Detección de Cáncer Oral Usando Redes Neuronales Convolucionales

El cáncer oral representa una preocupación global de salud, afectando la boca, la garganta, la cara y las glándulas orales. Las imágenes de histopatología desempeñan un papel crucial en el diagnóstico y la predicción de anomalías, sin embargo, el error humano sigue siendo un desafío en los exámenes físicos. Los algoritmos de aprendizaje profundo ofrecen avances, ayudando a los profesionales médicos al mejorar la precisión en la identificación del cáncer oral a partir de imágenes de histopatología. Este estudio modifica tres arquitecturas de Red Neuronal Convolucional (CNN), incluyendo dos basadas en DENSENET-121, para discernir fotos que contienen tanto cáncer oral como células sanas. El experimento se centra en dos clases: células normales y malignas, con una tasa de incidencia global de 7 para la malignidad, una forma prevalente de cáncer de cabeza y cuello. El diagnóstico tradicional de carcinoma de células escamosas orales (OSCC) se basa en un análisis histológico que consume tiempo, propenso a variaciones en la interpretación humana. El uso de técnicas de inteligencia artificial mejora la precisión diagnóstica, acelerando diagnósticos precisos. Esta investigación tiene como objetivo emplear metodologías híbridas, aprovechando características fusionadas para optimizar la detección temprana de OSCC, abordando una necesidad crítica en la atención médica global.