La detección temprana del cáncer de esófago en etapa temprana (ECA) es crucial para una intervención oportuna y mejores resultados en el tratamiento. La imagen hiperespectral (HSI) y las tecnologías de inteligencia artificial (IA) ofrecen vías prometedoras para mejorar la precisión diagnóstica en este contexto. Este estudio utilizó un conjunto de datos que comprende 3984 imágenes de luz blanca (WLIs) y 3666 imágenes de banda estrecha (NBIs). Empleamos el modelo Yolov5, un algoritmo de detección de objetos de última generación, para predecir el ECA temprano basado en las imágenes proporcionadas. El conjunto de datos se dividió en dos subconjuntos: RGB-WLIs y NBIs, y se entrenaron cuatro modelos distintos utilizando estos conjuntos de datos. Los resultados experimentales revelaron que el rendimiento de predicción del modelo de entrenamiento se mejoró notablemente al utilizar HSI en comparación con el entrenamiento NBI general. El modelo de entrenamiento HSI demostró una mejora del 8% en precisión, junto con un aumento del 5-8% en las medidas de precisión y recall. Especialmente, el modelo entrenado con WLIs mostró la mejora más significativa. La integración de HSI con tecnologías de IA mejora el rendimiento de predicción para la detección temprana de ECA. Este estudio destaca el potencial de los modelos de identificación de aprendizaje profundo para ayudar en la investigación de detección médica. La integración de estos modelos con sistemas de diagnóstico endoscópico en entornos de atención médica podría ofrecer resultados más rápidos y precisos, mejorando así el rendimiento general de detección.