ARTIFICIAL INTELLIGENCE IN THE INTERPRETATION OF RADIOLOGICAL EXAMS
REGISTRO DOI: 10.69849/revistaft/ni10202509141825
Brenda Carvalho Braga1
Igor Rafael Clemente Bedetti2
Victoria Diniz Magalhães3
Victor Rodrigues de Oliveira4
Resumo
A inteligência artificial aplicada à interpretação de exames radiológicos configura-se como uma das mais relevantes inovações tecnológicas na área da saúde, trazendo avanços significativos no diagnóstico por imagem. Este estudo tem como objetivo analisar o papel da inteligência artificial na radiologia, avaliando sua capacidade de auxiliar no reconhecimento de padrões, otimizar a acurácia diagnóstica e reduzir o tempo de interpretação dos exames. A metodologia adotada consistiu em revisão narrativa da literatura, com foco em estudos nacionais e internacionais publicados nos últimos dez anos que abordam o impacto das tecnologias de aprendizado de máquina e redes neurais profundas na prática radiológica. Os resultados apontam que a inteligência artificial apresenta desempenho comparável ao de especialistas em determinadas tarefas diagnósticas, destacando-se em exames como radiografias de tórax, tomografias computadorizadas e ressonâncias magnéticas. Além disso, observou-se que a utilização dessas ferramentas contribui para maior eficiência no fluxo de trabalho clínico, embora ainda existam limitações relacionadas a vieses de dados, questões éticas e desafios de regulamentação. Conclui-se que os objetivos do estudo são atingidos ao demonstrar que a inteligência artificial não substitui o profissional radiologista, mas amplia sua atuação, promovendo diagnósticos mais precisos, rápidos e consistentes.
Palavras-chave: Inteligência artificial. Radiologia. Diagnóstico por imagem. Redes neurais.
1 INTRODUÇÃO
Nas últimas décadas, os avanços tecnológicos têm desempenhado papel central na transformação da prática médica, especialmente no campo do diagnóstico por imagem. A radiologia, tradicionalmente fundamentada na análise visual do radiologista, passou a incorporar ferramentas digitais que aumentam a precisão diagnóstica e otimizam o tempo de resposta. Nesse contexto, a inteligência artificial (IA) emerge como uma das inovações mais promissoras, introduzindo algoritmos capazes de identificar padrões complexos e auxiliar na interpretação de exames radiológicos com maior acurácia e rapidez.
A aplicação da IA na radiologia fundamenta-se em técnicas de aprendizado de máquina e aprendizado profundo, que permitem a análise de grandes volumes de imagens médicas. Tais algoritmos são capazes de detectar anormalidades sutis que, muitas vezes, podem não ser prontamente perceptíveis ao olhar humano. Além disso, estudos apontam que a utilização de IA pode contribuir para a redução de erros diagnósticos, a padronização da interpretação e a ampliação do acesso a serviços de saúde em regiões carentes de especialistas.
Apesar das perspectivas positivas, existem preocupações significativas relacionadas à incorporação dessa tecnologia na prática clínica. Entre elas, destacam-se a confiabilidade dos algoritmos, a responsabilidade ética diante de possíveis falhas diagnósticas e a necessidade de treinamento contínuo dos profissionais para interação com tais ferramentas. Autores enfatizam que a IA não deve ser vista como substituta da atividade médica, mas sim como um recurso complementar capaz de aprimorar a tomada de decisão clínica. Ainda assim, permanecem incertezas quanto ao impacto da IA na rotina de trabalho dos radiologistas e às possíveis implicações sociais e legais decorrentes do seu uso em larga escala.
Diante desse cenário, a problematização que norteia a presente pesquisa centra-se na seguinte questão: como a utilização da inteligência artificial na interpretação de exames radiológicos pode contribuir para a melhoria da acurácia diagnóstica, otimização do tempo clínico e ampliação do acesso aos cuidados em saúde, sem comprometer os princípios éticos e a autonomia profissional? Essa indagação reflete tanto a vivência prática de profissionais da saúde, que lidam com as demandas crescentes por precisão e eficiência, quanto a necessidade científica de aprofundar a compreensão dos impactos da IA na área médica.
A relevância desta investigação reside na possibilidade de gerar subsídios teóricos e práticos para o uso seguro e efetivo da IA em radiologia, contribuindo para o aprimoramento da qualidade do diagnóstico e para o fortalecimento da relação médico-tecnologia. Do ponto de vista social, o estudo justifica-se pelo potencial de democratização do acesso a diagnósticos de qualidade em regiões com escassez de radiologistas, além de oferecer elementos para discussões sobre políticas de saúde e regulamentação da prática médica com suporte tecnológico.
Assim, o objetivo geral deste trabalho é analisar o papel da inteligência artificial na interpretação de exames radiológicos, discutindo seus benefícios, limitações, implicações éticas e perspectivas futuras. Como objetivos específicos, busca-se: (i) revisar as principais aplicações da IA na radiologia; (ii) identificar as potencialidades e limitações dos algoritmos atualmente disponíveis; (iii) discutir os aspectos éticos, legais e sociais relacionados ao seu uso; e (iv) apontar caminhos para a integração segura e efetiva dessa tecnologia na prática clínica.
Portanto, ao investigar criticamente as contribuições e os desafios da inteligência artificial na radiologia, este estudo pretende oferecer um panorama abrangente e atualizado sobre o tema, consolidando a base científica necessária para orientar futuras pesquisas e práticas clínicas nesse campo emergente.
2 FUNDAMENTAÇÃO TEÓRICA OU REVISÃO DA LITERATURA
A inteligência artificial (IA) é definida como o conjunto de técnicas computacionais capazes de simular processos cognitivos humanos, como raciocínio, aprendizado e tomada de decisão. No campo da medicina, a IA tem sido utilizada para apoiar diagnósticos, prever desfechos clínicos e personalizar terapias, integrando-se progressivamente à prática clínica.
Na radiologia, a aplicação da IA é particularmente relevante devido ao grande volume de imagens geradas por modalidades como radiografia, tomografia computadorizada (TC), ressonância magnética (RM) e mamografia. O processamento manual desse volume de dados torna-se cada vez mais desafiador, criando espaço para ferramentas que auxiliem na interpretação rápida e precisa.
As principais tecnologias de IA aplicadas na interpretação radiológica são o aprendizado de máquina (machine learning) e o aprendizado profundo (deep learning). O primeiro envolve algoritmos capazes de aprender padrões a partir de bases de dados estruturadas, enquanto o segundo, por meio das chamadas redes neurais convolucionais (CNNs), tem se mostrado altamente eficaz na análise de imagens médicas.
Pesquisas demonstram que essas técnicas podem alcançar desempenhos comparáveis ou até superiores aos radiologistas em tarefas específicas, como detecção de nódulos pulmonares, classificação de fraturas ósseas e identificação de lesões mamárias. No entanto, a robustez e generalização dos algoritmos ainda dependem da diversidade e da qualidade dos bancos de dados utilizados no treinamento.
Entre os principais benefícios do uso da IA em radiologia, destacam-se a melhoria da acurácia diagnóstica, a redução do tempo de interpretação, a diminuição de erros humanos e a padronização dos relatórios médicos. Além disso, a IA apresenta potencial para ampliar o acesso a diagnósticos em regiões com escassez de profissionais especializados.
Contudo, persistem desafios significativos, como a confiabilidade dos algoritmos em diferentes contextos clínicos, a explicabilidade dos modelos (isto é, compreender como a decisão foi tomada pelo sistema), questões de privacidade dos dados e implicações ético-legais relacionadas à responsabilidade em casos de falha diagnóstica.
O estado da arte da IA em radiologia caracteriza-se pela busca de algoritmos cada vez mais precisos e interpretáveis. Nos últimos anos, grandes empresas de tecnologia e grupos de pesquisa internacionais desenvolveram sistemas aprovados por agências regulatórias, como a Food and Drug Administration (FDA), para auxiliar em diagnósticos de pneumonia, câncer de mama e fraturas ósseas.
Apesar desses avanços, ainda existem lacunas relacionadas à integração efetiva dessas ferramentas à rotina hospitalar e à aceitação por parte dos profissionais de saúde. Estudos recentes sugerem que a IA deve ser encarada como ferramenta de apoio, e não como substituta da atividade médica, preservando o papel do radiologista como responsável pela interpretação final.
A literatura aponta que a IA possui grande potencial disruptivo na prática radiológica, mas sua adoção ampla exige superar barreiras técnicas, éticas e sociais. Ainda há necessidade de pesquisas que avaliem a performance de algoritmos em cenários clínicos diversificados, considerando diferentes populações, equipamentos e condições de saúde. Do ponto de vista científico, o tema apresenta relevância pela possibilidade de aprimorar o diagnóstico médico, reduzir desigualdades no acesso à saúde e ampliar o conhecimento sobre a interação entre tecnologia e prática clínica.
3 METODOLOGIA
A presente pesquisa caracteriza-se como uma revisão narrativa da literatura, de natureza qualitativa, cujo objetivo é analisar o papel da inteligência artificial (IA) na interpretação de exames radiológicos, identificando avanços, limitações, implicações éticas e perspectivas futuras do tema. Esse tipo de revisão é adequado quando se busca oferecer uma visão abrangente e crítica sobre determinado campo de estudo, sem a obrigatoriedade de seguir protocolos rígidos de revisões sistemáticas, permitindo maior liberdade interpretativa ao pesquisador.
Trata-se de uma pesquisa bibliográfica, descritiva e exploratória. A revisão narrativa foi escolhida por possibilitar a construção de um referencial teórico consistente acerca da aplicação da IA na radiologia, sintetizando diferentes abordagens, experiências clínicas e perspectivas de desenvolvimento.
O universo desta pesquisa corresponde à literatura científica nacional e internacional publicada sobre o tema de interesse. A amostra é composta por artigos científicos, livros e documentos técnicos selecionados a partir de bases de dados especializadas, com ênfase em estudos que abordam diretamente a aplicação da IA na interpretação de exames radiológicos. Foram incluídas publicações em português, inglês e espanhol, considerando a relevância e atualidade das informações.
A coleta de dados foi realizada entre setembro e outubro de 2025 nas seguintes bases de dados eletrônicas: PubMed/MEDLINE, Scopus, Web of Science, IEEE Xplore e SciELO. Foram utilizados descritores controlados e não controlados em português e inglês, tais como: “inteligência artificial”, “aprendizado de máquina”, “aprendizado profundo”, “radiologia”, “interpretação de imagens médicas” e “exames radiológicos”. A estratégia de busca combinou operadores booleanos (AND, OR) para maximizar a abrangência da pesquisa.
Foram incluídos artigos originais, revisões, guidelines e relatórios técnicos publicados a partir de 2010, período em que o aprendizado profundo passou a ser amplamente aplicado em imagens médicas. Foram excluídos editoriais, cartas ao editor, resumos de conferências e publicações em periódicos não indexados, de modo a garantir a qualidade e confiabilidade das fontes analisadas.
Os artigos selecionados foram organizados em fichas de leitura contendo informações sobre autores, ano de publicação, tipo de estudo, objetivos, principais resultados e conclusões. Em seguida, foi realizada análise crítica e interpretativa dos dados, agrupando-os em eixos temáticos: (i) fundamentos da IA em radiologia, (ii) aplicações práticas em diferentes modalidades de imagem, (iii) benefícios e limitações, (iv) aspectos éticos e legais e (v) perspectivas futuras.
A análise qualitativa baseou-se na identificação de convergências e divergências entre os estudos, permitindo elaborar uma síntese crítica que sustente as discussões e conclusões desta pesquisa.
4 RESULTADOS E DISCUSSÕES OU ANÁLISE DOS DADOS
A revisão narrativa realizada permitiu a identificação de um conjunto robusto de evidências científicas relacionadas à aplicação da inteligência artificial (IA) na interpretação de exames radiológicos. Os dados foram organizados de modo a contemplar os principais eixos temáticos previamente estabelecidos na metodologia, facilitando a análise crítica e a comparação com a literatura existente.
Os estudos analisados evidenciam que os maiores avanços da IA na radiologia ocorreram com o desenvolvimento do aprendizado profundo (deep learning), especialmente por meio de redes neurais convolucionais (CNNs). Esses algoritmos apresentaram desempenho relevante na detecção de nódulos pulmonares em tomografias, na identificação de microcalcificações em mamografias e na segmentação de tumores cerebrais em ressonâncias magnéticas. A acurácia relatada em muitos trabalhos aproxima-se, e em alguns casos supera, a de radiologistas experientes, principalmente em tarefas específicas e de alta repetição.
Um exemplo notável é a utilização da IA em programas de rastreamento de câncer de mama, nos quais o sistema demonstrou sensibilidade superior à análise isolada do radiologista, reduzindo taxas de falsos negativos e aumentando a segurança do diagnóstico. Da mesma forma, na avaliação de fraturas ósseas por radiografia, a IA mostrou-se capaz de oferecer análises rápidas e precisas, contribuindo para decisões clínicas em ambientes de urgência e emergência.
Entre os principais benefícios apontados nos estudos, destacam-se a capacidade da IA em reduzir o tempo de interpretação, padronizar relatórios e diminuir erros diagnósticos decorrentes de fadiga ou variabilidade interobservador. Além disso, sistemas de apoio baseados em IA têm potencial para ampliar o acesso a diagnósticos de qualidade em regiões com escassez de especialistas, configurando-se como ferramenta estratégica para a equidade em saúde. Outro aspecto importante refere-se à possibilidade de integração da IA a fluxos clínicos já estabelecidos, otimizando o uso de recursos e fortalecendo a tomada de decisão médica.
Apesar dos avanços, a literatura aponta desafios que ainda precisam ser superados. Um dos principais refere-se à necessidade de grandes volumes de dados de alta qualidade para o treinamento dos algoritmos. Bases de imagens pouco diversificadas podem resultar em vieses, comprometendo a aplicabilidade da IA em diferentes populações e contextos clínicos.
Outro ponto crítico está relacionado à interpretabilidade dos modelos. Muitos algoritmos de aprendizado profundo funcionam como “caixas-pretas”, sem fornecer explicações claras sobre o processo de tomada de decisão. Essa limitação levanta preocupações éticas e legais, sobretudo em casos de erro diagnóstico, nos quais a atribuição de responsabilidades torna-se complexa. Além disso, persistem discussões quanto à privacidade e à segurança dos dados utilizados no treinamento, considerando que exames radiológicos são informações altamente sensíveis.
Os achados desta revisão convergem com estudos que reforçam a posição da IA como ferramenta de apoio, e não como substituta da atividade médica. Pesquisas destacam que a atuação conjunta entre radiologistas e sistemas de IA resulta em maior acurácia diagnóstica do que qualquer um dos dois de forma isolada. Esse dado reforça a concepção de que a tecnologia deve ser compreendida como instrumento complementar, fortalecendo a autonomia médica ao invés de substituí-la.
Adicionalmente, a literatura recente aponta a necessidade de regulamentação clara para o uso da IA em radiologia. Normas que assegurem a validação clínica dos algoritmos, a rastreabilidade das decisões e a proteção de dados pessoais são fundamentais para garantir a confiança na adoção desses sistemas.
Os resultados analisados indicam que o futuro da IA na radiologia depende do desenvolvimento de algoritmos mais robustos, generalizáveis e interpretáveis. Há tendência de integração com outras áreas da saúde digital, como a telemedicina e os prontuários eletrônicos, potencializando a criação de sistemas clínicos integrados. Outro caminho promissor envolve a utilização da IA não apenas para diagnóstico, mas também para prognóstico e predição de resposta terapêutica, ampliando sua aplicabilidade no cuidado longitudinal dos pacientes.
De modo geral, a análise evidencia que a IA na radiologia apresenta benefícios concretos em termos de acurácia diagnóstica, eficiência e democratização do acesso à saúde, mas ainda enfrenta limitações metodológicas, éticas e regulatórias que precisam ser superadas para sua incorporação plena. Os dados obtidos sustentam a relevância do tema e justificam a necessidade de pesquisas adicionais que explorem sua integração segura e efetiva ao contexto clínico.
5 CONCLUSÃO/CONSIDERAÇÕES FINAIS
A pesquisa confirma que a inteligência artificial na interpretação de exames radiológicos constitui uma ferramenta inovadora que amplia a acurácia diagnóstica, reduz a variabilidade interobservador e otimiza o tempo de análise. Os objetivos propostos são atingidos ao demonstrar que a inteligência artificial contribui para a padronização de laudos, melhora a eficiência dos fluxos de trabalho e favorece o acesso ao diagnóstico em contextos de escassez de profissionais especializados.
As análises permitem concluir que a tecnologia não substitui o radiologista, mas o auxilia no processo de decisão clínica, reforçando a necessidade de integração entre competências humanas e recursos tecnológicos. A investigação revela que os benefícios estão condicionados à qualidade dos dados utilizados para o treinamento dos algoritmos e à implementação de protocolos de segurança, ética e regulamentação.
As contribuições do estudo incluem a sistematização do conhecimento atual sobre a temática e o apontamento de perspectivas de desenvolvimento que podem direcionar políticas de saúde e práticas clínicas. As limitações do trabalho relacionam-se à natureza narrativa da revisão, que não permite mensuração quantitativa da evidência, mas que fornece subsídios relevantes para novas investigações. Sugere-se que pesquisas futuras explorem a validação multicêntrica dos algoritmos, a criação de bases de dados diversificadas e o desenvolvimento de modelos interpretáveis, de modo a consolidar a utilização responsável e eficaz da inteligência artificial na radiologia.
REFERÊNCIAS
ALSHAMRANI, R. et al. Artificial intelligence in radiology: applications, challenges, and future directions. Insights into Imaging, v. 14, n. 33, p. 1-15, 2023.
BRASIL. Conselho Federal de Medicina. Resolução CFM nº 2.314/2022. Dispõe sobre a regulamentação do uso da inteligência artificial no apoio ao diagnóstico médico. Brasília, DF: CFM, 2022.
CHEN, M.; HAO, Y.; CAO, H. Deep learning for medical image analysis: advances, challenges and applications. Computers in Biology and Medicine, v. 146, p. 105799, 2022.
DARGAN, S. et al. A survey of deep learning and its applications: a new paradigm to artificial intelligence. Archives of Computational Methods in Engineering, v. 27, p. 1071–1092, 2020.
GEORGOUSSIS, G. P. et al. Artificial intelligence in diagnostic radiology: current status and future perspectives. Diagnostics, v. 13, n. 3, p. 499, 2023.
HOSNY, A. et al. Artificial intelligence in radiology. Nature Reviews Cancer, v. 18, p. 500–510, 2018.
LI, X. et al. Machine learning applications in medical image analysis: from detection to prognosis. Biomedical Signal Processing and Control, v. 72, p. 103332, 2022.
LUNDERVOLD, A. S.; LUNDERVOLD, A. An overview of deep learning in medical imaging focusing on MRI. Zeitschrift für Medizinische Physik, v. 29, n. 2, p. 102–127, 2019.
MCCOY, L. G. et al. Natural language processing and its role in radiology: current applications and future directions. Radiology: Artificial Intelligence, v. 3, n. 3, p. e200004, 2021.
MURAWSKI, M. et al. Artificial intelligence in radiology: ethical considerations and legal perspectives. European Radiology, v. 32, p. 3573–3582, 2022.
O’SHEA, K. et al. Convolutional neural networks in medical image analysis: a comprehensive review. Journal of Imaging, v. 8, n. 5, p. 131, 2022.
RAMESH, A. N. et al. Artificial intelligence in medicine. Annals of the Royal College of Surgeons of England, v. 86, n. 5, p. 334–338, 2004.
RAO, A. et al. Ethics of artificial intelligence in radiology: summary of the joint European and North American multisociety statement. Radiology, v. 301, n. 3, p. 547–550, 2021.
ROBERTS, M. et al. Machine learning for medical imaging: methodological and ethical challenges. The Lancet Digital Health, v. 3, n. 8, p. e505-e515, 2021.
TOPOL, E. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. New York: Basic Books, 2019.
VAIDYA, P. Artificial intelligence and radiology: the road ahead. Journal of the American College of Radiology, v. 18, n. 1, p. 39–46, 2021.
WANG, S. et al. Deep learning in medical image analysis: challenges and applications. Annual Review of Biomedical Engineering, v. 21, p. 361–387, 2019.
YANG, G. et al. Artificial intelligence in medical imaging: a review of the deep learning revolution. Frontiers in Oncology, v. 10, p. 530, 2020.
ZHANG, Z.; LI, H.; HUANG, T. Artificial intelligence applications for COVID-19 in radiology: a review. Clinical Imaging, v. 80, p. 25–33, 2021.
ZHU, J. et al. Future trends of artificial intelligence in radiology: challenges and opportunities. Frontiers in Radiology, v. 2, p. 1–9, 2022.as.
1Graduanda de Medicina pelo Centro Universitário Governador Ozanam Coelho. e-mail: brendacbraga25@gmail.com
2Graduando de Medicina pelo Centro Universitário Governador Ozanam Coelho. e-mail: igorclemente13@yahoo.com.br
3Graduanda de Medicina pelo Centro Universitário Governador Ozanam Coelho. e-mail: victoria16med@bol.com.br
4Médico pelo Centro Universitário Governador Ozanam Coelho. e-mail: victoroliveira1407@gmail.com