Inteligencia artificial en la toma de decisiones quirúrgicas en cáncer colorrectal

Síguenos en Pinterest

Incluido en la revista Ocronos. Vol. VIII. Nº 12–Diciembre 2025. Pág. Inicial: Vol. VIII; nº 12: 1259.2

Autor principal (primer firmante): Guido Arturo Panchana Coello

Fecha recepción: 19 de diciembre, 2025

Fecha aceptación: 28 de diciembre, 2025

Ref.: Ocronos. 2025;8(12): 1259.2

https://doi.org/10.58842/KZQA8393

Guido Arturo Panchana Coello 1, Guido Antonio Panchana Eguez 2

1. Médico, especialista en Cirugía General. Guayaquil-Ecuador

2. Médico, especialista en Cirugía Oncológica. Guayaquil-Ecuador

Resumen

La inteligencia artificial (IA) se ha convertido en una herramienta emergente con impacto creciente en el manejo del cáncer colorrectal, particularmente en la toma de decisiones quirúrgicas. Esta revisión sintetiza la evidencia reciente sobre sus aplicaciones, beneficios y limitaciones. La literatura muestra que los sistemas asistidos por IA mejoran significativamente la detección de adenomas durante la colonoscopia, incrementando la identificación de lesiones pequeñas o planas y contribuyendo al diagnóstico precoz. En la fase preoperatoria, los modelos predictivos basados en aprendizaje automático permiten estimar riesgo de complicaciones, probabilidad de conversión quirúrgica y respuesta a neoadyuvancia, apoyando una planificación más precisa y personalizada.

Durante la cirugía, la visión computarizada integrada en plataformas laparoscópicas o robóticas facilita la identificación de estructuras anatómicas críticas y la estandarización técnica, lo que podría traducirse en una reducción de errores y variabilidad operatoria. En el ámbito posoperatorio, algoritmos aplicados a datos clínicos y patológicos muestran potencial para predecir recurrencia y optimizar estrategias de seguimiento. Sin embargo, persisten retos importantes, incluyendo falta de validación multicéntrica, heterogeneidad metodológica, limitada interpretabilidad de los modelos y desafíos éticos y regulatorios. En conjunto, la IA representa una herramienta prometedora y complementaria al juicio quirúrgico, cuyo uso seguro y efectivo requiere estudios prospectivos más robustos y marcos regulatorios claramente definidos.

Palabras clave: Inteligencia Artificial, Cáncer colorrectal, Oncología quirúrgica

Abstract

Artificial intelligence (AI) has emerged as a rapidly expanding tool with growing impact on the management of colorrectal cancer, particularly in surgical decision-making. This review synthesizes current evidence regarding its applications, benefits, and limitations. Recent studies demonstrate that AI-assisted colonoscopy systems significantly improve adenoma detection, especially for small or flat lesions, contributing to earlier diagnosis. In the preoperative phase, machine-learning–based predictive models estimate the risk of complications, likelihood of conversion to open surgery, and response to neoadjuvant therapy, supporting more precise and individualized surgical planning. During surgery, computer-vision technologies integrated into laparoscopic and robotic platforms facilitate real-time identification of critical anatomical structures and enhance procedural standardization, potentially reducing errors and inter-operator variability. Postoperatively, AI algorithms applied to clinical and pathological data show promise in predicting recurrence and tailoring surveillance strategies. Nevertheless, important challenges persist, including the lack of multicenter validation, methodological heterogeneity, limited model interpretability, and ethical and regulatory concerns. Overall, AI represents a promising and complementary tool to surgical judgment, whose safe and effective integration into colorrectal cancer management requires more robust prospective evidence and clearly defined regulatory frameworks.

Keywords: Artificial Intelligence , colorrectal cancer , surgical Oncology.

Introducción

El cáncer colorrectal (CCR) representa una de las neoplasias malignas más prevalentes a nivel mundial y continúa siendo una causa importante de morbilidad y mortalidad, especialmente en etapas avanzadas. Las decisiones quirúrgicas en el manejo del CCR desde la detección, estadificación, elección de técnica quirúrgica, hasta planificación perioperatoria y seguimiento son complejas y dependen tradicionalmente de la experiencia clínica, la interpretación de imágenes y datos histopatológicos, así como del juicio multidisciplinario. Sin embargo, dichas decisiones conllevan riesgos: variabilidad interobservador, potenciales márgenes insuficientes, complicaciones postoperatorias, y desafíos en predicción de pronóstico.

En este contexto, la inteligencia artificial (IA), mediante métodos de machine learning, deep learning, radiómica y visión por computadora, emerge como una herramienta con gran potencial para optimizar cada una de estas etapas. La IA puede mejorar la precisión diagnóstica, estandarizar interpretaciones de imágenes y patología, predecir riesgos y resultados, así como asistir durante la cirugía mediante reconocimiento anatómico automático o guía intraoperatoria. Por ello, una revisión actualizada de la evidencia disponible sobre IA aplicada a la cirugía del CCR resulta no solo pertinente, sino necesaria, con el fin de evaluar sus beneficios, limitaciones y retos para su implementación clínica.

El objetivo de esta revisión es sintetizar el estado actual del conocimiento sobre la aplicación de IA en la toma de decisiones quirúrgicas en cáncer colorrectal abarcando las fases preoperatoria, intraoperatoria y postoperatoria, identificar las tecnologías más prometedoras, analizar sus limitaciones, y proponer líneas futuras de investigación que permitan su incorporación responsable en la práctica quirúrgica oncológica.

Metodología

Diseño del estudio

Se realizó una revisión bibliográfica narrativa de la literatura científica disponible sobre el uso de inteligencia artificial (IA) en la toma de decisiones quirúrgicas en cáncer colorrectal, abarcando aplicaciones preoperatorias, intraoperatorias y postoperatorias.

Fuentes de información

Se efectuó una búsqueda en las siguientes bases de datos biomédicas:

• PubMed / MEDLINE
• Scopus
• Web of Science
• Embase
• Cochrane Library
• Google Scholar (como fuente secundaria)

Adicionalmente, se revisaron manualmente listas de referencias de los artículos seleccionados para identificar literatura relevante no capturada en la búsqueda primaria.

Estrategia de búsqueda

La búsqueda se realizó entre enero de 2015 y diciembre de 2025, utilizando combinaciones de términos MeSH y palabras clave libres. Algunos ejemplos:

• “Colorectal cancer”
• “Rectal cancer”
• “Colon cancer”
• “Artificial intelligence”
• “Machine learning”
• “Deep learning”
• “Radiomics”
• “Computer vision”
• “Surgical decision-making”
• “Predictive models”
• “Robotic surgery”

Ejemplo de búsqueda en PubMed:

(“colorrectal cancer” OR “rectal cancer” OR “colon cancer”) AND (“artificial intelligence” OR “machine learning” OR “deep learning” OR radiomics OR “computer vision”) AND (surgery OR surgical OR intraoperative OR preoperative).

Criterios de inclusión

Se incluyeron estudios que cumplieron con los siguientes requisitos:

1. Publicados entre 2015–2025.
2. Artículos en inglés o español.
3. Estudios originales, revisiones sistemáticas, meta-análisis, ensayos clínicos, estudios retrospectivos, prospectivos, o revisiones narrativas de alta calidad.
4. Investigaciones que evaluaran cualquier aplicación de ia relacionada con decisiones quirúrgicas en cáncer colorrectal, tales como:
5. Predicción de respuesta a tratamiento.
6. Identificación de complicaciones quirúrgicas.
7. Interpretación de imágenes para planificación quirúrgica.
8. Asistencia intraoperatoria mediante visión computacional o robótica.
9. Pronóstico y seguimiento posoperatorio.
10. Estudios realizados en seres humanos o con datos clínicos reales.

Criterios de exclusión

Se excluyeron los artículos que:

1. No abordaron cáncer colorrectal.
2. Describieron aplicaciones de IA únicamente diagnósticas sin relación con decisiones quirúrgicas.
3. Fueron artículos de opinión, editoriales o cartas al editor sin datos clínicos relevantes.
4. Se limitaron a modelos experimentales o in vitro sin aplicabilidad clínica.
5. Presentaron información redundante o duplicada.

Proceso de selección de estudios

La selección se realizó en dos fases:

1. Revisión de texto completo para confirmar cumplimiento de los criterios de inclusión.
2. Dos revisores efectuaron la selección de manera independiente, y las discrepancias se resolvieron mediante consenso.

Extracción y análisis de datos

De los estudios incluidos se extrajeron los siguientes elementos:

• Tipo de algoritmo empleado (ML, DL, radiomics, computer vision, etc.)
• Aplicación clínica específica (preoperatoria, intraoperatoria, postoperatoria)
• Tamaño y características de la muestra
• Variables utilizadas para entrenamiento
• Medidas de desempeño (AUC, sensibilidad, especificidad, precisión)
• Relevancia clínica y grado de aplicabilidad quirúrgica

Dada la heterogeneidad metodológica entre los estudios, se optó por realizar un análisis narrativo cualitativo, agrupando los hallazgos por áreas temáticas (predicción preoperatoria, apoyo intraoperatorio, seguimiento posoperatorio).

Consideraciones éticas

Al tratarse de una revisión de literatura previamente publicada, no fue necesaria la aprobación de un comité de ética institucional.

Resultados

IA en diagnóstico y detección precoz / tamizaje / imagenología

Un trabajo reciente sostiene que la IA mejora la detección de pólipos y adenomas durante colonoscopias, incrementando la tasa de detección en comparación con colonoscopia convencional(1,2) . Otro estudio (y revisión) señala que modelos basados en “radiomics + machine learning / deep learning” sobre imágenes (TC, resonancia u otros) permiten caracterizar lesiones, distinguir benignas de malignas, evaluar metástasis (ganglionares o hepáticas), e incluso predecir respuesta a tratamiento o pronóstico(3,4).

En particular, un análisis sistemático de modelos de IA basados en radiomics para estadificación preoperatoria (por ejemplo, “invasión ganglionar”) mostró resultados prometedores con un AUC combinado alrededor de 0.81 (IC 95% 0.78–0.85), lo que sugiere buen poder predictivo(5).

En países con limitaciones para tamizaje extensivo por recursos, se describe que la IA puede servir en métodos no invasivos (por datos de laboratorio + clínica) para identificar riesgo de neoplasia colorrectal, lo que podría optimizar selección de pacientes a colonoscopia(6).

IA en tratamiento quirúrgico: planificación, asistencia intraoperatoria y decisiones quirúrgicas

En una revisión sistemática centrada en cirugía colorrectal, se señala que la aplicación de la IA mediante “computer vision (visión por computadora)” puede reconocer fases quirúrgicas, acciones operatorias, estructuras anatómicas, planos de disección, irrigación vascular — incluso en procedimientos complejos como la resección mesorrectal total (TME) o cirugía transanal (TaTME)(7,8).

Estos sistemas podrían servir para asistencia intraoperatoria, guía anatómica, evaluación de márgenes, interpretación de imágenes fluorescentes, y potencialmente para evaluar la calidad técnica de la cirugía, lo que podría reducir errores, mejorar consistencia entre cirujanos, y optimizar resultados(7).

Aun así, la traslación clínica es incipiente: la mayoría de los trabajos corresponden a conceptos o pruebas de concepto; faltan estudios multicéntricos, validaciones externas, y evidencia robusta que demuestre beneficio en mortalidad, recurrencia o complicaciones en humanos(9).

IA en pronóstico, respuesta al tratamiento y decisiones adyuvantes / seguimiento

Recientes revisiones sistemáticas muestran que algoritmos de IA sobre imágenes (por ejemplo resonancia magnética) pueden predecir la “respuesta patológica completa (pCR)” tras quimiorradioterapia neoadyuvante en cáncer rectal, lo que podría influir en decisiones de tratamiento es decir, permitir seleccionar pacientes para estrategias conservadoras (“watch & wait”), o para cirugía menos agresiva(10).

Con base en datos de imagen + clínicas + patología + otros, la IA también ha sido propuesta como herramienta de estratificación de riesgo, pronóstico, y personalización terapéutica, optimizando la selección de tratamientos adyuvantes(4,11).

En contextos de predecir recurrencia o metástasis, la IA ha sido investigada como medio para mejorar la predicción comparada con métodos tradicionales, lo que podría ayudar en la vigilancia postoperatoria y en decidir la necesidad de terapias complementarias(3,12).

Limitaciones, barreras y desafíos identificados en la literatura

Muchas de las investigaciones aún están en etapa de “prueba de concepto”, con series pequeñas, datos retrospectivos o de solo una institución lo que limita su validez externa(9).

Existe heterogeneidad en los métodos: distintas modalidades de imagen, algoritmos, variables, lo que dificulta comparaciones directas y estandarización(5).

Problemas relacionados con reproducibilidad, generalización (poblaciones diversas), y necesidad de validación externa(3).

Temas éticos, regulatorios, logísticos y de gobernanza para integrar IA en la cirugía clínica incluyendo responsabilidad médica, dependencia tecnológica, necesidad de infraestructura, formación, etc(8).

Discusión

La revisión de la literatura realizada pone en evidencia que la inteligencia artificial (IA) ya ha comenzado a transformar múltiples etapas del manejo del cáncer colorrectal (CCR), desde la detección hasta la cirugía y el seguimiento. No obstante, su implementación clínica aún enfrenta retos significativos. A continuación, se analizan los hallazgos clave, sus implicaciones, limitaciones, y posibles direcciones futuras.

Principales aportes de la IA en CCR

Mejora en la detección y diagnóstico temprano

Varios estudios y metaanálisis muestran que la colonoscopia asistida por IA (CADe/CADx) incrementa la tasa de detección de pólipos y adenomas respecto a la colonoscopia convencional, especialmente de lesiones pequeñas o planas que suelen pasar desapercibidas. Esta mejora en detección tiene un impacto potencial trascendental en la prevención del desarrollo de carcinoma colorrectal, al permitir resecar lesiones precursoras en estadios más tempranos. Además, la IA no se limita a imagen endoscópica: existen trabajos que utilizan redes neuronales profundas sobre imágenes de patología (histopatología digital), lo que permite un diagnóstico más rápido, reproducible y posiblemente más preciso(13).

Soporte en la planificación y decisiones preoperatorias

Según una revisión sistemática centrada en cirugía colorrectal, la IA puede contribuir a definir algoritmos de tratamiento personalizados, estimar riesgo de complicaciones, predecir resultados quirúrgicos y supervivencia lo que permite una selección más informada del tipo de cirugía, abordaje y preparación(9).

En un estudio reciente, se presentó una “calculadora predictiva” con IA diseñada para estimar el riesgo de conversión de cirugía mínimamente invasiva a cirugía abierta en colectomías por cáncer colorrectal. Esto permite anticipar posibles complicaciones o necesidad de cambio de técnica, lo cual es crucial para el consentimiento informado y planificación quirúrgica(14).

Asistencia intraoperatoria y mejora técnica

Las tecnologías emergentes de visión por computadora (computer vision) aplicadas a video quirúrgico han demostrado que es posible realizar segmentación semántica de estructuras anatómicas durante cirugía, identificar planos de disección, nervios, tejidos conectivos, vasos, etc. Un estudio reciente con sistema llamado “Eureka” mostró que IA-asistida puede resaltar nervios durante cirugía laparoscópica colorrectal, lo que podría reducir el riesgo de daño nervioso y mejorar seguridad(15).

Revisiones recientes subrayan que la IA integrada en plataformas robóticas o laparoscópicas tiene el potencial de estandarizar procedimientos, reducir la variabilidad interoperador, y servir como herramienta formativa para cirujanos en entrenamiento(16).

Optimización posoperatoria, patología y seguimiento

La IA aplicada a imágenes histológicas (patología digital) permite una clasificación más rápida y reproducible de muestras, lo que podría reducir tiempos de reporte y mejorar la precisión diagnóstica(17).

En el ámbito del seguimiento y pronóstico, algunos trabajos sugieren que algoritmos basados en datos clínicos, imagen y patología podrían servir para estratificar riesgo de recurrencia, decidir terapias adyuvantes o adaptar protocolos de vigilancia, aunque la evidencia en este terreno aún es emergente(9).

Limitaciones, barreras y desafíos actuales

A pesar del potencial, la literatura actual también subraya importantes obstáculos que deben abordarse antes de una implementación clínica generalizada:

• Predominio de estudios piloto, retrospectivos o de baja escala: Muchas publicaciones corresponden a “pruebas de concepto”, series pequeñas o estudios de un solo centro. Esto limita la generalización de los resultados (9).
• Heterogeneidad metodológica: Las investigaciones utilizan diferentes algoritmos (machine learning, deep learning, radiomics), modalidades de imagen, variables de entrada, criterios de evaluación y muestra poblacional. Esto dificulta comparaciones directas, síntesis cuantitativa (meta-análisis) y construcción de recomendaciones generalizables(18).
• Interpretabilidad y “caja negra”: Muchos algoritmos de IA, especialmente redes profundas, presentan baja interpretabilidad, lo que genera reticencias en la comunidad quirúrgica y clínica para confiar ciegamente en sus predicciones. Esto es particularmente relevante en decisiones quirúrgicas de alto riesgo(19).
• Falta de validación externa y datos multicéntricos: Muy pocos estudios han sido validados en poblaciones diferentes a la de entrenamiento; por ende, no se conoce la robustez de los modelos frente a variabilidad de pacientes, recursos, técnicas quirúrgicas o sistemas de salud(7).
• Retos técnicos e infraestructura: Para integrar IA en cirugía real (video quirúrgico, laparoscopia, robótica) se requieren sistemas de alta calidad, potencia computacional, conectividad, almacenamiento de datos, y plataformas certificadas barreras que podrían ser especialmente relevantes en países de recursos limitados(8).
• Aspectos regulatorios, éticos y de gobernanza: La implementación de IA en cirugía plantea preguntas sobre responsabilidad médica, consentimiento informado, protección de datos, estandarización, entrenamiento del personal, y aceptación institucional(19).
• Riesgo de dependencia excesiva de la IA: Si bien la IA puede asistir en diagnóstico o cirugía, existe el riesgo —especialmente en entornos con escasez de especialistas o en formación— de que se disminuya el desarrollo de habilidades clínicas o técnicas tradicionales, lo que podría ser problemático si la IA falla o no está disponible. (Aunque este riesgo aún no ha sido ampliamente documentado en cirugía colorrectal, constituye una preocupación ética y formativa mencionada en la literatura general sobre IA en cirugía)(8).

Implicaciones clínicas y para la práctica quirúrgica

Los hallazgos recopilados sugieren que en un futuro cercano la IA podría integrarse como un complemento no sustituto del juicio médico y quirúrgico en el manejo del CCR. Particularmente:

En programas de tamizaje y prevención poblacional (colonoscopías de cribado), la IA podría elevar la detección temprana de lesiones precursoras, reduciendo la incidencia de cáncer avanzado.

En la cirugía colorrectal, la IA puede mejorar la seguridad y precisión intraoperatoria, asistiendo en identificación anatómica, márgenes, vascularización, y disminuyendo errores humanos, lo que podría traducirse en menos complicaciones, mejor preservación funcional y mejores resultados oncológicos.

En contextos de recursos limitados o con falta de especialistas, la IA podría servir de soporte para aumentar la equidad en el acceso a diagnóstico y tratamiento de calidad.

Con el desarrollo de modelos predictivos validados, la IA podría ayudar a individualizar tratamientos, decidir resecciones, definir riesgo, planificar seguimiento, e incluso optimizar decisiones de terapias adyuvantes.

Sin embargo, para alcanzar estas metas, es indispensable superar las barreras técnicas, metodológicas, regulatorias y éticas previamente señaladas.

Recomendaciones y líneas futuras de investigación

Con base en la evidencia actual y las limitaciones observadas, se recomienda:

• Realizar estudios prospectivos multicéntricos y con muestras representativas, que evalúen no solo métricas de desempeño (sensibilidad, AUC, etc.), sino resultados clínicos reales: complicaciones, recurrencia, supervivencia, calidad de vida.
• Estándares de reporte y validación externa: adoptar guías rigurosas (como PRISMA, CONSORT–AI, SPIRIT-AI cuando corresponda) para mejorar la transparencia, reproducibilidad y comparabilidad de investigaciones.
• Desarrollo de modelos interpretables (Explainable AI, XAI): priorizar algoritmos transparentes, cuyas decisiones puedan ser entendidas y revisadas por clínicos, lo que facilitará su aceptación y uso responsable.
• Integración interdisciplinaria: fomentar la colaboración entre cirujanos, radiólogos, patólogos, bioinformáticos, ingenieros de software e instituciones regulatorias para desarrollar soluciones clínicas viables.
• Evaluación de aspectos éticos, legales y de gobernanza: definir protocolos para consentimiento informado, protección de datos, responsabilidad médica, y calidad en el uso de IA.
• Capacitación del personal: asegurar que el uso de IA no reemplace la formación quirúrgica tradicional, sino que la complemente; promover programas de entrenamiento en cirugía “digital”.
• Desarrollo de infraestructuras y recursos adecuados, especialmente en países con limitaciones: sistemas de video de alta calidad, almacenamiento seguro, mantenimiento, soporte técnico, actualizaciones.

Conclusiones

La inteligencia artificial representa una promesa real y creciente para transformar el manejo del cáncer colorrectal, desde el diagnóstico temprano hasta la cirugía, patología y seguimiento. Los avances recientes indican beneficios concretos especialmente en detección precoz y soporte técnico, pero la evidencia clínica robusta, la estandarización, la validación multicéntrica y la resolución de barreras éticas y logísticas aún están pendientes. En consecuencia, la IA debe considerarse como una herramienta complementaria, con un enorme potencial, pero cuya adopción generalizada requiere cautela, rigor científico y responsabilidad. Las próximas investigaciones, idealmente multicéntricas y prospectivas, serán clave para consolidar su papel en la cirugía oncológica del siglo.

Referencias

1. Thomas J, Ravichandran R, Nag A, Gupta L, Singh M, Panjiyar BK. Advancing Colorectal Cancer Screening: A Comprehensive Systematic Review of Artificial Intelligence (AI)-Assisted Versus Routine Colonoscopy. Cureus. septiembre de 2023;15(9):e45278.
2. Martín DMA, Robayo JSS, Gaitan L, Pacheco SJH, Cordoba AC, Vergara H, et al. Uso de inteligencia artificial en tiempo real durante la colonoscopia para la detección y caracterización de polipos colorrectales. Rev Colomb Gastroenterol. 30 de septiembre de 2025;40(3):279-83.
3. Elahi R, Karami P, Amjadzadeh M, Nazari M. Radiomics-based artificial intelligence (AI) models in colorrectal cancer (CRC) diagnosis, metastasis detection, prognosis, and treatment response prediction. Abdom Radiol N Y. 24 de septiembre de 2025;.
4. Yang J, Huang J, Han D, Ma X. Artificial Intelligence Applications in the Treatment of Colorectal Cancer: A Narrative Review. Clin Med Insights Oncol. 5 de enero de 2024;18:11795549231220320.
5. Abbaspour E, Karimzadhagh S, Monsef A, Joukar F, Mansour-Ghanaei F, Hassanipour S. Application of radiomics for preoperative prediction of lymph node metastasis in colorrectal cancer: a systematic review and meta-analysis. Int J Surg. junio de 2024;110(6):3795.
6. Tokutake K, Morelos-Gomez A, Hoshi K ichi, Katouda M, Tejima S, Endo M. Artificial intelligence for the prevention and prediction of colorrectal neoplasms. J Transl Med. 3 de julio de 2023;21(1):431.
7. Quero G, Mascagni P, Kolbinger FR, Fiorillo C, De Sio D, Longo F, et al. Artificial Intelligence in Colorectal Cancer Surgery: Present and Future Perspectives. Cancers. 4 de agosto de 2022;14(15):3803.
8. Mascagni P, Alapatt D, Sestini L, Yu T, Alfieri S, Morales-Conde S, et al. Applications of artificial intelligence in surgery: clinical, technical, and governance considerations. Cir Esp. 1 de julio de 2024;102:S66-71.
9. Spinelli A, Carrano FM, Laino ME, Andreozzi M, Koleth G, Hassan C, et al. Artificial intelligence in colorrectal surgery: an AI-powered systematic review. Tech Coloproctology. agosto de 2023;27(8):615-29.
10. Jong BK, Yu ZH, Hsu YJ, Chiang SF, You JF, Chern YJ. Deep learning algorithms for predicting pathological complete response in MRI of rectal cancer patients undergoing neoadjuvant chemoradiotherapy: a systematic review. Int J Colorectal Dis. 20 de enero de 2025;40(1):19.
11. Das K, Paltani M, Tripathi PK, Kumar R, Verma S, Kumar S, et al. Current implications and challenges of artificial intelligence technologies in therapeutic intervention of colorrectal cancer. Explor Target Anti-Tumor Ther. 27 de diciembre de 2023;4(6):1286-300.
12. Theimer S. Estudio de Mayo Clinic demuestra que la inteligencia artificial puede ayudar a predecir mejor la recurrencia del cáncer colorrectal [Internet]. Red de noticias de Mayo Clinic. 2022 [citado 10 de diciembre de 2025]. Disponible en: https://newsnetwork.mayoclinic.org/es/2022/09/12/e studio-de-mayo-clinic-demuestra-que-la-inteligenci a-artificial-puede-ayudar-a-predecir-mejor-la-recu rrencia-del-cancer-colorrectal/.
13. Mehta A, Kumar H, Yazji K, Wireko AA, Sivanandan Nagarajan J, Ghosh B, et al. Effectiveness of artificial intelligence-assisted colonoscopy in early diagnosis of colorrectal cancer: a systematic review. Int J Surg. abril de 2023;109(4):946.
14. Emile SH, Horesh N, Garoufalia Z, Gefen R, Rogers P, Wexner SD. An artificial intelligence-designed predictive calculator of conversion from minimally invasive to open colectomy in colon cancer. Updat Surg. 1 de agosto de 2024;76(4):1321-30.
15. Ryu S, Imaizumi Y, Goto K, Iwauchi S, Kobayashi T, Ito R, et al. Artificial intelligence-enhanced navigation for nerve recognition and surgical education in laparoscopic colorrectal surgery. Surg Endosc. 1 de febrero de 2025;39(2):1388-96.
16. Lingam G, Shakir T, Kader R, Chand M. Role of artificial intelligence in colorrectal cancer. Artif Intell Gastrointest Endosc [Internet]. 8 de junio de 2024 [citado 11 de diciembre de 2025];5(2). Disponible en: https://www.wjgnet.com/2689-7164/full/v5/i2/90723. htm?utm_source=chatgpt.com.
17. Neto PC, Montezuma D, Oliveira SP, Oliveira D, Fraga J, Monteiro A, et al. An interpretable machine learning system for colorrectal cancer diagnosis from pathology slides. Npj Precis Oncol. 5 de marzo de 2024;8(1):56.
18. Uchikov P, Khalid U, Kraev K, Hristov B, Kraeva M, Tenchev T, et al. Artificial Intelligence in the Diagnosis of Colorectal Cancer: A Literature Review. Diagnostics. enero de 2024;14(5):528.
19. R J, Palanisamy G, S. NJ. A comparative study of artificial intelligence-based approaches for colorrectal cancer diagnosis. Discov Appl Sci [Internet]. 5 de diciembre de 2025 [citado 11 de diciembre de 2025]; Disponible en: https://doi.org/10.1007/s42452-025-08000-2.

Síguenos en Pinterest