Sistema inteligente para la detección de lesiones de la mucosa oral en un centro de salud

Abstract

La investigación abordó la problemática del diagnóstico tardío y el mal diagnóstico de lesiones de la mucosa oral, una situación crítica en países de ingresos medios y bajos donde 3.5 mil millones de personas padecen enfermedades bucodentales. En Perú, el cáncer bucal ocupa el sexto lugar entre las causas de muerte por neoplasias, debido principalmente a la falta de detección oportuna y diagnósticos inadecuados. Por ello se desarrolló un sistema basado en redes neuronales convolucionales para la detección automática de lesiones de la mucosa oral a través del análisis de imágenes. El proyecto se estructuró siguiendo las metodologías SCRUM y CRISP-DM, cubriendo desde la preparación tecnológica hasta la optimización del modelo. Para garantizar la calidad del dataset clínico, se evaluó la concordancia en el etiquetado mediante el índice de Cohen’s Kappa, obteniéndose un valor de κ=0.694 que indica un acuerdo considerable entre evaluadores. Respecto al componente técnico, se implementó el modelo SSD-MobileNet-V2-FPNLite-320 para la detección de gingivitis, entrenado con 362 imágenes, logrando una precisión del 97.3%, sensibilidad del 64.0%, F1-Score de 77.2% y una exactitud global de 62.9%. Complementariamente, se incorporó la detección de aftas orales mediante YOLO11s, empleando 386 imágenes, logrando una precisión del 67.83%, sensibilidad del 82.9%, F1-Score de 74.62% y exactitud de 59.54%. El sistema integral incluye gestión odontológica y modelos predictivos. La validación del sistema, basada en la metodología TAM2, reveló aceptación sobresaliente (98.33%), destacando facilidad de uso percibida(100%) sobre utilidad percibida (96.67%), confirmando su aplicabilidad práctica en entornos clínicos reales.

The research addressed the problem of late diagnosis and misdiagnosis of oral mucosal lesions, a critical situation in low- and middle-income countries where 3.5 billion people suffer from oral diseases. In Peru, oral cancer ranks sixth among causes of death from neoplasms, mainly due to a lack of timely detection and inadequate diagnoses. For this reason, a system based on convolutional neural networks was developed for the automatic detection of oral mucosal lesions through image analysis. The project was structured following the SCRUM and CRISP-DM methodologies, covering everything from technological preparation to model optimization. To ensure the quality of the clinical dataset, labeling concordance was evaluated using Cohen's Kappa index, obtaining a value of κ=0.694, which indicates considerable agreement among evaluators. Regarding the technical component, the SSD-MobileNet-V2-FPNLite-320 model was implemented for the detection of gingivitis, trained with 362 images, achieving an accuracy of 97.3%, sensitivity of 64.0%, F1-Score of 77.2%, and an overall accuracy of 62.9%. In addition, oral ulcer detection was incorporated using YOLO11s, employing 386 images, achieving an accuracy of 67.83%, sensitivity of 82.9%, F1-Score of 74.62%, and accuracy of 59.54%. The comprehensive system includes dental management and predictive models. Validation of the system, based on the TAM2 methodology, revealed outstanding acceptance (98.33%), highlighting perceived ease of use (100%) over perceived usefulness (96.67%), confirming its practical applicability in real clinical settings.