Aplicación de Deep Learning como inteligencia artificial para el diagnóstico del cáncer de cuello uterino en citología en base líquida en comparación con técnicas tradicionales: revisión sistemática

Muñoz Arteaga, María VerónicaCuenca Bravo , Daniel LeonardoFloreano Almeida, Roberto Heansley2026-09-292026-09-292026VANCUOVER: Cuenca D., Floreano R. Aplicación de Deep Learning como inteligencia artificial para el diagnóstico del cáncer de cuello uterino en citología en base líquida en comparación con técnicas tradicionales: revisión sistemática. Médico. Cuenca-Ecuador. Universidad Católica de Cuenca. 2026. [citado el DIA de MES de AÑO]. Disponible en: (dirección url en donde está el documento)9BT2026-MTI111https://dspace.ucacue.edu.ec/handle/ucacue/22779Introducción El cáncer de cuello uterino es todavía hoy una de las principales patologías cancerígenas que provoca la muerte en las mujeres a nivel mundial, en especial en países con menos recursos. La citología convencional y el análisis histopatológico aun cuando son insustituibles, su análisis se basa muchas veces en la opinión personal del experto y en equipo técnico que no siempre está disponible. En este contexto, la IA, y en particular el aprendizaje profundo, se va delineando como una alternativa provechosa para fortalecer los procesos de diagnóstico sanitario. Objetivo General Analizar el impacto de las aplicaciones de inteligencia artificial en la precisión y efectividad del diagnóstico histopatológico del cáncer de cuello uterino mediante una revisión sistemática de la literatura reciente. Metodología Se realizó una revisión sistemática siguiendo las directrices PRISMA 2020. La revisión abarcó artículos científicos publicados desde 2020 hasta 2025, recuperados de bases de datos como PubMed, Scopus y Cochrane. Se incluyeron en la revisión estudios de casos de citología diagnóstica e histopatológicos utilizando técnicas de aprendizaje profundo, particularmente redes neuronales convolucionales. La plataforma Rayyan ayudó en la gestión de registros, mientras que QUADAS-2 se empleó para evaluar el riesgo de sesgo. La sensibilidad, especificidad y viabilidad clínica se consideraron como los principales parámetros. Resultados esperados: Se espera identificar metodologías de inteligencia artificial que presenten una alta precisión diagnóstica, así como evidenciar los retos que supone su implementación en entornos clínicos reales. Con ello, se busca promover mejoras en los sistemas de detección temprana y reducir las desigualdades en salud, especialmente en regiones con recursos limitados.Introduction Cervical cancer remains one of the main cancerous pathologies that causes death in women worldwide, especially in countries with scarce resources. Conventional cytology and histopathological analysis, although irreplaceable, are often based on the expert’s personal opinion and on technical equipment that is not always available. In this context, AI and, particularly, deep learning, is emerging as a profitable alternative to enhance health diagnostic processes. Objective: To analyze the impact of AI applications on the accuracy and effectiveness of histopathological diagnosis of cervical cancer through a systematic review of recent literature. Methodology: A systematic review was conducted following the PRISMA 2020 guidelines. The review covered scientific articles published from 2020 to 2025, retrieved from databases such as PubMed, Scopus, and Cochrane. Diagnostic cytology and histopathological case studies using deep learning techniques, particularly convolutional neural networks, were included in the review. The Rayyan platform assisted in record management, while QUADAS-2 was used to assess the risk of bias. Sensitivity, specificity, and clinical feasibility were considered as the main parameters. Expected Results: It is expected to identify AI methodologies with high diagnostic accuracy, as well as to demonstrate the challenges involved in their implementation in real clinical settings. The intention is to promote improvements in early detection systems and reduce health inequalities, particularly in resource-limited regions.application/pdf53 páginasspainfo:eu-repo/semantics/openAccessAtribución 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/deed.esCÁNCER DE CUELLO UTERINO; INTELIGENCIA ARTIFICIAL; CITOLOGÍA; HISTOPATOLOGÍA; APRENDIZAJE PROFUNDOCERVICAL CANCER; ARTIFICIAL INTELLIGENCE; CYTOLOGY; HISTOPATHOLOGY; DEEP LEARNINGAplicación de Deep Learning como inteligencia artificial para el diagnóstico del cáncer de cuello uterino en citología en base líquida en comparación con técnicas tradicionales: revisión sistemáticainfo:eu-repo/semantics/review