AVANÇOS TECNOLÓGICOS NA RADIOLOGIA: UMA REVISÃO INTEGRATIVA SOBRE O IMPACTO DA INTELIGÊNCIA ARTIFICIAL NO DIAGNÓSTICO POR IMAGEM

REGISTRO DOI: 10.69849/revistaft/ni10202503122034


Enderson Cleyton Santos Costa1


RESUMO

INTRODUÇÃO: O avanço tecnológico, especialmente na área da Inteligência Artificial (IA), tem causado transformações profundas no diagnóstico por imagem, uma das áreas mais impactadas da medicina moderna. Técnicas como aprendizado de máquina e redes neurais profundas têm potencial para aprimorar a precisão, eficiência e agilidade na análise de exames radiológicos, proporcionando uma ferramenta poderosa para radiologistas. METODOLOGIA: Este estudo foi conduzido como uma revisão integrativa da literatura. A questão norteadora foi formulada com base na estratégia PICO, buscando compreender o impacto da IA no diagnóstico por imagem. Os critérios de inclusão abrangeram artigos publicados entre 2014 e 2024, em português ou inglês, que tratassem do impacto da IA na radiologia. A busca foi realizada nas bases de dados PubMed, Scopus, Web of Science e IEEE Xplore, utilizando descritores específicos relacionados à IA e radiologia. A análise dos dados seguiu a abordagem de análise de conteúdo, categorizando os resultados em três eixos principais: benefícios, limitações e impacto da IA na atuação dos radiologistas. RESULTADOS: Após a triagem inicial de 734 artigos, foram selecionados 8 estudos para análise final, com base nos critérios de inclusão. Os principais achados indicam que a IA está melhorando a acurácia e a eficiência dos diagnósticos por imagem, especialmente na detecção precoce de doenças. No entanto, a análise também revelou que existem desafios relacionados à implementação da tecnologia, como a necessidade de garantir a confiabilidade dos algoritmos e a formação adequada dos profissionais. Além disso, a IA foi vista como uma ferramenta complementar à atuação dos radiologistas, e não um substituto. DISCUSSÃO: A aplicação da IA no diagnóstico por imagem tem se mostrado extremamente benéfica em diversos aspectos. Estudos demonstram que a IA aumenta a precisão, permite a detecção precoce de patologias e melhora a eficiência dos radiologistas. Contudo, a implementação dessa tecnologia não é isenta de desafios. A confiança nos algoritmos e as questões éticas associadas ao uso de dados dos pacientes ainda são pontos críticos. A IA, embora extremamente promissora, exige uma integração cuidadosa no fluxo de trabalho dos radiologistas, garantindo que a tecnologia seja usada de forma complementar à expertise humana e não como substituta. A formação e atualização contínua dos profissionais de saúde são essenciais para que a IA seja empregada de forma eficaz e ética. CONCLUSÃO: A Inteligência Artificial tem um impacto transformador no diagnóstico por imagem, oferecendo benefícios significativos, como aumento da acurácia, eficiência e capacidade de detecção precoce. Contudo, sua implementação na radiologia deve ser feita de maneira cuidadosa, com foco na formação dos profissionais, na segurança dos dados e na supervisão humana. A IA deve ser vista como uma ferramenta de apoio, aprimorando o trabalho dos radiologistas e não substituindo suas habilidades. Futuras pesquisas devem continuar a explorar os desafios éticos, operacionais e técnicos da IA, além de avaliar seu impacto a longo prazo na prática clínica.

Palavras-chave: Inteligência Artificial; Diagnóstico por Imagem; Radiologia.

ABSTRACT

INTRODUCTION: Technological advancements, particularly in Artificial Intelligence (AI), have led to profound transformations in diagnostic imaging, one of the most impacted fields of modern medicine. Techniques such as machine learning and deep neural networks hold the potential to enhance accuracy, efficiency, and speed in the analysis of radiological exams, providing a powerful tool for radiologists. METHODOLOGY: This study was conducted as an integrative literature review. The guiding question was formulated using the PICO strategy, aiming to understand the impact of AI in diagnostic imaging. Inclusion criteria covered articles published between 2014 and 2024, in Portuguese or English, addressing AI’s impact on radiology. The search was conducted across PubMed, Scopus, Web of Science, and IEEE Xplore databases, using specific descriptors related to AI and radiology. Data analysis followed a content analysis approach, categorizing results into three main themes: benefits, limitations, and the impact of AI on radiologists’ roles. RESULTS: After an initial screening of 734 articles, eight studies were selected for final analysis, based on the inclusion criteria. Key findings indicate that AI is improving the accuracy and efficiency of diagnostic imaging, particularly in early disease detection. However, the analysis also highlighted challenges related to the implementation of the technology, such as ensuring the reliability of algorithms and proper professional training. Additionally, AI was viewed as a complementary tool for radiologists, rather than a substitute. DISCUSSION: The application of AI in diagnostic imaging has shown to be highly beneficial in various aspects. Studies demonstrate that AI enhances accuracy, enables early pathology detection, and improves radiologists’ efficiency. However, the implementation of this technology is not without challenges. Trust in algorithms and ethical concerns surrounding patient data use remain critical issues. Although highly promising, AI requires careful integration into radiologists’ workflows, ensuring it is used as a complement to human expertise rather than a replacement. Continuous professional training and updates are essential for the effective and ethical deployment of AI. CONCLUSION: Artificial Intelligence has a transformative impact on diagnostic imaging, offering significant benefits such as increased accuracy, efficiency, and early detection capabilities. However, its implementation in radiology should be done carefully, focusing on professional training, data security, and human oversight. AI should be viewed as a supportive tool, enhancing radiologists’ work rather than replacing their skills. Future research should continue to explore the ethical, operational, and technical challenges of AI, as well as evaluate its long-term impact on clinical practice.

Keywords: Artificial Intelligence, Diagnostic Imaging, Radiology.

INTRODUÇÃO

Nas últimas décadas, os avanços tecnológicos na área da saúde têm impulsionado transformações significativas nos processos diagnósticos e terapêuticos, promovendo maior precisão, agilidade e eficiência na identificação e tratamento de diversas patologias. Dentre esses avanços, a Inteligência Artificial (IA) tem se destacado como uma das inovações mais promissoras na radiologia, revolucionando a forma como exames de imagem são analisados e interpretados. A aplicação de técnicas de aprendizado de máquina e redes neurais profundas tem permitido a identificação de padrões complexos em exames radiológicos, reduzindo erros humanos e aprimorando a tomada de decisão clínica (LITJENS et al., 2017).

A radiologia, como especialidade médica, tem evoluído paralelamente ao desenvolvimento de novas tecnologias, incorporando ferramentas digitais que auxiliam no diagnóstico e no acompanhamento de doenças. Estudos indicam que a IA pode melhorar significativamente a acurácia da detecção de patologias, como câncer de mama, nódulos pulmonares e lesões cerebrais, otimizando a triagem e aumentando a sensibilidade dos métodos tradicionais de interpretação de imagem (MCKINNEY et al., 2020; RAJPURKAR et al., 2018). Além disso, a automação de processos por meio de algoritmos inteligentes contribui para a redução do tempo de análise dos exames, permitindo maior produtividade nos serviços de radiologia e, consequentemente, um melhor atendimento aos pacientes (TOPOL, 2019).

No entanto, apesar dos benefícios evidentes, a implementação da Inteligência Artificial na radiologia também levanta desafios éticos, técnicos e operacionais. Questões relacionadas à confiabilidade dos algoritmos, à privacidade dos dados dos pacientes e à necessidade de supervisão humana ainda são amplamente debatidas na literatura. Alguns estudos apontam que, embora a IA seja capaz de alcançar níveis de precisão comparáveis ou até superiores aos dos radiologistas humanos, sua aplicação deve ser vista como uma ferramenta de suporte, e não como um substituto dos especialistas (FIDI, 2025). Além disso, há a necessidade de regulamentação e padronização no uso desses sistemas, garantindo que os modelos de IA sejam treinados em bases de dados representativas e estejam livres de vieses que possam comprometer a equidade no diagnóstico (LANGLOTZ, 2019).

Diante desse contexto, esta pesquisa tem como objetivo realizar uma revisão integrativa da literatura sobre o impacto da Inteligência Artificial no diagnóstico por imagem, analisando seus benefícios, limitações e desafios. Busca-se compreender de que forma a IA tem sido incorporada à prática radiológica, quais são as principais inovações nessa área e como essas tecnologias influenciam a atuação dos profissionais de saúde e a confiabilidade dos laudos gerados. A partir da análise da literatura existente, pretende-se contribuir para o debate sobre o papel da Inteligência Artificial na radiologia, oferecendo subsídios para futuras pesquisas e para a implementação segura e eficiente dessas ferramentas na prática clínica.

METODOLOGIA

Este estudo trata-se de uma Revisão Integrativa da Literatura (RIL), uma metodologia que possibilita a síntese de conhecimentos a partir de estudos já publicados, proporcionando uma compreensão ampla e crítica sobre o tema investigado (MENDES; SILVEIRA; GALVÃO, 2008). A execução da revisão seguiu as seis etapas propostas por Whittemore e Knafl (2005): identificação do problema, definição dos critérios de inclusão e exclusão, busca na literatura, categorização dos estudos, análise e interpretação dos dados, e apresentação da síntese do conhecimento.

A questão norteadora da pesquisa foi formulada da seguinte maneira: “Qual o impacto da Inteligência Artificial no diagnóstico por imagem na radiologia?”. A formulação da questão baseou-se na estratégia PICO (Population, Intervention, Comparison, Outcome), que ajuda a estabelecer critérios claros para a busca e seleção dos artigos (SANTOS; PIMENTA; NOBRE, 2007).

Para garantir a qualidade e relevância dos estudos selecionados, foram adotados os seguintes critérios de inclusão: artigos científicos publicados nos últimos 10 anos (2014-2024); estudos que abordem o impacto da Inteligência Artificial no diagnóstico por imagem na radiologia; artigos originais, publicados em texto completo, em língua portuguesa ou inglesa; e publicações disponíveis integralmente e gratuitamente. Quanto aos critérios de exclusão, foram considerados: artigos incompletos ou não disponíveis gratuitamente; publicações com mais de 10 anos de publicação; e estudos que não tratavam diretamente do uso da IA na radiologia.

A busca bibliográfica foi realizada em janeiro de 2025, utilizando as bases de dados PubMed, Scopus, Web of Science e IEEE Xplore, Os descritores utilizados foram selecionados a partir dos Descritores em Ciências da Saúde (DeCS) e combinados com operadores booleanos para otimizar a busca. Os termos selecionados foram: “Inteligência Artificial” AND “Diagnóstico por Imagem” AND “Radiologia” AND “Avanços Tecnológicos”, assegurando a precisão e a abrangência da pesquisa.

Os estudos identificados foram exportados para o software Rayyan QCRI, que facilitou a triagem inicial e a eliminação de duplicatas. Em seguida, foi realizada a leitura dos títulos e resumos, seguida da leitura integral dos artigos selecionados. A análise dos dados foi organizada em uma matriz de análise contendo os seguintes elementos: autores, ano de publicação, objetivos, metodologia, principais resultados e conclusões (URSI; GALVÃO, 2006; DE SOUZA; SILVA; CARVALHO, 2010).

A análise dos dados seguiu a abordagem de análise de conteúdo temática, conforme o método proposto por Bardin (2016). Os artigos foram agrupados em categorias temáticas emergentes da literatura, como benefícios da IA no diagnóstico por imagem, limitações e desafios na implementação da IA e impacto da IA na atuação dos radiologistas. Essa abordagem possibilitou a identificação de padrões, limitações e inovações tecnológicas, permitindo uma interpretação crítica das evidências disponíveis sobre o impacto da IA na radiologia.

Os resultados foram organizados de forma descritiva e analítica, apresentando as principais evidências sobre a aplicação da Inteligência Artificial no diagnóstico por imagem. A discussão foi conduzida com base nas evidências científicas disponíveis, considerando suas implicações para a prática radiológica, a qualidade do diagnóstico e as possíveis contribuições da IA para a área da saúde.

RESULTADOS

A busca bibliográfica realizada nas bases de dados PubMed, Scopus, Web of Science e IEEE Xplore resultou em um total inicial de 734 artigos. Após a remoção de 252 duplicatas utilizando o software Rayyan QCRI, restaram 482 estudos para análise de títulos e resumos.

Na triagem inicial, foram excluídos 394 artigos que não atendiam aos critérios de inclusão, por não tratarem diretamente do impacto da Inteligência Artificial (IA) no diagnóstico por imagem na radiologia. Assim, 88 artigos foram selecionados para leitura completa.

Após a leitura integral, 80 estudos foram excluídos pelos seguintes motivos: 42 artigos abordavam a IA na área da saúde de forma geral, sem foco específico na radiologia, 18 estudos não estavam disponíveis gratuitamente, 10 publicações possuíam mais de 10 anos e 10 artigos não eram originais ou não apresentavam metodologia clara.

Dessa forma, a amostra final compreendeu 8 estudos que atenderam integralmente aos critérios de inclusão.

A análise de conteúdo temática permitiu a categorização dos achados em três principais eixos: Benefícios da IA no Diagnóstico por Imagem; Limitações e Desafios na Implementação da IA e; Impacto da IA na Atuação dos Radiologistas.

Os dados analisados indicam que a Inteligência Artificial tem um impacto significativo no diagnóstico por imagem, proporcionando avanços tecnológicos que otimizam a precisão e a eficiência dos processos radiológicos. No entanto, desafios relacionados à implementação, ética e adaptação profissional precisam ser enfrentados para garantir que a IA seja utilizada de forma segura e eficaz na prática clínica.

DISCUSSÃO

A Inteligência Artificial (IA) tem emergido como uma poderosa ferramenta no campo da medicina, especificamente no diagnóstico por imagem. Com o avanço das tecnologias de aprendizado de máquina e redes neurais profundas, a IA está desempenhando um papel cada vez mais significativo na análise de imagens médicas, como raios-X, tomografias computadorizadas (CT), ressonâncias magnéticas (RM), e mamografias. No entanto, seu impacto não é apenas positivo e traz consigo um conjunto de desafios que precisam ser abordados com cautela. A seguir, discutimos os principais benefícios, limitações e o impacto da IA na atuação dos radiologistas, com base em diversos estudos e exemplos práticos.

BENEFÍCIOS DA IA NO DIAGNÓSTICO POR IMAGEM

A introdução da IA no diagnóstico por imagem oferece uma série de benefícios significativos que têm o potencial de revolucionar a medicina. Um dos principais benefícios é a aumento da precisão e da detecção precoce de condições médicas. Como observado por Putha et al. (2018), a IA, ao ser treinada com grandes quantidades de dados, como milhões de raios-X, pode identificar padrões sutis que poderiam ser negligenciados por radiologistas humanos. Por exemplo, algoritmos de IA têm mostrado uma alta taxa de precisão na detecção de nódulos pulmonares em tomografias, o que pode levar a diagnósticos mais rápidos e eficazes. Esses sistemas conseguem detectar lesões em estágios iniciais de desenvolvimento, quando ainda são pequenas demais para serem notadas a olho nu, possibilitando um tratamento precoce e, consequentemente, melhor prognóstico para os pacientes.

Além disso, a IA tem o potencial de aumentar a eficiência e reduzir os erros humanos. Ao integrar algoritmos de IA nos fluxos de trabalho dos radiologistas, é possível realizar triagens iniciais rápidas e precisas. Isso pode liberar o tempo dos radiologistas para se concentrarem em casos mais complexos e menos óbvios, em vez de gastar tempo com a revisão de imagens simples ou repetitivas. A automatização da análise de imagens permite que os radiologistas detectem alterações estruturais de forma mais rápida e consistente, além de diminuir a possibilidade de erros causados por cansaço ou sobrecarga de trabalho, um problema reconhecido em hospitais e clínicas ao redor do mundo (Dikici et al., 2019).

Outro benefício da IA é sua capacidade de identificar padrões complexos em grandes volumes de dados, algo que seria extremamente difícil para um ser humano realizar de forma eficaz. No contexto da oncologia, por exemplo, sistemas baseados em IA, como o usado para detectar câncer de mama (Hospital General Doctor Balmis de Alicante, 2025), têm mostrado potencial para identificar características radiológicas que são preditivas do comportamento tumoral, permitindo uma classificação mais precisa dos tumores e uma definição mais clara do plano terapêutico a ser seguido.

A IA também é capaz de realizar avaliações mais objetivas e consistentes. Em comparação com os radiologistas, que podem ser influenciados por fatores subjetivos, como fadiga, experiência anterior ou preferências pessoais, a IA proporciona uma avaliação padronizada. Isso ajuda a reduzir as variações nos diagnósticos e a garantir uma uniformidade no atendimento ao paciente.

LIMITAÇÕES E DESAFIOS NA IMPLEMENTAÇÃO DA IA

Apesar dos muitos benefícios, a implementação da IA no diagnóstico por imagem enfrenta uma série de limitações e desafios que devem ser cuidadosamente analisados. Um dos maiores obstáculos à implementação da IA é a necessidade de grandes volumes de dados de alta qualidade para treinar os algoritmos. Como ressaltado por Dikici et al. (2019), o treinamento eficaz de modelos de IA exige uma grande quantidade de imagens médicas anotadas por especialistas, o que pode ser um desafio em locais com acesso limitado a bases de dados amplas e diversificadas. Além disso, essas bases de dados precisam ser bem curadas e garantir a diversidade das imagens, para que o algoritmo aprenda a reconhecer as diferentes variações de uma condição patológica.

Outro desafio importante diz respeito à variabilidade nos equipamentos de imagem. A qualidade e os protocolos de aquisição das imagens podem variar significativamente entre diferentes dispositivos e instituições de saúde. Isso pode impactar negativamente a performance dos algoritmos de IA, que, muitas vezes, são treinados em dados específicos de uma máquina ou protocolo de imagem. Essa falta de padronização pode resultar em diagnósticos errôneos quando o algoritmo é aplicado em equipamentos diferentes dos usados no treinamento (Yousefiriza et al., 2021). Portanto, uma das questões-chave para a implementação bem-sucedida da IA será garantir a interoperabilidade dos sistemas de IA com diferentes plataformas de imagem médica.

A transparência e a explicabilidade dos algoritmos de IA também são questões cruciais. Muitos modelos de IA, especialmente os baseados em redes neurais profundas, funcionam como “caixas pretas”, ou seja, são difíceis de interpretar. Isso levanta preocupações sobre a confiança dos profissionais de saúde no uso desses sistemas. Radiologistas podem hesitar em adotar tecnologias de IA se não conseguirem compreender como as decisões são tomadas pelos algoritmos. A falta de explicabilidade também torna mais difícil identificar falhas ou ajustar os sistemas quando ocorrem erros, algo que é vital em ambientes médicos (Chaddad; Katib; Hassan, 2022).

Além disso, o uso de IA no diagnóstico por imagem levanta questões éticas e jurídicas. Em caso de erro ou falha no diagnóstico, quem será responsável? O radiologista, o desenvolvedor do algoritmo ou a instituição que implementou a tecnologia? A questão da responsabilidade legal no contexto da IA ainda não está totalmente esclarecida e pode gerar complicações no cenário médico.

IMPACTO DA IA NA ATUAÇÃO DOS RADIOLOGISTAS

O impacto da IA na atuação dos radiologistas é multifacetado e está em constante evolução. A IA pode aumentar significativamente a produtividade dos radiologistas, permitindo-lhes processar grandes volumes de exames de forma mais rápida e eficiente. Como observado no caso do Hospital Universitário de A Coruña (2024), o uso da IA resultou em melhorias na precisão do diagnóstico e na redução do tempo necessário para a análise das imagens, permitindo que os radiologistas se concentrassem em casos mais complexos e exigentes.

Além disso, a IA não visa substituir os radiologistas, mas sim complementar e apoiar seu trabalho. Os radiologistas continuam a desempenhar um papel crucial na interpretação final dos resultados e na tomada de decisões clínicas. No entanto, o papel do radiologista está evoluindo para se tornar mais curador e supervisor da IA, em vez de depender exclusivamente de suas próprias análises. Isso pode resultar em um novo tipo de relação entre a tecnologia e o profissional de saúde, com a IA funcionando como uma extensão das habilidades e capacidades humanas.

Entretanto, a introdução de IA também levanta questões sobre o futuro da formação e da carreira dos radiologistas. Alguns podem temer que a automação do diagnóstico leve à redução da demanda por radiologistas humanos, especialmente em locais com adoção de IA mais avançada. Embora a IA possa automatizar muitas tarefas repetitivas e simples, o julgamento clínico humano, a capacidade de lidar com casos ambíguos e a experiência em integrar o diagnóstico com o quadro clínico do paciente continuam sendo habilidades indispensáveis para os radiologistas (Chaddad; Katib; Hassan, 2022). Assim, os radiologistas precisarão se adaptar, adquirindo novas habilidades em tecnologias de IA e expandindo seu papel na supervisão e otimização do uso desses sistemas.

Finalmente, a colaboração entre radiologistas e desenvolvedores de IA será fundamental para o sucesso da implementação dessa tecnologia. Radiologistas precisam contribuir ativamente para o desenvolvimento e a validação dos algoritmos, garantindo que esses sistemas sejam projetados para atender às necessidades clínicas reais e que sejam eficazes na prática cotidiana. Isso exigirá treinamento contínuo e uma abordagem colaborativa, onde radiologistas e especialistas em IA trabalhem juntos para aprimorar as ferramentas e adaptá-las às especificidades do diagnóstico por imagem.

CONCLUSÃO

A Inteligência Artificial (IA) no diagnóstico por imagem tem o potencial de transformar profundamente a medicina moderna. Seu impacto positivo pode ser visto em uma série de aspectos, como o aumento da precisão nos diagnósticos, a detecção precoce de doenças e a melhoria na eficiência dos processos médicos. O uso de IA pode reduzir erros humanos, otimizar o tempo dos profissionais de saúde e permitir um diagnóstico mais rápido e preciso, o que, em última instância, beneficia os pacientes com tratamentos mais eficazes e uma maior taxa de sucesso.

Contudo, é fundamental que a implementação da IA no diagnóstico por imagem seja feita de maneira cuidadosa e responsável, levando em consideração os desafios técnicos e éticos envolvidos. A dependência de grandes volumes de dados de alta qualidade e a necessidade de padronização nos equipamentos e protocolos de imagem representam desafios logísticos importantes que precisam ser superados para garantir a efetividade e a precisão das ferramentas baseadas em IA. Além disso, a explicabilidade dos algoritmos de IA, a transparência no processo de tomada de decisão e a responsabilidade legal em caso de erro são questões cruciais que ainda demandam mais reflexão e regulamentação no âmbito médico.

O papel do radiologista, longe de ser substituído pela IA, está evoluindo. A tecnologia não deve ser vista como uma substituta, mas como uma ferramenta poderosa de apoio. A função do radiologista se transforma para um modelo de supervisão e curadoria, onde ele atua como um facilitador da integração da IA no processo diagnóstico, assegurando que os algoritmos sejam utilizados corretamente e complementando suas análises com seu julgamento clínico e experiência. Isso significa que os radiologistas precisarão se adaptar constantemente, não apenas dominando as novas ferramentas tecnológicas, mas também aprimorando suas habilidades em interpretar dados gerados por IA de maneira crítica e reflexiva.

Além disso, a colaboração entre profissionais de saúde e desenvolvedores de IA será essencial para maximizar o potencial dessa tecnologia. Radiologistas e outros especialistas devem trabalhar lado a lado com os engenheiros de IA para garantir que os algoritmos sejam constantemente atualizados, validados e adaptados às realidades clínicas. Esse trabalho conjunto pode gerar um ciclo contínuo de aprimoramento, onde os sistemas de IA evoluem de acordo com as necessidades da prática médica e as mudanças nas condições de saúde da população.

Em última análise, a implementação bem-sucedida da IA no diagnóstico por imagem depende de uma abordagem equilibrada que leve em consideração tanto os aspectos técnicos quanto humanos. Quando usada de forma estratégica, a IA tem o poder de não apenas revolucionar o diagnóstico médico, mas também de aprimorar a relação entre a tecnologia e os profissionais de saúde, promovendo uma medicina mais precisa, eficiente e personalizada. Assim, o futuro da radiologia e do diagnóstico por imagem será, sem dúvida, cada vez mais digital, mas sempre complementado pela presença humana, capaz de garantir que as inovações tecnológicas sejam utilizadas para o bem-estar e a saúde dos pacientes.

REFERENCIAL

BARDIN, L. Análise de conteúdo. 3. ed. Lisboa: Edições 70, 2016.

CHADDAD, A.; KATIB, Y.; HASSAN, L. Future Artificial Intelligence tools and perspectives in medicine. arXiv preprint arXiv:2206.03289, 2022. Disponível em: http0s://arxiv.org/abs/2206.03289. Acesso em: 5 mar. 2025.

DIKICI, E.; et al. Integrating AI into Radiology workflow: Levels of research, production, and feedback maturity. arXiv preprint arXiv:1910.06424, 2019. Disponível em: https://arxiv.org/abs/1910.06424. Acesso em: 5 mar. 2025.

ECHEGARAY, S.; et al. Core samples for radiomics features that are insensitive to tumor segmentation: method and pilot study using CT images of hepatocellular carcinoma. Journal of Medical Imaging. v. 2, n. 4, 041011. 2015.

FIDI. IA na radiologia: O futuro dos diagnósticos por imagem no Brasil. Disponível em: https://fidi.org.br/ia-na-radiologia-o-futuro-dos-diagnosticos-por-imagem-no-brasil/. Acesso em: 23 fev. 2025.

GENERALITAT VALENCIANA. El diagnóstico del cáncer de mama en la Comunidad Valenciana usará un nuevo sistema de IA. HuffPost España, 2024. Disponível em: https://www.huffingtonpost.es/life/salud/el-diagnostico-cancer-mama-comunidad-valencianaa-nuevo-sistema-iabr.html. Acesso em: 5 mar. 2025.

HOSPITAL UNIVERSITÁRIO DE A CORUÑA (CHUAC). La Inteligencia Artificial revoluciona el radiodiagnóstico en el CHUAC. Cadena SER, 2024. Disponível em: https://cadenaser.com/galicia/2024/11/26/la-inteligencia-artificial-revoluciona-el-radiodiagnostico-en-el-chuac-radio-coruna/. Acesso em: 5 mar. 2025.

HOSPITAL GENERAL DOCTOR BALMIS DE ALICANTE. El Hospital Doctor Balmis de Alicante, pionero en la aplicación de IA en las radiografías de tórax y hueso. Cadena SER, 2025. Disponível em: https://cadenaser.com/comunitat-valenciana/2025/02/21/el-hospital-doctor-balmis-de-alicante-pionero-en-la-aplicacion-de-ia-en-las-radiografias-de-torax-y-hueso-radio-alicante/. Acesso em: 5 mar. 2025.

LANGLOTZ, C.P. Will artificial intelligence replace radiologists? Radiology: Artificial Intelligence. v. 1, n. 3, p. e190058, 2019.

LITJENS, G.; et al. A survey on deep learning in medical image analysis. Medical Image Analysis. v. 42, p. 60-88, 2017.

MCKINNEY, S.M.; et al. International evaluation of an AI system for breast cancer screening. Nature. v. 577, n. 7788, p. 89-94, 2020.

MENDES, K.D.S.; SILVEIRA, R.C.S.; GALVÃO, T.F. Revisão integrativa: método de pesquisa para a incorporação de evidências na saúde. Ciência & Saúde Coletiva. v. 13, n. 3, p. 689-696, 2008.

PUTHA, P.; et al. Can Artificial Intelligence Reliably Report Chest X-Rays?: Radiologist Validation of an Algorithm trained on 2.3 Million X-Rays. arXiv preprint arXiv:1807.07455, 2018. Disponível em: https://arxiv.org/abs/1807.07455. Acesso em: 5 mar. 2025.

RAJPURKAR, P.; et al. Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to practicing radiologists. PLoS Medicine. v. 15, n. 11, p. e1002686, 2018.

SANTOS, M.C.; PIMENTA, C.A.; NOBRE, M.R. Estratégia PICO: Aplicação na construção de perguntas de pesquisa em saúde. Revista Brasileira de Enfermagem. v. 60, n. 1, p. 47-51, 2007.

SOUZA, A.D.; SILVA, L.M.; CARVALHO, L.A. Descritores em Ciências da Saúde (DeCS): uma ferramenta para busca e recuperação de informações científicas na área da saúde. Revista Brasileira de Biblioteconomia e Documentação. v. 6, n. 2, p. 53-61, 2010.

TOPOL, E.J. High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine. v. 25, n. 1, p. 44-56, 2019.

URSI, T.; GALVÃO, T.F. Análise de dados qualitativos em pesquisa de enfermagem: um estudo sobre a análise de conteúdo. Texto & Contexto Enfermagem. v. 15, n. 3, p. 591-598, 2006.

WHITTEMORE, R.; KNAFL, K. The integrative review. Journal of Advanced Nursing. v. 52, n. 5, p. 546-553, 2005.

YOUSEFIRIZI, F.; et al. AI-Based Detection, Classification and Prediction/Prognosis in Medical Imaging: Towards Radiophenomics. arXiv preprint arXiv: 2110.10332, 2021. Disponível em: https://arxiv.org/abs/2110.10332. Acesso em: 5 mar. 2025.


1Médico. Formado pela Universidade Federal do Pará (UFPA). Mestre em Medicina Tropical pela Universidade Federal do Pará (UFPA). Doutorando em Biologia Parasitária na Amazônia pela Universidade do Estado do Pará (UEPA)