El cáncer oral es una enfermedad silenciosa que, detectada tarde, deja una supervivencia a cinco años de apenas 68%. La mayoría de los casos comienza como lesiones blancas o rojizas en la mucosa que muchos odontólogos confunden con llagas o inflamaciones. En ese punto, la inteligencia artificial está pasando de laboratorios de investigación a consultorios reales, y Japón acaba de dar el paso regulatorio que América Latina aún discute.
Aprobación en Japón: la IA como apoyo clínico
La Universidad de Osaka y el fabricante Morita Tokyo Seisakusho obtuvieron la aprobación del Ministerio de Salud japonés para Mucosight AI, un sistema de software como dispositivo médico (SaMD) que analiza fotografías de la cavidad oral tomadas con cámaras convencionales en clínicas dentales. El modelo, desarrollado con apoyo técnico de NVIDIA, procesa la imagen en la nube y en unos 30 segundos devuelve una clasificación por colores que indica si existen rasgos compatibles con cáncer, leucoplasia, tumores benignos o llagas comunes. El resultado no es un diagnóstico definitivo, sino una alerta para que el dentista decida si deriva al paciente a un especialista.
El sistema fue entrenado con cerca de 40,000 imágenes de múltiples hospitales, todas con diagnóstico patológico confirmado y revisadas por especialistas. La infraestructura usada incluye los supercomputadores Octopus y SQUID de la propia universidad, con GPUs de NVIDIA. Es un caso claro de cómo la colaboración academia-industria acelera la validación clínica: el proyecto comenzó en 2017 y ocho años después ya es un producto regulado.
Investigación que amplía el alcance: más que un clasificador de imágenes
Paralelamente, un estudio publicado en npj Digital Medicine (Nature) muestra una dirección complementaria: predecir si una lesión premaligna progresará a carcinoma. Un equipo de la Universidad de Pittsburgh y la Universidad de Rochester desarrolló un modelo de visión por computadora con arquitectura Transformer que analiza imágenes histopatológicas completas (whole-slide images) y supera a las redes neuronales convolucionales tradicionales: alcanzó 80% de precisión y un AUROC de 0.798. Algo relevante: sus predicciones se correlacionan con características histológicas reales, como queratinización anormal o apoptosis, lo que sugiere que la IA no solo etiqueta, sino que detecta patrones que el ojo humano puede pasar por alto.
Otra investigación, esta vez en IEEE Transactions, apunta a un desafío distinto: la privacidad de los datos. Un equipo académico propuso un marco de aprendizaje federado para entrenar modelos de detección de cáncer oral usando imágenes de teléfonos inteligentes sin centralizar los datos de pacientes. Con la plataforma Clara Train de NVIDIA, simularon colaboración entre sitios en Estados Unidos y Europa, evaluando algoritmos como FedAvg y FedProx. El enfoque permite que hospitales de distintos países mejoren un modelo común sin compartir imágenes clínicas, algo crítico en salud.
El contraste latinoamericano: oportunidad y barreras
Para América Latina, estos avances tienen una lectura concreta. La región sufre una alta incidencia de cáncer oral ligada al tabaco y al alcohol, y en países como Brasil los estudios citados en la propia investigación de npj Digital Medicine documentan la progresión de leucoplasias en población brasileña. Sin embargo, la adopción de estas tecnologías enfrenta tres brechas.
Primero, infraestructura de conectividad: Mucosight AI depende de subir imágenes a la nube y recibir resultados en 30 segundos. En zonas rurales o en clínicas con internet inestable, esa latencia se vuelve inaceptable. El aprendizaje federado, curiosamente, podría mitigar este problema: los modelos se entrenan localmente y solo se comparten actualizaciones de pesos, algo mucho más liviano que enviar imágenes completas.
Segundo, escasez de especialistas. En muchos países latinoamericanos no hay suficientes patólogos orales para revisar cada biopsia. Herramientas que clasifiquen el riesgo de manera objetiva podrían funcionar como un triaje automático: las lesiones de alto riesgo se priorizan para biopsia, mientras las de bajo riesgo se monitorean. Esto no reemplaza al especialista, pero optimiza un recurso escaso.
Tercero, marco regulatorio. Japón ya tiene una vía de aprobación para software médico que aprende de datos. En América Latina, el panorama es heterogéneo: Brasil y México tienen agencias reguladoras con procesos definidos, pero la mayoría de los países carece de una ruta específica para algoritmos de IA en salud. La ausencia de estándares claros frena tanto a desarrolladores locales como a empresas extranjeras que quieran ingresar.
El papel de las alianzas tecnológicas
Ninguno de estos proyectos habría avanzado sin el respaldo de NVIDIA, ya sea financiando cómputo, asesorando en anotación de datos o integrando su SDK para aprendizaje federado. Es un recordatorio de que la IA médica no es solo ciencia de datos: requiere infraestructura de alto rendimiento, experiencia en despliegue y acuerdos con fabricantes de dispositivos.
Para un ejecutivo tecnológico o un emprendedor en salud en América Latina, la lección es doble. Por un lado, la oportunidad de construir soluciones adaptadas al contexto local —por ejemplo, modelos que funcionen con cámaras de celular y conexiones intermitentes— es gigantesca. Por otro, sin una estrategia de datos y sin diálogo con las agencias reguladoras locales, el riesgo de quedarse atrás es alto.
Lo que viene
Los próximos años definirán si la IA para cáncer oral se convierte en un estándar global o en un lujo del mundo desarrollado. Las piezas técnicas ya existen: modelos precisos, arquitecturas ligeras para móviles y métodos de entrenamiento que respetan la privacidad. Lo que falta es voluntad política para construir marcos regulatorios ágiles y acuerdos públicos-privados que financien infraestructura. América Latina tiene la carga de enfermedad y la necesidad. Falta decidir si también tendrá la implementación.
