Uso da IA na radiologia: para onde estamos caminhando?

O desenvolvimento dos primeiros computadores por Alan Turing introduziu o conceito de inteligência artificial (IA), estabelecendo a possibilidade de máquinas realizarem previsões inteligentes. Desde então, a tecnologia tem se expandido no campo da medicina, incluindo sistemas automatizados para triagem de pacientes, chatbots e modelos avançados de aprendizado profundo aplicados à análise de imagens e dados clínicos.

A radiologia, área fortemente dependente de tecnologias de imagem, tornou-se um dos principais domínios para a aplicação de IA devido ao seu potencial para processar grandes volumes de dados com precisão e rapidez. A capacidade da tecnologia de aprender padrões complexos e identificar anomalias imperceptíveis ao olho humano apresenta oportunidades valiosas para a detecção e o diagnóstico precoce de doenças, como o câncer, em que pequenas variações no tecido podem ter implicações clínicas significativas. Desde o início dos anos 2000, os avanços em aprendizado de máquina transformaram a radiologia, especialmente com o desenvolvimento das redes neurais convolucionais (CNNs), adequadas para a análise de imagens. Esses algoritmos processam extensos conjuntos de dados para identificar padrões e anomalias, respondendo à demanda crescente por interpretações rápidas e confiáveis.

No entanto, o uso da IA na radiologia também levanta um debate crucial: até que ponto podemos confiar na IA para a análise de imagens médicas? Nesse contexto, Deniz e colaboradores (2024) exploraram as complexidades e desafios da implementação da IA na prática radiológica, destacando tanto os avanços quanto as considerações éticas envolvidas.

Os tumores ósseos apresentam um grande desafio diagnóstico devido à sua agressividade e ao prognóstico ruim. A distinção entre lesões benignas e malignas é complexa e, frequentemente, exige biópsias arriscadas que podem introduzir viés de amostragem. A inteligência artificial surge como uma ferramenta promissora nesse campo, com modelos de redes neurais convolucionais que classificam tumores ósseos em radiografias com precisão. Em estudos mais amplos, a incorporação de dados de ressonância magnética reforça a viabilidade de detecção pré-operatória, reduzindo a necessidade de intervenções invasivas. Ainda assim, a aplicação clínica desses modelos é limitada, pois exige segmentação manual das lesões, desafiando a implementação automatizada.

Outro avanço da IA está no carcinoma de pulmão, uma das principais causas de mortalidade por câncer. Modelos baseados em CNN aplicados a exames FDG-PET/TC têm alcançado alta precisão no estadiamento e no prognóstico, superando abordagens tradicionais ao combinar dados PET e TC. Essa tecnologia oferece suporte crucial ao planejar tratamentos curativos, embora a segmentação manual ainda seja um obstáculo em fluxos de trabalho clínicos totalmente automatizados.

Além disso, tecnologias emergentes, como modelos generativos de linguagem (LLMs) e visão (VLMs), estão expandindo o potencial da IA na radiologia. Esses sistemas podem gerar rascunhos de relatórios e interpretar imagens, contribuindo para a redução do tempo de documentação. No entanto, sua aplicabilidade clínica enfrenta desafios pela falta de grandes conjuntos de dados anotados para imagens 3D e pela necessidade de desenvolver métricas de avaliação robustas. As métricas atuais, como ROUGE-L e BLEU, não capturam totalmente a complexidade dos relatórios de radiologia, pois tratam as informações como texto comum e carecem de precisão específica para o domínio médico.

Para que a IA seja implementada com sucesso, é essencial superar o desafio da transparência, já que esses modelos ainda funcionam como "caixa-preta", dificultando a compreensão das bases de suas previsões. Decisões incorretas da IA podem influenciar negativamente a tomada de decisão dos radiologistas, destacando a importância de validações rigorosas e de uma colaboração clínico-IA que fortaleça os cuidados, sem comprometer a segurança dos pacientes. O desenvolvimento de conjuntos de dados multimodais e coortes diversificadas, bem como a integração de IA em fluxos de trabalho clínicos, permanece crucial para evitar desigualdades no atendimento e aprimorar as capacidades diagnósticas da IA.

Assim, embora a IA prometa transformar a radiologia, sua aplicação clínica exige cautela, especialmente em ambientes de alto risco. É necessário equilibrar os benefícios da IA com o potencial de riscos, garantindo que essas ferramentas apoiem, mas não substituam, a experiência humana.