APLICAÇÕES DA INTELIGÊNCIA ARTIFICIAL NA ANÁLISE QUANTITATIVA DE EXAMES DE IMAGEM: UMA REVISÃO SISTEMÁTICA DA LITERATURA

Engenharias, Volume 29 – Edição 148/JUL 2025 / 14/07/2025

REGISTRO DOI: 10.69849/revistaft/fa10202507092153

Thiago Padre da Silva1
Henderson Matsuura Sanches2
Paulo Tadeu Peres Ingracio3

RESUMO

A Inteligência Artificial (IA) tem revolucionado a análise de exames de imagem, oferecendo ferramentas avançadas para o diagnóstico e tratamento de doenças. Este artigo apresenta uma revisão sistemática da literatura sobre as aplicações da IA na análise quantitativa de exames de imagem. Aborda-se a evolução da radiologia, a importância da IA na interpretação de imagens médicas, e os conceitos de Aprendizado de Máquina, Aprendizado Profundo e Radiômica. Discute-se como a IA melhora a precisão diagnóstica, otimiza o fluxo de trabalho e auxilia na identificação de biomarcadores. Além disso, são explorados os desafios e limitações, como vieses em dados, transparência dos algoritmos, questões éticas e legais, custos de implementação e a necessidade de capacitação profissional. Conclui-se que a IA é uma ferramenta complementar poderosa, mas sua implementação segura e eficaz requer superação de desafios e regulamentação robusta.

Palavra Chave: Inteligência Artificial; Análise de Imagem; Radiologia; Aprendizado de Máquina; Revisão Sistemática.

ABSTRACT

Artificial Intelligence (AI) has revolutionized medical image analysis, offering advanced tools for disease diagnosis and treatment. This article presents a systematic review of the literature on the applications of AI in quantitative medical image analysis. It discusses the evolution of radiology, the importance of AI in interpreting medical images, and the concepts of Machine Learning, Deep Learning, and Radiomics. The paper explores how AI improves diagnostic accuracy, optimizes workflow, and assists in biomarker identification. Furthermore, challenges and limitations such as data biases, algorithm transparency, ethical and legal issues, implementation costs, and the need for professional training are discussed. It concludes that AI is a powerful complementary tool, but its safe and effective implementtion requires overcoming challenges and robust regulation.

Keywords: Artificial Intelligence; Image Analysis; Radiology; Machine Learning; Systematic Review.

1 INTRODUÇÃO

A análise de exames de imagem desempenha um papel crucial na medicina moderna, fornecendo informações visuais indispensáveis para o diagnóstico, estadiamento e acompanhamento de diversas condições de saúde. Desde radiografias simples até ressonâncias magnéticas complexas e tomografias computadorizadas, a interpretação precisa dessas imagens é fundamental para a tomada de decisões clínicas eficazes. Tradicionalmente, essa tarefa tem sido realizada por profissionais altamente qualificados, como radiologistas, que dependem de sua vasta experiência e conhecimento para identificar padrões e anomalias [1].

No entanto, o volume crescente de exames de imagem, a complexidade cada vez maior das informações contidas neles e a necessidade de diagnósticos mais rápidos e precisos têm imposto desafios significativos aos sistemas de saúde. A subespecialização das disciplinas médicas e a busca por maior acurácia nos métodos diagnósticos tornam a tarefa do radiologista ainda mais exigente, demandando um conhecimento aprofundado sobre uma vasta gama de exames e regiões anatômicas[2]. Além disso, a evolução dos exames de imagem, que agora fornecem não apenas dados qualitativos, mas também informações quantitativas e de gravidade de doença, incluindo biomarcadores prognósticos e de resposta ao tratamento, exige ferramentas mais sofisticadas para sua análise [2].

Nesse cenário, a Inteligência Artificial (IA) emerge como uma tecnologia transformadora, com o potencial de revolucionar a análise de exames de imagem. A IA, que resulta da combinação de modelos matemáticos sofisticados e da computação para produzir algoritmos capazes de mimetizar a inteligência humana, tem permitido avanços significativos na interpretação de imagens médicas [1]. O desenvolvimento de algoritmos de aprendizado de máquina e, mais especificamente, de aprendizado profundo, tem proporcionado análises mais precisas e eficientes, melhorando a acurácia diagnóstica e facilitando a detecção precoce de doenças [3].

Este artigo tem como objetivo realizar uma revisão sistemática da literatura sobre as aplicações da Inteligência Artificial na análise quantitativa de exames de imagem. Serão explorados os principais avanços, os benefícios trazidos pela IA, os desafios inerentes à sua implementação e as perspectivas futuras para essa área em constante evolução. A compreensão desses aspectos é crucial para maximizar o potencial da IA como uma ferramenta complementar e poderosa no diagnóstico por imagem, sem a intenção de substituir o papel insubstituível do profissional de saúde [1, 3].

2 FUNDAMENTAÇÃO
2.1 Fundamentação Teórica: Inteligência Artificial e Análise de Imagens Médicas

Para compreender as aplicações da Inteligência Artificial (IA) na análise quantitativa de exames de imagem, é fundamental contextualizar os conceitos-chave que sustentam essa área. A IA, em sua essência, refere-se à capacidade de sistemas computacionais de executar tarefas que normalmente exigiriam inteligência humana, como aprendizado, raciocínio, percepção e tomada de decisão [1]. Dentro do vasto campo da IA, o Aprendizado de Máquina Machine Learning (ML) e o Aprendizado Profundo Deep Learning (DL) destacam-se como as abordagens mais relevantes para a análise de imagens médicas.

2.2 Conceitos de Inteligência Artificial, Aprendizado de Máquina e Aprendizado Profundo

O Aprendizado de Máquina (ML) é um subcampo da IA que permite aos sistemas aprenderem a partir de dados, identificar padrões e tomar decisões com mínima intervenção humana. Em vez de serem explicitamente programados para cada tarefa, os algoritmos de ML são treinados com grandes volumes de dados, o que lhes permite melhorar seu desempenho ao longo do tempo. Na análise de imagens, algoritmos de ML podem ser treinados para classificar imagens, detectar anomalias ou segmentar estruturas de interesse [2].

O Aprendizado Profundo (DL), por sua vez, é um subcampo do ML que utiliza redes neurais artificiais com múltiplas camadas (daí o termo “profundo”) para aprender representações hierárquicas dos dados. Inspiradas na estrutura e função do cérebro humano, essas redes são capazes de extrair características complexas e abstratas diretamente dos dados brutos, como pixels de uma imagem, sem a necessidade de engenharia de características manual. As redes neurais convolucionais (CNNs) são particularmente eficazes para tarefas de visão computacional, incluindo o reconhecimento de imagem, detecção de objetos e segmentação em imagens médicas [3, 5]. A capacidade do DL de processar e aprender com grandes quantidades de informações visuais tem sido um dos principais impulsionadores dos avanços da IA na radiologia [1].

2.3 Radiômica e sua Relação com a Análise Quantitativa

A Radiômica é um campo emergente que envolve a extração de um grande número de características quantitativas de imagens médicas, utilizando algoritmos de mineração de dados de alta capacidade. Essas características, que podem ser de natureza morfológica, textural ou de intensidade, são frequentemente imperceptíveis ao olho humano, mas podem fornecer informações valiosas sobre a biologia subjacente de tecidos e lesões [2, 5]. A premissa da radiômica é que essas características quantitativas podem ser correlacionadas com desfechos clínicos, como prognóstico, resposta ao tratamento e genótipo do tumor, permitindo uma abordagem mais personalizada da medicina.

A relação entre a radiômica e a análise quantitativa de exames de imagem é intrínseca. A radiômica fornece os dados quantitativos que podem ser utilizados por algoritmos de IA para construir modelos preditivos e diagnósticos. Ao combinar a riqueza de informações extraídas das imagens com o poder de processamento e aprendizado da IA, é possível ir além da interpretação visual tradicional, transformando as imagens em “dados” que podem ser analisados de forma objetiva e reproduzível [2, 5].

2.4 Padrão DICOM e a Importância dos Grandes Volumes de Dados (Big Data)

O padrão Digital Imaging and Communications in Medicine (DICOM) é um protocolo amplamente utilizado para a armazenagem, transmissão e processamento de imagens médicas e informações relacionadas. Ele garante a interoperabilidade entre diferentes equipamentos de imagem e sistemas de informação hospitalares, permitindo que imagens de diversas modalidades (como tomografia computadorizada, ressonância magnética, ultrassonografia) sejam padronizadas e acessíveis [4].

A existência do padrão DICOM é crucial para o desenvolvimento e aplicação da IA na análise de imagens médicas, pois facilita a criação de grandes bases de dados (Big Data). O treinamento eficaz de algoritmos de Aprendizado Profundo, em particular, exige volumes massivos de dados de alta qualidade e bem anotados. Essas grandes bases de dados permitem que os algoritmos aprendam a identificar padrões complexos e a generalizar para novos casos com maior precisão. A capacidade de coletar, armazenar e acessar eficientemente esses dados é um pilar fundamental para o avanço da IA na medicina diagnóstica [4, 5].

Em resumo, a combinação de algoritmos avançados de Aprendizado de Máquina e Aprendizado Profundo, a extração de características quantitativas através da radiômica e a disponibilidade de grandes volumes de dados padronizados pelo DICOM são os pilares que sustentam as aplicações da Inteligência Artificial na análise quantitativa de exames de imagem, abrindo caminho para uma nova era de diagnósticos mais precisos e eficientes [2, 3, 4, 5].

3 APLICAÇÕES DA IA NA ANÁLISE QUANTITATIVA DE EXAMES DE IMAGEM

A IA tem demonstrado um impacto transformador na análise quantitativa de exames de imagem, oferecendo avanços significativos em diversas frentes. As aplicações da IA não se limitam apenas à detecção de anomalias, mas se estendem à otimização de fluxos de trabalho, à identificação de biomarcadores e ao auxílio na tomada de decisões clínicas. Esta seção detalha as principais aplicações da IA nesse campo.

3.1 Melhora da Precisão Diagnóstica

Um dos impactos mais notáveis da IA na análise de imagens médicas é a melhoria substancial da precisão diagnóstica. Algoritmos de aprendizado profundo, especialmente as Redes Neurais Convolucionais (CNNs), são capazes de identificar padrões sutis e complexos em imagens que podem ser imperceptíveis ou de difícil detecção para o olho humano [1, 3]. Essa capacidade tem sido explorada em diversas modalidades de imagem.

  • Tomografia Computadorizada (TC): Em TC, a IA tem sido utilizada para a detecção precoce de nódulos pulmonares, caracterização de lesões hepáticas e avaliação de doenças cardiovasculares. Algoritmos podem segmentar automaticamente órgãos e lesões, quantificar volumes e densidades, e até mesmo prever a malignidade de um nódulo com alta acurácia [1, 3].
  • Ressonância Magnética (RM): Na RM, a IA auxilia na detecção de lesões cerebrais, esclerose múltipla, tumores e doenças articulares. A segmentação automática de estruturas anatômicas e patológicas, a quantificação de volumes de tecido e a análise de perfusão são exemplos de aplicações que aumentam a precisão diagnóstica e a reprodutibilidade [3].
  • Radiografias: Em radiografias, a IA tem sido empregada para a detecção de fraturas, pneumonia, tuberculose e outras condições pulmonares. A capacidade de analisar grandes volumes de radiografias rapidamente e com alta sensibilidade e especificidade tem o potencial de reduzir erros e otimizar o tempo de diagnóstico, especialmente em ambientes com alta demanda [3].

Além da detecção, a IA também contribui para a caracterização de lesões, fornecendo informações quantitativas que ajudam a diferenciar entre condições benignas e malignas, o que é crucial para o planejamento do tratamento [2].

3.2 Otimização do Fluxo de Trabalho e Eficiência

A IA não apenas melhora a precisão, mas também otimiza significativamente o fluxo de trabalho em departamentos de radiologia, aumentando a eficiência operacional. As principais contribuições incluem:

  • Redução do Tempo de Análise: Algoritmos de IA podem processar e analisar imagens em uma fração do tempo que levaria para um radiologista humano. Isso permite que os profissionais se concentrem em casos mais complexos ou atípicos, enquanto a IA lida com a triagem e a análise inicial de casos de rotina [3].
  • Padronização de Relatórios: A IA pode auxiliar na geração de relatórios padronizados, garantindo consistência na terminologia e na descrição dos achados. Isso melhora a comunicação entre os profissionais de saúde e reduz a variabilidade na interpretação [4].
  • Triagem de Casos: Sistemas de IA podem priorizar exames com achados críticos ou urgentes, alertando os radiologistas para a necessidade de atenção imediata. Isso é particularmente útil em grandes hospitais ou centros de imagem com alto volume de exames [3].
3.3 Identificação de Biomarcadores e Auxílio na Tomada de Decisão

A análise quantitativa de exames de imagem, impulsionada pela IA e pela radiômica, permite a identificação de biomarcadores que vão além da avaliação visual tradicional. Esses biomarcadores podem fornecer informações prognósticas e preditivas, auxiliando na tomada de decisões clínicas:

  • Biomarcadores Prognósticos: A IA pode extrair características de imagem que estão correlacionadas com a progressão da doença ou a resposta ao tratamento. Por exemplo, em oncologia, a IA pode analisar características de tumores em imagens para prever a probabilidade de recorrência ou a agressividade da doença [2].
  • Auxílio na Tomada de Decisão Terapêutica: Ao fornecer informações quantitativas e preditivas, a IA pode ajudar os médicos a selecionar as terapias mais adequadas para cada paciente, personalizando o tratamento e otimizando os resultados. Isso é um passo fundamental em direção à medicina de precisão [2].
3.4 Casos de Uso Específicos

Embora os artigos revisados não detalhem exaustivamente casos de uso específicos por especialidade, a literatura geral e os resumos analisados indicam aplicações em diversas áreas:

  • Oncologia: Detecção, caracterização e acompanhamento de tumores em diferentes órgãos (pulmão, fígado, cérebro, mama) [1, 2, 3].
  • Neurologia: Diagnóstico de doenças neurodegenerativas, AVC, tumores cerebrais e esclerose múltipla [1, 3].
  • Cardiologia: Avaliação de doenças cardíacas, quantificação de volumes e função cardíaca, detecção de aterosclerose [1, 2].

Em suma, as aplicações da IA na análise quantitativa de exames de imagem são vastas e promissoras, abrangendo desde a melhoria da precisão diagnóstica e a otimização do fluxo de trabalho até a identificação de biomarcadores cruciais para a medicina personalizada. Esses avanços, no entanto, vêm acompanhados de desafios que precisam ser abordados para garantir a implementação segura e eficaz dessas tecnologias.

4 DESAFIOS E LIMITAÇÕES

Apesar do imenso potencial e dos avanços notáveis da IA na análise quantitativa de exames de imagem, sua implementação em larga escala e sua adoção plena na prática clínica ainda enfrentam desafios e limitações significativas. É crucial abordar esses obstáculos para garantir o desenvolvimento e a utilização segura, ética e eficaz dessas tecnologias

4.1 Vieses em Conjuntos de Dados e a Necessidade de Representatividade

Um dos desafios mais críticos reside na qualidade e representatividade dos conjuntos de dados utilizados para treinar os algoritmos de IA. Se os dados de treinamento forem enviesados ‒ ou seja, se não representarem adequadamente a diversidade da população (em termos de etnia, idade, gênero, condições socioeconômicas, etc.) ou se contiverem anotações imprecisas ou incompletas ‒ os algoritmos podem aprender e perpetuar esses vieses [3, 5]. Isso pode levar a diagnósticos incorretos ou menos precisos para determinados grupos de pacientes, exacerbando desigualdades em saúde. A falta de representatividade nos dados é uma preocupação ética e prática, exigindo esforços contínuos para a coleta de dados mais diversos e inclusivos.

4.2 Transparência e Explicabilidade dos Algoritmos (Problema da Caixa Preta)

Muitos dos algoritmos de aprendizado profundo, especialmente as redes neurais complexas, operam como “caixas pretas”. Isso significa que, embora possam produzir resultados altamente precisos, o processo interno pelo qual chegam a essas conclusões é opaco e difícil de ser compreendido por humanos [3]. Na medicina, onde a confiança e a responsabilidade são primordiais, a falta de transparência e explicabilidade dos algoritmos é uma limitação séria. Os médicos precisam entender o raciocínio por trás de uma recomendação da IA para confiar nela e integrá-la em sua tomada de decisão. A pesquisa em IA explicável (XAI – Explainable AI) busca desenvolver métodos para tornar os modelos de IA mais compreensíveis, mas ainda há um longo caminho a percorrer.

4.3 Questões Éticas e Legais

A rápida evolução da IA na medicina levanta uma série de questões éticas e legais complexas que ainda não foram totalmente resolvidas. Entre elas, destacam-se:

  • Responsabilidade: Quem é responsável em caso de um diagnóstico incorreto ou um erro médico causado por um algoritmo de IA? O desenvolvedor do software, o médico que utilizou a ferramenta, a instituição de saúde? A definição clara de responsabilidade é fundamental para a adoção generalizada da IA [5].
  • Privacidade de Dados: A utilização de grandes volumes de dados de pacientes para treinamento e aplicação de IA levanta preocupações significativas sobre a privacidade e a segurança das informações de saúde. A conformidade com regulamentações como a Lei Geral de Proteção de Dados (LGPD) no Brasil e a General Data Protection Regulation (GDPR) na Europa é essencial, mas a complexidade do manuseio desses dados exige vigilância constante.
  • Consentimento Informado: Como garantir que os pacientes compreendam e consintam com o uso de seus dados e com a aplicação de tecnologias de IA em seu diagnóstico e tratamento?
4.4 Custos de Implementação e Necessidade de Infraestrutura

A implementação de soluções de IA na análise de imagens médicas pode ser cara. Os custos envolvem não apenas o desenvolvimento ou aquisição de software e algoritmos, mas também a infraestrutura de hardware necessária (servidores potentes, Unidades de Processamento Gráfico (GPU), o armazenamento de grandes volumes de dados e a manutenção contínua dos sistemas. Isso pode representar uma barreira significativa para instituições de saúde com orçamentos limitados, especialmente em países em desenvolvimento

4.5 Formação e Capacitação de Profissionais

A integração da IA na prática clínica exige que os profissionais de saúde, especialmente radiologistas e técnicos em radiologia, desenvolvam novas habilidades e conhecimentos. É necessário que eles compreendam como a IA funciona, suas capacidades e limitações, e como interpretar e validar os resultados gerados pelos algoritmos. A falta de programas de treinamento adequados e a resistência à mudança podem dificultar a adoção eficaz da IA [5].

4.6 Necessidade de Maior Acurácia e Ampliação das Bases de Dados

Embora a IA já demonstre alta acurácia em muitas tarefas, ainda há espaço para melhorias, especialmente em casos raros ou complexos. A ampliação das bases de dados, com dados mais diversos e de alta qualidade, é fundamental para refinar os algoritmos e aumentar sua robustez e generalização. Além disso, a validação externa dos modelos em diferentes populações e cenários clínicos é crucial para garantir que os resultados obtidos em ambientes de pesquisa sejam replicáveis na prática real [4].

Em suma, os desafios e limitações da IA na análise de imagens médicas são multifacetados, abrangendo aspectos técnicos, éticos, legais, econômicos e educacionais. Superá-los exigirá um esforço colaborativo entre pesquisadores, desenvolvedores, profissionais de saúde, formuladores de políticas e reguladores para garantir que a IA seja utilizada de forma responsável e benéfica para todos os pacientes.

5 METODOLOGIA

Este estudo consiste em uma revisão sistemática da literatura, cujo objetivo principal é identificar, analisar e sintetizar as evidências científicas disponíveis sobre as aplicações da Inteligência Artificial (IA) na análise quantitativa de exames de imagem. A metodologia empregada seguiu as diretrizes para revisões sistemáticas, buscando garantir a transparência, reprodutibilidade e rigor científico do processo.

5.1 Estratégia de Busca

A busca por artigos científicos foi realizada em bases de dados eletrônicas reconhecidas na área da saúde e tecnologia, incluindo PubMed, Scopus e SciELO. As palavras-chave utilizadas, combinadas com operadores booleanos (AND, OR), foram definidas para abranger os principais conceitos relacionados ao tema. As combinações de termos incluíram:

  • “Inteligência Artificial” AND “Análise Quantitativa” AND “Exames de Imagem”
  • “Artificial Intelligence” AND “Quantitative Analysis” AND “Medical Imaging”
  • “IA” AND “Diagnóstico por Imagem” AND “Revisão Sistemática”
  • “Machine Learning” AND “Radiomics” AND “Medical Image Analysis“
5.2 Critérios de Inclusão e Exclusão

Para a seleção dos artigos, foram estabelecidos os seguintes critérios:

Critérios de Inclusão: Artigos originais e revisões sistemáticas que abordassem a aplicação da IA na análise de exames de imagem. * Estudos publicados entre 2019 e 2024, para garantir a relevância e atualidade das informações. * Artigos disponíveis na íntegra em português ou inglês. * Estudos que apresentassem resultados ou discussões sobre a análise quantitativa de imagens médicas.

Critérios de Exclusão: Artigos duplicados, Cartas ao editor, editoriais, resumos de congressos, teses e dissertações (a menos que fossem revisões sistemáticas publicadas em periódicos). * Estudos que não abordassem diretamente a aplicação da IA em exames de imagem ou que se limitassem a aspectos puramente técnicos sem relevância clínica.

5.3 Processo de Seleção e Análise dos Artigos

O processo de seleção dos artigos ocorreu em duas etapas. Inicialmente, dois revisores independentes realizaram a triagem dos títulos e resumos dos artigos identificados na busca, aplicando os critérios de inclusão e exclusão. Em caso de divergência, um terceiro revisor foi consultado para dirimir o conflito. Na segunda etapa, os artigos pré-selecionados foram lidos na íntegra para uma avaliação mais aprofundada. As informações relevantes de cada artigo, como objetivo, metodologia, principais resultados e conclusões, foram extraídas e sintetizadas. Essa síntese permitiu a identificação de temas comuns, lacunas no conhecimento e pontos de divergência entre os estudos, que foram posteriormente utilizados para a estruturação e redação das seções de resultados e discussão do presente artigo.

6 PERSPECTIVAS FUTURAS E RECOMENDAÇÕES

Para que a IA atinja seu potencial máximo na análise de imagens médicas, são necessárias ações coordenadas em diversas frentes:

  • Desenvolvimento de Bases de Dados Robustas e Diversas: Investimentos em coleta e curadoria de grandes volumes de dados de imagem, que sejam representativos de diversas populações e condições clínicas, são essenciais para reduzir vieses e aumentar a generalização dos algoritmos.
  • Pesquisa em IA Explicável (XAI): O avanço em métodos que tornem os algoritmos de IA mais transparentes e compreensíveis é fundamental para construir a confiança dos profissionais de saúde e facilitar a integração da IA na tomada de decisão clínica.
  • Regulamentação e Diretrizes Éticas: A criação de marcos regulatórios claros e diretrizes éticas robustas é imperativa para garantir a segurança, a equidade e a responsabilidade no uso da IA em saúde, protegendo os pacientes e orientando os desenvolvedores.
  • Educação e Treinamento: Programas de educação continuada e treinamento para profissionais de saúde são cruciais para capacitá-los a utilizar e interpretar as ferramentas de IA de forma eficaz e crítica.
  • Colaboração Multidisciplinar: A colaboração entre médicos, cientistas da computação, engenheiros, especialistas em ética e formuladores de políticas é vital para superar os desafios e impulsionar a inovação responsável.
7 CONCLUSÃO

A Inteligência Artificial (IA) representa um avanço paradigmático na análise quantitativa de exames de imagem, prometendo e já entregando melhorias significativas na precisão diagnóstica, na eficiência operacional e na capacidade de extrair informações prognósticas e preditivas de imagens médicas. Esta revisão sistemática da literatura demonstrou que a IA, por meio de algoritmos de aprendizado de máquina e aprendizado profundo, é uma ferramenta poderosa capaz de identificar padrões sutis, otimizar fluxos de trabalho e auxiliar na tomada de decisões clínicas, complementando, e não substituindo, a expertise do profissional de saúde.

Os principais achados desta revisão reforçam o potencial da IA em diversas modalidades de imagem, como tomografia, ressonância magnética e radiografias, contribuindo para a detecção precoce de doenças, a caracterização de lesões e a identificação de biomarcadores cruciais para a medicina de precisão. A padronização de dados via DICOM e a disponibilidade de grandes volumes de dados (Big Data) são pilares fundamentais que impulsionam o desenvolvimento e aprimoramento contínuo dessas tecnologias.

No entanto, a jornada para a plena integração da IA na prática clínica não está isenta de obstáculos. Desafios como a mitigação de vieses em conjuntos de dados, a necessidade de maior transparência e explicabilidade dos algoritmos, as complexas questões éticas e legais (incluindo responsabilidade e privacidade de dados), os custos de implementação e a necessidade de formação e capacitação de profissionais de saúde são pontos críticos que exigem atenção contínua e soluções colaborativas

8 REFERÊNCIA BIBLIOGRÁFICA

[1] CHAMBERLAIM, A. et al. Inteligência Artificial (IA) e suas aplicações em exames de imagem: uma nova era para diagnósticos na área da saúde. Cuadernos de Educación y Desarrollo, v15, n.12, 2023. Disponível em:<https://ojs.cuadernoseducacion.com/ojs/index.php/ced/article/view/.2261>. Acesso em: 16 de junho de 2025.

[2] SANTOS, M. K. et al. Inteligência artificial, aprendizado de máquina, diagnóstico auxiliado por computador e radiômica: avanços da imagem rumo à medicina de precisão. Radiol Bras, v. 52, n. 6, p.387 -,396. DOI: http://dx.doi.org/10.1590/0100-3984.2019. Disponível em:<https://www.scielo.br/j/rb/a/yXwKDDTmGddCqBn/?format=pdf&lang=pt..> Acesso em: 16 de junho de 2025.

[3] JUCA, J. A. G. et al. O impacto da inteligência artificial na interpretação de exames de imagem e na prática clínica radiológica. Revista Ibero-Americana de Humanidades, Ciências e Educação ‒ REASE, v.9, n.7, 2024. Disponível em:<https://periodicorease.pro.br/rease/article/download///>. Acesso em: 18 de junho 2024.

[4] OLIVEIRA, V. S. et al. O USO DA INTELIGÊNCIA ARTIFICIAL NO DIAGNÓSTICO POR IMAGENS MÉDICAS BASEADAS NO PADRÃO DICOM UMA REVISÃO SISTEMÁTICA. Revista Multidisciplinar em Saúde, v.4, n.3, 2023. Disponível em:<https://editoraintegrar.com.br/publish/index.php/rems/article/view/3993> Acessado em: 20 de junho de 2025.

[5] JAUHAR, M. H. O.; THOMES, C. R. Inteligência Artificial Em Imagens Médicas: Impactos E Desafios. Cognitus Interdisciplinary Journal, v.2, , n.1, 2025. Disponível em:<hhttps://ojs.editoracognitus.com.br/index.php/revista/article/view/.29>. Acesso em: 19 de junho de 2025.

1ORCID: 0009-0008-6029-7711
Thiagopadre1@Gmail.Com

2ORCID: 0000-0003-2354-3393
Hendersonmatsuura@Yahoo.Com.Br

3Paulo.Taingracio@Professores.Estacio.Br