignas como la inflamación también pueden reducir la fluorescencia, el dispositivo emplea un algoritmo de aprendizaje profundo que combina los datos de imagen con factores específicos del paciente, como la edad, el historial de tabaquismo y la ubicación de la lesión, para mejorar la precisión diagnóstica y generar recomendaciones de derivación.

En el estudio publicado en Biophotonics Discovery, los investigadores recopilaron datos de 50 pacientes en dos clínicas dentales comunitarias. A cada participante se le tomaron imágenes de hasta cinco zonas bucales con el dispositivo mDOC, lo que generó cientos de imágenes para su análisis. Clínicos expertos revisaron las imágenes y proporcionaron recomendaciones de derivación, que se utilizaron como referencia para entrenar y probar el modelo de IA. El equipo empleó una estrategia de "entrenamiento por ensayo", incorporando nuevos datos junto con imágenes previamente obtenidas de poblaciones con alta prevalencia y de individuos sanos, con el fin de mejorar el rendimiento del sistema en entornos reales.

Cuando se probó en un conjunto de datos de baja prevalencia, el sistema mDOC identificó correctamente el 60% de los sitios que requerían derivación a un especialista y evitó derivaciones innecesarias en la mayoría de los demás casos. Cabe destacar que el modelo de IA superó a los odontólogos, quienes no detectaron ninguno de los casos que requerían derivación. Dos de las cinco lesiones clasificadas erróneamente por el sistema se habían resuelto antes de la evaluación por el especialista, lo que sugiere que las predicciones de mDOC podrían haber sido clínicamente correctas. Sin embargo, el algoritmo también generó 21 falsos positivos, lo que pone de relieve la necesidad de perfeccionarlo.

Con un tiempo promedio de captura de imágenes de solo 3,5 minutos por paciente, el sistema mDOC se integra fácilmente en la práctica odontológica rutinaria. Los investigadores prevén que las futuras versiones incorporen un historial clínico más completo y datos de entrenamiento mejorados para reducir aún más los falsos positivos. El estudio destaca el potencial de mDOC como herramienta de apoyo al diagnóstico accesible, especialmente en clínicas con acceso limitado a especialistas en cáncer oral, lo que facilita una intervención más temprana y mejores resultados para los pacientes.

Enlaces relacionados:
Universidad Rice