Durante siglos, la medicina tradicional china ha considerado que la lengua refleja el equilibrio interno del cuerpo. Su color, textura y forma han servido como indicadores del estado de los órganos vitales. Ahora, investigadores de universidades en Australia, Irak y Estados Unidos han trasladado esa idea a la era digital mediante sistemas de inteligencia artificial capaces de analizar imágenes de la lengua con una precisión superior al 96 %. Este avance combina la observación ancestral con algoritmos de aprendizaje profundo, abriendo una nueva vía para la detección temprana y no invasiva de enfermedades metabólicas, respiratorias y oncológicas.

Del diagnóstico tradicional al aprendizaje automático

En la medicina tradicional china, los profesionales observan la lengua buscando alteraciones en su coloración o su capa superficial, la llamada saburra. Una lengua pálida se asocia con deficiencias sanguíneas, mientras que un tono rojizo indica exceso de calor o inflamación interna. Sin embargo, esta práctica siempre ha dependido del juicio subjetivo del médico.

Según Dong Xu, investigador en bioinformática de la Universidad de Misuri, el color de la lengua está estrechamente relacionado con el estado del flujo sanguíneo y del qi, concepto que puede entenderse como energía vital. Su equipo lleva años estudiando cómo digitalizar este método para reducir el sesgo humano. Xu señala que la IA permite transformar un examen empírico en un análisis reproducible y basado en datos cuantitativos.

La necesidad de objetividad ha motivado el desarrollo de modelos de aprendizaje profundo capaces de reconocer patrones visuales sutiles. En un estudio publicado en 2024 en la revista Technologies, un grupo de investigadores liderado por Javaan Chahl, de la Universidad del Sur de Australia, utilizó redes neuronales para clasificar tonalidades linguales y relacionarlas con patologías comunes como la diabetes, el asma, la COVID-19 y la anemia, alcanzando una tasa de acierto del 96,6 %.

Una cuestión de luz: el desafío técnico de la colorimetría

Uno de los principales obstáculos históricos del análisis lingual digital ha sido la variabilidad lumínica. La percepción del color puede distorsionarse drásticamente por la temperatura de la luz o el ángulo de la cámara. Chahl explicó en Scientific American que “sin un entorno de iluminación controlado, el color resulta demasiado subjetivo para ser útil clínicamente”.

Para solucionar ese problema, su equipo desarrolló un quiosco estandarizado: una estructura con luz LED regulada que emite longitudes de onda constantes. El paciente coloca la cabeza en una caja abierta, iluminada de forma homogénea, y saca la lengua frente a una cámara calibrada. Este diseño reduce el error cromático a menos del 2 % respecto al espectro de referencia, un nivel de precisión comparable al de equipos dermatológicos profesionales.

El sistema recopila múltiples imágenes y segmenta automáticamente la zona de la lengua, eliminando dientes y labios del encuadre. Cada fotografía se descompone en cientos de miles de píxeles, y la red neuronal analiza su distribución de color, textura y saturación. Las variaciones locales se transforman en vectores de características que se comparan con una base de datos de referencia.

De los datos a las enfermedades: correlaciones visibles

Los resultados del estudio son llamativos. En los ensayos realizados en 2022 y 2023 en hospitales iraquíes, la IA analizó 60 imágenes de lengua tomadas con el quiosco y las contrastó con los historiales médicos de los pacientes. Identificó correctamente 58 de los 60 casos, lo que equivale a una precisión del 96,7 %.

La IA detectó correlaciones clínicas que ya habían sido sugeridas por la MTC pero que ahora cuentan con respaldo cuantitativo. Por ejemplo, una lengua blanca o grisácea indica baja concentración de hemoglobina y déficit de hierro; una amarillenta o azulada se asocia con diabetes tipo 2 y problemas circulatorios; una púrpura con capa espesa puede reflejar acumulación lipídica o presencia de tumores. En pacientes con COVID-19, el color de la lengua se tornó más rojo cuanto mayor era la gravedad del cuadro.

El modelo fue entrenado con 5.260 imágenes, tanto reales como sintéticas, generadas para simular diferentes niveles de saturación y brillo. Los investigadores probaron seis algoritmos y concluyeron que la arquitectura CNN optimizada con normalización RGB ofrecía el mejor equilibrio entre precisión y velocidad. Cada imagen genera un vector de más de 400 parámetros, desde gradientes cromáticos hasta microtexturas superficiales.

La lengua como biomarcador visual

El concepto de utilizar la lengua como biomarcador no es completamente nuevo, pero la IA ha permitido cuantificarlo con una resolución sin precedentes. Según un estudio en Frontiers in Medicine, el color y la textura de la lengua pueden reflejar procesos inflamatorios sistémicos y alteraciones metabólicas que preceden al diagnóstico clínico.

Los investigadores señalan que el epitelio lingual posee una alta densidad vascular y una renovación celular constante, lo que lo convierte en un “espejo metabólico” del organismo. Cambios en la perfusión sanguínea o en el metabolismo del hierro se manifiestan rápidamente como variaciones cromáticas visibles. En modelos de aprendizaje profundo, estas variaciones se traducen en patrones numéricos estables, capaces de distinguir entre un estado fisiológico normal y una alteración patológica incluso antes de que aparezcan síntomas clínicos.

El equipo de Ali Al-Naji, coautor del estudio, trabaja ahora en afinar el diagnóstico focalizando en regiones concretas: la punta (asociada al corazón y pulmones según la MTC) y el centro (vinculado al aparato digestivo). También están integrando análisis morfológicos con el algoritmo YOLO, especializado en detección de formas, para identificar fisuras, úlceras y otras irregularidades superficiales.

Aplicaciones prácticas y desarrollo comercial

Más allá de la investigación académica, este tipo de análisis comienza a tener aplicaciones prácticas. Xu y su equipo han lanzado una aplicación denominada BenCao, basada en IA generativa tipo GPT, que permite subir una foto de la lengua y recibir una interpretación de bienestar inspirada en principios de la MTC. No ofrece diagnósticos clínicos, sino recomendaciones generales sobre alimentación y hábitos, aunque representa el primer paso hacia una herramienta más sofisticada.

El objetivo a medio plazo es combinar estos modelos con datos clínicos reales y con el juicio de médicos especialistas. Xu reconoce que el principal obstáculo para avanzar hacia el diagnóstico médico formal es la falta de bases de datos suficientemente amplias y diversas. Para alcanzar validez universal, la IA debería entrenarse con imágenes procedentes de distintas etnias, edades y condiciones ambientales.

La comercialización de quioscos de diagnóstico basados en lengua requeriría además cumplir regulaciones sanitarias y protocolos éticos. En muchos países, las aplicaciones de IA médica deben pasar por ensayos clínicos y obtener certificación de agencias reguladoras como la FDA o la EMA.

Beneficios, limitaciones y cuestiones éticas

Las ventajas del método son claras: es no invasivo, rápido y económico. Puede aplicarse en cualquier entorno con una cámara y una fuente de luz adecuada. Además, podría integrarse en programas de salud pública o de telemedicina, especialmente en regiones con acceso limitado a laboratorios clínicos.

Sin embargo, también existen limitaciones importantes. La precisión depende de factores técnicos como el color de la piel circundante, la iluminación ambiental y el ángulo de la toma. Pequeñas variaciones en estos parámetros pueden alterar el análisis. Los modelos actuales, además, se han entrenado mayoritariamente con datos asiáticos, lo que plantea dudas sobre su validez intercultural.

En el ámbito ético, el uso de imágenes faciales o bucales plantea retos relacionados con la privacidad biométrica. Aunque las fotografías de lengua parecen inofensivas, son identificadores únicos, comparables a una huella digital. Por ello, los investigadores apuestan por técnicas de aprendizaje federado, en las que el modelo se entrena localmente en cada dispositivo, sin enviar las imágenes a servidores externos.

Xu advierte además que la IA no puede sustituir el criterio clínico. “El análisis de la lengua es solo una parte del diagnóstico completo; la interpretación debe estar integrada con otros datos médicos”, afirma. De hecho, muchas enfermedades no provocan cambios visibles en la lengua, lo que limita el alcance del sistema como herramienta universal.

Mirando al futuro

Los investigadores coinciden en que el siguiente paso será ampliar la muestra de pacientes y correlacionar los resultados con biomarcadores sanguíneos y genéticos. Chahl ha expresado su intención de extender el análisis a otras zonas faciales —labios, piel oculares y tono general de la cara— para desarrollar un diagnóstico multimodal. Si se logran bases de datos lo suficientemente amplias, estos sistemas podrían integrarse en hospitales o incluso en dispositivos domésticos.

En paralelo, algunos laboratorios ya experimentan con cámaras portátiles conectadas al móvil que analizan en tiempo real la lengua del usuario y envían alertas si se detectan anomalías cromáticas. Con la precisión actual, cercana al 97 %, el potencial para el seguimiento de enfermedades crónicas es considerable. Una simple imagen diaria podría ofrecer a los médicos un registro continuo de la evolución fisiológica de un paciente.

Este avance, a medio camino entre la tradición y la ciencia de datos, refleja una tendencia más amplia: la digitalización de los signos clínicos visuales. Igual que los relojes inteligentes miden la frecuencia cardíaca o la saturación de oxígeno, la cámara de un teléfono podría convertirse pronto en un sensor diagnóstico más, capaz de leer en la lengua indicios que antes solo un experto podía percibir.

Reflexiones finales

El análisis lingual mediante inteligencia artificial no sustituye a la medicina convencional, pero aporta una herramienta complementaria de gran potencial. La posibilidad de detectar alteraciones metabólicas sin necesidad de extracciones sanguíneas, de forma remota y con bajo coste, podría transformar el acceso al diagnóstico preventivo.

Aun así, la estandarización sigue siendo el mayor desafío. Para que esta tecnología sea clínicamente aceptada, necesitará una infraestructura global de datos, protocolos de iluminación uniformes y validación médica multicéntrica. Como señala Chahl, “el verdadero reto no está en el algoritmo, sino en recopilar datos suficientes y comparables para entrenarlo correctamente”.

Si la investigación continúa avanzando, es posible que en pocos años sacar la lengua frente al móvil deje de ser un gesto trivial y se convierta en un examen rutinario de salud.