O formulário foi enviado com sucesso.
Encontrará mais informações na sua caixa de correio.
Contrate-nosSelecionar a língua
Sobre nósServiçosTecnologiasIndústriasCarteira
Atualmente, muitas palestras principais da conferência IT sobre cuidados de saúde seguem o mesmo padrão. Alguém começa com um slide de um robô de aspeto simpático, vestido com uma bata branca, e, quarenta minutos depois, encerra a apresentação respondendo a uma pergunta apreensiva sobre se o software virá substituir os empregos do público. Algures entre o slide do robô e essa pergunta, a parte realmente útil da palestra é ignorada, e raramente tem a ver com robôs.
A IA aplicada à imagiologia médica, na forma em que é efetivamente implementada e utilizada, é muito menos espetacular e muito mais interessante. Trata-se de software que analisa uma TAC torácica antes de o radiologista abrir o ficheiro e assinala os três exames, entre duzentos, que precisam de ser analisados em primeiro lugar. É um modelo que mede um tumor sempre da mesma forma, em vez de o fazer da maneira como um médico residente cansado o mede às 18h de uma sexta-feira. Nada disso chega às manchetes. Mas tudo isso muda o dia-a-dia de um departamento.
Este é um guia prático sobre as áreas em que a IA na imagiologia médica está realmente a dar resultados, onde ainda tropeça nos próprios sapatos e o que é necessário para a implementar num hospital ou num centro de imagiologia sem causar problemas graves ao longo do processo.
Na sua forma mais simples, a imagiologia médica baseada em IA consiste em treinar software — principalmente modelos de aprendizagem profunda baseados em redes neurais convolucionais ou em arquiteturas mais recentes do tipo «transformer» — para reconhecer padrões em exames, tal como um radiologista experiente o faz. Basta alimentar um modelo com um número suficiente de radiografias torácicas etiquetadas que mostrem pneumonia, e ele começa a identificar os mesmos indícios visuais que um radiologista identifica, só que mais rapidamente e sem precisar de uma pausa para o café.
O âmbito de aplicação já ultrapassou há muito a simples deteção de um único tumor. As ferramentas atuais abrangem praticamente todas as fases do processo de imagiologia: aquisição, reconstrução, interpretação, elaboração de relatórios e, cada vez mais, a previsão da progressão da doença e dos resultados dos doentes. Algumas destas funções são executadas como aprendizagem automática integrado diretamente no scanner. Parte desse código funciona como uma camada separada que lê o ficheiro DICOM assim que a digitalização estiver concluída.
As entidades reguladoras perceberam essa mudança anos antes da maioria das organizações de cuidados de saúde. No final de 2025, a radiologia representava cerca de 76% de cada dispositivo médico com IA aprovados pela FDA nos últimos 30 anos, mais do que todas as outras especialidades clínicas juntas. É na imagiologia que os dados são mais ricos, os padrões são suficientemente visuais para que uma rede neural aprenda bem e os benefícios clínicos são mais evidentes; por isso, é também nesta área que a IA teve o seu ponto de partida.
A IA desempenha várias funções diferentes, dependendo da sua posição no fluxo de trabalho. Eis como a IA é utilizada na imagiologia médica, uma vez ultrapassados os argumentos de marketing.
Esta é a aplicação que todos imaginam em primeiro lugar. Um modelo analisa uma imagem e assinala tudo o que parece não dever estar lá: um nódulo, uma fratura, uma hemorragia, uma massa suspeita, etc. É lógico que o resultado não seja um diagnóstico. É apenas um segundo par de olhos que nunca se cansa nem se distrai, o que é exatamente o que um visão computacional é aquilo em que o modelo é bom e, precisamente, aquilo em que um ser humano que está a analisar a sua ducentésima radiografia torácica do turno não é.
A segmentação traça o contorno, indicando exatamente onde um tumor, órgão ou vaso se encontra na imagem. Pode parecer pouco glamoroso, até percebermos o quanto a radiologia depende de medições consistentes ao longo do tempo. Um modelo que segmenta a mesma lesão de forma consistente ao longo dos exames de acompanhamento elimina uma quantidade surpreendente de suposições da monitorização do tratamento.
Nem todos os exames são igualmente urgentes, mas as listas de trabalho do PACS (sistema de arquivo e comunicação de imagens) têm-nos tratado tradicionalmente dessa forma: por ordem de chegada. Os modelos de triagem analisam os exames recebidos e colocam qualquer caso que apresente sinais de AVC, embolia pulmonar ou hemorragia intracraniana no topo da fila, por vezes poucos minutos após a aquisição. A decisão final continua a caber ao radiologista. Apenas é tomada mais cedo.
A IA também atua diretamente sobre a imagem antes mesmo de um ser humano a analisar, removendo o ruído das tomografias computadorizadas de baixa dose, aumentando a nitidez das imagens de ressonância magnética captadas em menos tempo do que o exigido por um protocolo padrão ou preenchendo lacunas causadas por artefactos de movimento. As vantagens são reais: doses de radiação mais baixas, tempos de exame mais curtos e imagens mais fáceis de interpretar.
Esta nova tendência combina imagens com outros tipos de dados, resultados laboratoriais, genómica e notas clínicas para prever a evolução provável de uma doença, em vez de se limitar a descrever o que é visível atualmente. Ainda está numa fase inicial, é promissora e é para aí que se dirige atualmente grande parte do financiamento destinado à investigação séria.
As aplicações são uma forma de abordar esta questão, mas a área clínica é outra. E é provavelmente esta última que mais importa para quem aprova o orçamento. Aqui estão alguns exemplos concretos de IA na imagiologia médica, por especialidade.
A imagiologia oncológica possui um dos históricos mais sólidos no domínio da IA, sobretudo porque o rastreio do cancro da mama, do pulmão e da próstata gera conjuntos de dados enormes e bem rotulados. Num dos maiores ensaios clínicos realizados no mundo real até à data, os radiologistas que utilizaram a dupla leitura apoiada por IA no rastreio mamográfico detetou mais 17,61 TP180T de cancros em comparação com os radiologistas que não o utilizavam, num total de mais de 460 000 mulheres submetidas a rastreio em 12 centros na Alemanha.
O tratamento do AVC é uma questão de minutos, e as ferramentas de triagem baseadas em IA, concebidas para a TC e a RM, identificam agora suspeitas de oclusões de grandes vasos e hemorragias intracranianas com rapidez suficiente para reduzir o tempo entre o exame e a decisão terapêutica. A mesma tecnologia subjacente também acompanha as alterações na substância branca ao longo do tempo em doenças como a esclerose múltipla, o que antes exigia uma comparação manual meticulosa entre os exames.
A ressonância magnética cardíaca e a tomografia computadorizada produzem dados densos e com muita movimentação, que são verdadeiramente difíceis de avaliar de forma consistente por um ser humano. As ferramentas de IA tratam agora dos cálculos do volume das câmaras cardíacas, da pontuação de cálcio e da análise das artérias coronárias com um nível de repetibilidade que as medições manuais raramente alcançam, uma vez que dois cardiologistas que avaliem o mesmo coração manualmente nem sempre chegarão ao mesmo valor exato.
A deteção de fraturas em radiografias, especialmente as fraturas subtis que são fáceis de passar despercebidas num serviço de urgências com grande afluência, é uma das histórias de sucesso mais discretas da IA. A avaliação da idade óssea e a classificação da osteoartrite seguiram o mesmo padrão: tarefas que eram sempre um pouco subjetivas contam agora com uma segunda opinião consistente.
Os benefícios da IA no domínio da imagiologia médica são interpretados de forma diferente, dependendo de quem os questiona; por isso, vale a pena analisá-los separadamente, de acordo com o público-alvo, em vez de partir do princípio de que todos querem a mesma coisa.
Nada do que foi referido acima acontece automaticamente, e fingir o contrário é o que faz com que os pilotos de IA acabem por morrer silenciosamente numa gaveta qualquer. Eis o que costuma impedir que isso aconteça.
A qualidade de um modelo depende da qualidade dos rótulos com que foi treinado, e a anotação de imagens médicas é um processo moroso, dispendioso e que requer conhecimentos clínicos especializados. A inconsistência na atribuição de rótulos entre instituições é uma das razões mais comuns pelas quais um modelo apresenta um desempenho excelente em testes, mas decepcionante em produção.
Os modelos treinados principalmente com base numa única população, numa única marca de aparelho de imagiologia ou nos protocolos de imagiologia de um único hospital tendem a apresentar um desempenho inferior em todos os outros contextos. Um modelo que aprendeu os padrões de densidade mamária de um determinado grupo demográfico não se aplica automaticamente a outro grupo diferente.
Cada limiar representa um compromisso. Se for definido de forma demasiado sensível, os radiologistas ficam sobrecarregados com falsos alarmes, o que gera precisamente a fadiga de alertas que a ferramenta deveria evitar. Se for definido de forma demasiado específica, começa a deixar escapar achados reais. Não existe uma configuração que elimine este compromisso, apenas configurações que se adaptam melhor ou pior a um determinado contexto clínico.
Um modelo que diz “cancro, confiança 87%” sem explicar o porquê é difícil de aceitar para um radiologista que é legal e profissionalmente responsável pela decisão final. As ferramentas que destacam os píxeis específicos que estão na base de uma previsão ganham confiança mais rapidamente do que aquelas que não o fazem, sobretudo porque permitem que um médico verifique a validade de um diagnóstico de imagiologia médica feito pela IA.
As imagens médicas contêm informações de saúde protegidas, e os fluxos de trabalho de IA que transferem esses dados entre scanners, sistemas de armazenamento, inferência na nuvem e sistemas de relatórios multiplicam os pontos em que algo pode correr mal. A encriptação em trânsito e em repouso, os controlos de acesso rigorosos e os registos de auditoria são o que impede que uma violação se transforme num desastre a nível regulamentar.
Quem é responsável quando uma análise assistida por IA deixa escapar algo? Os quadros regulamentares ainda estão a tentar dar resposta a essa questão, e a autorização concedida por um organismo como a FDA abrange o desempenho do software, mas não a estrutura de responsabilização jurídica e clínica relacionada com a forma como este é utilizado.
Um modelo validado com base nos modelos de tomógrafos e no perfil de doentes do ano passado pode sofrer uma degradação gradual à medida que o equipamento, os protocolos e as populações mudam, um problema conhecido como «desvio». Sem uma monitorização contínua do desempenho, essa degradação passa despercebida até que alguém repare que o modelo está errado há meses. É exatamente este tipo de situação que um sistema sólido Práticas de MLOps foram concebidos para detetar o problema antes que este se torne um problema clínico.
Fazer com que um modelo funcione num artigo de investigação e fazê-lo funcionar num departamento de radiologia real são dois projetos muito diferentes. Eis como se apresenta o segundo.
Toda implementação bem-sucedida começa em pequena escala: uma modalidade, uma condição, uma questão clínica claramente definida. “IA para radiologia” não é um caso de utilização. “Identificar suspeitas de embolia pulmonar numa TC torácica no prazo de cinco minutos após a aquisição” é que é.
É aqui que reside a maior parte do verdadeiro trabalho: limpar, anonimizar e anotar os dados de imagem de forma a que o modelo possa aprender com eles. O próximo desafio é garantir que os dados refletem a população de doentes e o equipamento em que o modelo acabará por ser executado.
Modelo pronto a usar, modelo de base aperfeiçoado ou totalmente personalizado? A resposta certa depende da frequência com que a tarefa clínica é realizada e do grau de diferença entre a sua população de doentes e aquela com base na qual os modelos existentes foram treinados. Voltaremos a este assunto na próxima secção.
Um modelo que não consiga receber exames do PACS, enviar os resultados para o RIS e apresentá-los no EHR que o médico já utiliza não é uma ferramenta clínica, mas sim um projeto de investigação com boas intenções. Integração entre o EHR e o EMR Este trabalho não tem glamour, mas é absolutamente essencial, porque ninguém quer abrir uma terceira aplicação só para ver o que a IA descobriu.
A interface é quase tão importante quanto o modelo subjacente. Os resultados da IA têm de aparecer nas ferramentas que os radiologistas já utilizam e ser apresentados num formato que se adapte ao seu fluxo de trabalho clínico, com opções simples para aceitar, rejeitar ou anular as sugestões da IA.
É certo que a entrada em funcionamento não é a meta final. A monitorização contínua verifica a precisão em relação aos resultados reais, está atenta a eventuais desvios e deteta o momento em que uma atualização do firmware do scanner altera, de forma imperceptível, as imagens que o modelo está a captar.
Mais cedo ou mais tarde, todos os planos de tecnologia de imagiologia médica com IA chegam à mesma encruzilhada, e alguém na sala pronuncia a palavra “roteiro” com mais confiança do que a situação merece. Podem construir a solução vocês próprios, comprar algo que já exista ou contratar pessoas que já cometeram os erros dispendiosos com o orçamento de outra entidade. Nenhuma destas três opções é correta em termos abstratos. Uma delas é a correta para a vossa equipa, o vosso prazo e o nível de risco que o vosso departamento jurídico consegue suportar antes do almoço.
| Abordagem | Rapidez na implementação | Custo inicial | Personalização clínica | Manutenção a longo prazo |
|---|---|---|---|---|
| Desenvolver internamente | Lento: meses a anos | Elevado, requer uma equipa dedicada à aprendizagem automática | Muito elevado | A responsabilidade recai inteiramente sobre a vossa equipa |
| Comprar produtos prontos a usar | Rápido: semanas | Taxas de licença iniciais e recorrentes mais baixas | Limitado ao que o fornecedor suporta | A cargo do fornecedor |
| Estabeleça uma parceria com uma equipa de desenvolvimento | Moderado: semanas a alguns meses, um ano | Moderado, limitado ao âmbito do projeto | Elevado | Transferido ou entregue após a estabilização |
Infelizmente, as boas intenções não passam numa auditoria de segurança. Antes de um fluxo de trabalho de imagiologia médica baseado em IA/ML chegar sequer perto de um doente real, tem de existir já por baixo dele uma pilha de tecnologias pouco glamorosa, a fazer o seu trabalho discretamente para que ninguém tenha de se preocupar com ela.
Eis, em linhas gerais, o processo que apresentamos aos clientes, compilado a partir de projetos em que as soluções de imagem baseadas em IA ultrapassaram a fase piloto e passaram a fazer parte do dia-a-dia.
Há algumas tendências que surgem com frequência suficiente em investigações sérias e planos de desenvolvimento de produtos, ao ponto de valer a pena acompanhá-las, em vez de as arquivar como meros slides de apresentação dos fornecedores. É mais ou menos neste ponto que a IA está a transformar a imagiologia médica, quando as equipas ultrapassam as capacidades do conjunto de ferramentas atual.
O nosso trabalho aqui abrange toda a cadeia de imagens médicas com IA no setor da saúde, de ponta a ponta. Por um lado, visão computacional modelos treinados com dados reais de imagiologia clínica. No lado menos glamoroso, o trabalho de integração com PACS, RIS e EHR, que determina se tudo isto chega a ser utilizado. A conformidade com a HIPAA, o RGPD e o MDR não é algo que se acrescente à última da hora. Fazem parte do desenvolvimento desde o primeiro sprint, e a nossa certificação ISO 13485 abrange exatamente o tipo de software para dispositivos médicos a que isto se refere. Os nossos estudos de caso na área da saúde dão uma imagem mais realista de como isto se traduz na prática do que qualquer resumo que eu possa fazer aqui.
A IA não vai conseguir superar uma integração PACS defeituosa, nem vai ficar à espera de uma integração perfeita. Algures entre o programa-piloto e a realidade caótica do hospital IT, os serviços de radiologia já estão a interpretar as imagens de forma diferente do que faziam há cinco anos. O facto de essa mudança parecer revolucionária ou apenas discretamente útil tem menos a ver com o algoritmo do que com quem esteve disposto a realizar primeiro o trabalho de integração, muitas vezes negligenciado.
Um pouco de tudo, sinceramente: deteção de anomalias, segmentação e medição de imagens, triagem de listas de trabalho, reconstrução de imagens, elaboração de relatórios estruturados e análise preditiva, abrangendo modalidades como raios X, TC, RM e ecografia.
Raio-X, TC, RM, ecografia, mamografia, PET e, cada vez mais, imagens patológicas de lâminas completas. O raio-X e a TC continuam a ter o historial mais longo e mais consolidado.
Na maioria dos casos, sim. As ferramentas clínicas de IA são geralmente concebidas para se integrarem em sistemas PACS e RIS existentes através de normas como DICOM, DICOMweb, HL7 V2 e FHIR, embora o grau de integração dependa ainda muito do fornecedor.
Isso depende em grande medida da tarefa em questão e do rigor com que o modelo foi validado; por isso, é aconselhável encarar qualquer valor isolado de precisão com alguma cautela. Ferramentas bem validadas em áreas como o rastreio mamográfico têm demonstrado melhorias reais nas taxas de deteção em comparação com a leitura não assistida, a par de compromissos reais nas taxas de falsos positivos que vale a pena ponderar.
Não existe aqui um número mágico. Depende da complexidade da tarefa clínica, mas os modelos de imagiologia validados e aprovados pela FDA têm, historicamente, utilizado entre algumas centenas e vários milhares de casos de doentes para a validação clínica.
Nos EUA, trata-se principalmente da autorização da FDA através de vias como a 510(k), a De Novo ou a PMA, além da HIPAA no que diz respeito à privacidade dos dados. Na UE, trata-se do Regulamento relativo aos dispositivos médicos (MDR), do RGPD e da Lei da UE sobre a IA.
A resposta curta é não. As ferramentas atuais estão aprovadas como auxiliares de leitura ou como recursos de apoio à leitura, e não como leitores autónomos, pelo que a decisão clínica final continua a caber a um radiologista, e não a um modelo.
Sinceramente, varia demasiado para se poder apontar um valor único. Comprar uma solução pronta a usar, desenvolver uma solução personalizada ou estabelecer uma parceria com uma equipa de desenvolvimento são opções que têm resultados muito diferentes, tal como a complexidade da integração e o número de sites envolvidos. Uma consulta com um âmbito definido permite-lhe obter um valor concreto muito mais rapidamente do que ficar a adivinhar.
Consultor na área da saúde IT
Aleh faz a ponte entre as necessidades clínicas e a execução da engenharia. Aplica um profundo conhecimento do domínio para garantir que os sistemas MedTech não estão apenas em conformidade, mas são suficientemente fiáveis para terem um impacto mensurável nos cuidados de saúde do mundo real.
