Un modelo de redes neuronales basadas en deep learning logra un 96% de precisión en la clasificación de aftas o úlceras bucales.
Un estudio publicado en Scientific Reports muestra el uso de inteligencia artificial (IA) y redes neuronales basadas en deep learning o aprendizaje profundo, para diagnosticar úlceras bucales recurrentes o aftas. El estudio, desarrollado por un equipo multidisciplinario de India y Malasia, presenta UlcerNet-2, un modelo de red neuronal convolucional que alcanza un 96% de precisión en la clasificación de estas lesiones. Este avance tecnológico promete transformar el diagnóstico odontológico, ofreciendo un método rápido, objetivo y no invasivo para identificar diferentes tipos de úlceras bucales.
Según explica el estudio, las úlceras bucales afectan a una cuarta parte de la población mundial y pueden ser síntoma de diversas condiciones, desde simples aftas hasta enfermedades sistémicas. El diagnóstico tradicional depende de la evaluación visual del especialista, un proceso que puede variar según la experiencia del profesional y que en muchas regiones se ve limitado por la escasez de profesionales en odontología. El estudio aborda este problema mediante el desarrollo de tres modelos de deep learning especializados, siendo UlcerNet-2 el más efectivo gracias a su combinación de funciones de activación SELU y el optimizador RMSprop.
La investigación comparó el rendimiento de UlcerNet-2 con otras arquitecturas de redes neuronales como VGG-16 y ResNet-50, demostrando su superioridad en la clasificación de cinco tipos de lesiones bucales. El modelo fue entrenado con 939 imágenes clínicas y validado mediante métricas rigurosas, mostrando no solo alta precisión sino también excelente sensibilidad. Una innovación adicional fue la implementación del sistema en FogBus, una plataforma de computación en niebla que permite procesamiento rápido y local de datos, ideal para entornos clínicos con necesidades de respuesta inmediata.
Aunque los resultados son alentadores, los investigadores reconocen que el modelo necesita pruebas con conjuntos de datos más amplios y diversos antes de su implementación clínica generalizada. Las próximas etapas de investigación podrían enfocarse en integrar esta tecnología con sistemas de telemedicina o expandir su uso a la detección temprana de cáncer oral.
El estudio demuestra el excepcional rendimiento del modelo UlcerNet-2 en la clasificación de úlceras bucales recurrentes, alcanzando una precisión del 97% y una sensibilidad del 96%. Estos resultados superan a otros modelos evaluados, incluido UlcerNet-3, y destacan el potencial de las redes neuronales para automatizar el diagnóstico de estas lesiones. Además, los autores destacan que la tecnología se presenta como una herramienta valiosa, no invasiva y rentable que podría apoyar la toma de decisiones clínicas.
No obstante, los investigadores reconocen limitaciones importantes. El tamaño reducido del conjunto de imágenes utilizado podría afectar la capacidad de generalización del modelo. Además, se requiere más investigación empírica para validar su fiabilidad y seguridad antes de implementarlo en la práctica clínica rutinaria.
Finalmente, los autores también reconocen las oportunidades futuras, pues la arquitectura de UlcerNet podría extenderse a otras aplicaciones en computación en la nube, desde agricultura hasta gestión urbana inteligente. En el ámbito de la salud, el modelo podría adaptarse para mejorar la atención de pacientes con úlceras bucales y posiblemente extenderse a otras áreas diagnósticas. Estos hallazgos representan un paso importante hacia el uso efectivo de IA en odontología especialmente en comunidades con limitado acceso a especialistas, aunque su implementación generalizada requerirá estudios adicionales y validación clínica exhaustiva.
