ARTIFICIAL INTELLIGENCE IN MEDICAL DIAGNOSIS: APPLICATIONS FOR FASTER AND MORE ACCURATE DIAGNOSES IN RADIOLOGY
REGISTRO DOI: 10.69849/revistaft/ar10202511070853
Maria Eduarda Messias do Prado¹
Larissa Leme de Andrade¹
Vitor de Paula Moreira¹
Ana Patricia da Silva Arruda Cavalcante²
RESUMO: Introdução: A crescente demanda por exames de imagem e a sobrecarga dos serviços radiológicos exigem soluções tecnológicas que aumentem a eficiência e reduzam erros diagnósticos. Metodologia: Realizou-se uma revisão bibliográfica narrativa com características sistemáticas, seguindo o protocolo PRISMA 2020. Foram analisados artigos publicados entre 2015 e 2025 nas bases PubMed, Scopus, Web of Science, ScienceDirect e SciELO. Resultados: Dos 454 estudos identificados, 10 atenderam aos critérios de inclusão. Os resultados demonstraram que o uso da IA melhora a acurácia diagnóstica, reduz o tempo de processamento de exames e otimiza o fluxo de trabalho dos radiologistas, especialmente por meio de algoritmos de aprendizado de máquina e redes neurais profundas. Discussão: Observou-se que a IA atua como ferramenta complementar ao radiologista, ampliando sua capacidade diagnóstica e promovendo maior padronização e eficiência. Contudo, desafios como custo de implementação, vieses algorítmicos, falta de transparência e resistência profissional ainda limitam sua plena integração. Considerações Finais: Conclui-se que a IA não substitui o radiologista, mas fortalece sua atuação, sendo essencial o investimento em formação profissional, infraestrutura tecnológica e regulamentação ética para garantir o uso seguro e eficaz dessas tecnologias.
Palavras-chave: Inteligência artificial. Radiologia. Tecnologia médica.
ABSTRACT: Introduction: The growing demand for imaging exams and radiology overload require technological solutions that enhance efficiency and reduce diagnostic errors. Methodology: A narrative literature review with systematic characteristics was conducted, following the PRISMA 2020 protocol. Articles published between 2015 and 2025 were selected from PubMed, Scopus, Web of Science, ScienceDirect, and SciELO databases. Results: From 454 identified studies, 10 met the inclusion criteria. Findings showed that AI improves diagnostic accuracy, reduces exam processing time, and optimizes radiologists’ workflow, mainly through machine learning and deep neural networks. Discussion: AI acts as a complementary tool to radiologists, expanding diagnostic capacity and promoting greater standardization and efficiency. However, implementation costs, algorithmic bias, lack of transparency, and professional resistance remain challenges. Final Considerations: AI does not replace radiologists but strengthens their role. Continuous professional training, technological infrastructure, and ethical regulations are essential to ensure its safe and effective integration into clinical practice.
Keywords: Artificial intelligence. Medical technology. Radiology.
1 INTRODUÇÃO
Nos últimos anos, a medicina se tornou cada vez mais dependente de diagnósticos mais rápidos e precisos, especialmente diante do aumento global da demanda por serviços de saúde. Nesse contexto, os exames de imagem — como radiografia, tomografia computadorizada (TC), ressonância magnética (RM), ultrassonografia e PET-CT — assumem papel essencial, permitindo a visualização detalhada de estruturas anatômicas e alterações patológicas que muitas vezes não seriam detectadas apenas pelo exame físico (LUCENA, 2019). Essas técnicas não apenas auxiliam na detecção precoce de doenças, como também orientam decisões terapêuticas, monitoram respostas ao tratamento e contribuem para reduzir complicações e mortalidade. Com o envelhecimento populacional e o aumento da incidência de doenças crônicas, cresce também a demanda por exames de imagem, o que gera sobrecarga nos serviços de radiologia, ocasionando filas de espera, aumento da carga de trabalho dos radiologistas e riscos de atrasos ou erros diagnósticos, especialmente em locais com recursos limitados (GRAÇA et al., 2024; TIBANA et al., 2019).
A evolução tecnológica que impulsionou os sistemas de saúde modernos inclui desde a adoção de arquivos digitais em PACS (Picture Archiving and Communication Systems) até o surgimento dos primeiros softwares de auxílio à interpretação. Contudo, foi apenas com os avanços recentes em inteligência artificial — impulsionados pela ampliação do poder computacional e pela disponibilidade de grandes bases de dados — que se tornou viável aplicar algoritmos realmente eficazes na radiologia (REZENDE et al. 2023; MORAES, 2024). A trajetória da IA remonta a 1956, quando John McCarthy cunhou o termo durante a Conferência de Dartmouth, consolidando a ideia de que máquinas poderiam simular aspectos do raciocínio humano (KAUFMAN, 2020).
Nas décadas seguintes, o campo foi marcado por ciclos de entusiasmo e períodos de estagnação, os chamados “invernos da IA”, devido a limitações tecnológicas e escassez de dados de qualidade. A virada ocorreu a partir dos anos 2000, com a popularização da internet, o aumento exponencial de dados digitais e o avanço no poder de processamento de hardware. Esses fatores possibilitaram o amadurecimento de técnicas de machine learning e deep learning, que ganharam destaque a partir de 2012, quando redes neurais profundas alcançaram desempenho superior em competições de reconhecimento de imagens (COZMAN, 2018).
A inserção da IA na medicina começou de forma experimental na década de 1970, com sistemas especialistas como o MYCIN, voltado ao diagnóstico de infecções bacterianas. Embora inovadores para a época, esses sistemas eram limitados, baseados em regras fixas e incapazes de lidar com a complexidade e variabilidade dos dados clínicos reais. A última década marcou uma mudança substancial, com o desenvolvimento de algoritmos capazes de aprender a partir de milhões de imagens médicas, identificar padrões sutis invisíveis ao olho humano e gerar resultados em tempo reduzido (GOMES et al., 2024). Na radiologia, essas aplicações se expandiram para diferentes etapas do processo diagnóstico, incluindo triagem de exames com achados críticos, detecção e caracterização de lesões, segmentação volumétrica de órgãos e tecidos, reconstrução de imagens e apoio na elaboração de laudos preliminares (BORGES et al., 2025).
Esse avanço tecnológico busca responder a desafios concretos da radiologia moderna. A interpretação de imagens exige alto grau de especialização e atenção contínua, enquanto o aumento do volume de exames pode levar à fadiga cognitiva e ao aumento de erros — como omissões, falso-negativos ou diagnósticos equivocados (BASTOS; NOGUEIRA, 2025). Além disso, há variabilidade na compreensão dos laudos, em que diferentes radiologistas podem interpretar de forma distinta o mesmo exame, sobretudo quando as alterações são discretas. Ao oferecer análises rápidas, consistentes e baseadas em grandes volumes de dados, a IA surge como ferramenta promissora para reduzir essa variabilidade, agilizar processos e padronizar diagnósticos, atuando como suporte ao julgamento clínico humano, e não como substituto (OLIVEIRA, 2024; MORAES et al., 2023).
Apesar do potencial, a integração da IA à prática clínica enfrenta obstáculos importantes. Entre eles estão a necessidade de infraestrutura tecnológica robusta, interoperabilidade entre sistemas hospitalares, adaptação dos fluxos de trabalho, validação em diferentes populações e contextos clínicos, além da aceitação por parte dos profissionais (NASCIMENTO NETO et al., 2020; DIAS et al., 2025).
Questões éticas e regulatórias também se destacam, incluindo a privacidade dos dados dos pacientes, a transparência nos critérios de decisão dos algoritmos e a definição de responsabilidade em caso de falhas diagnósticas (JUCÁ et al., 2024).
Diante desse panorama, este estudo tem como objetivo central analisar de que maneira a inteligência artificial pode contribuir para diagnósticos mais rápidos e precisos na radiologia, considerando seu potencial, desafios e impacto na prática clínica.
2 METODOLOGIA
Este estudo configura-se como uma revisão bibliográfica narrativa com características sistemáticas, desenvolvida por meio da busca, análise e síntese de evidências científicas relacionadas à aplicação da inteligência artificial para diagnósticos mais rápidos e precisos em radiologia. Para garantir maior transparência e reprodutibilidade, foram adotados os princípios do protocolo PRISMA 2020 como guia para a seleção, triagem e inclusão dos estudos.
A busca das publicações foi realizada nas bases de dados eletrônicas PubMed/MEDLINE, Scopus, Web of Science, ScienceDirect e SciELO, complementada por busca manual nas listas de referências dos artigos considerados relevantes. Foram utilizados descritores controlados e não controlados, como os termos do MeSH e DeCS, combinados por operadores booleanos, conforme o seguinte esquema: “Artificial Intelligence” OR “Machine Learning” OR “Deep Learning”; “Radiology” OR “Medical Imaging” OR “Diagnostic Imaging”; e “Diagnosis” OR “Accuracy” OR “Time to Diagnosis”. O período de busca abrangeu artigos publicados entre janeiro de 2015 e julho de 2025, levando em consideração o avanço acelerado das técnicas de IA nos últimos anos. Os idiomas considerados foram inglês, português e espanhol.
Foram incluídos estudos que avaliassem a aplicação de inteligência artificial na radiologia, com foco em rapidez e/ou precisão diagnóstica, incluindo estudos originais, revisões sistemáticas ou metanálises que estivessem disponíveis em texto completo, publicados entre 2015 e 2025, nos idiomas inglês, português ou espanhol. Foram excluídos artigos que não abordassem especificamente aplicações da IA em radiologia; editoriais, cartas ao editor, resumos de congresso sem dados completos ou opiniões não embasadas em evidências; trabalhos com foco exclusivo em outras áreas médicas não relacionadas à radiologia; estudos duplicados nas bases de dados; e artigos que não apresentassem dados relevantes sobre tempo ou acurácia diagnóstica.
Figura 1 – Fluxograma do Processo de Seleção dos Estudos Incluídos na Revisão Bibliográfica
O processo de seleção dos estudos ocorreu em quatro etapas, conforme as diretrizes do protocolo PRISMA: identificação, que consistiu na busca inicial nas bases de dados e exportação das referências para um gerenciador bibliográfico; triagem, com remoção de duplicatas e leitura dos títulos e resumos para avaliação preliminar baseada nos critérios de inclusão e exclusão; elegibilidade, em que foi realizada a leitura integral dos artigos selecionados para análise detalhada de sua adequação; e inclusão, que compreendeu a seleção final dos estudos que compuseram a amostra desta revisão. Todo esse processo foi documentado e ilustrado por meio de um fluxograma PRISMA, que apresenta o número de registros identificados, excluídos e incluídos em cada etapa, garantindo transparência e reprodutibilidade.
3 RESULTADOS E DISCUSSÃO
No que tange a construção do estudo, a busca por referenciais teóricos obteve um alcance de 454 trabalhos científicos. Contudo, no processo de análise e seleção, 387 artigos não atenderam aos critérios de inclusão estabelecidos, considerando a leitura dos títulos e resumos de tais trabalhos. Após a leitura completa de 15 artigos, chegou-se à seleção final de 10 artigos para a construção dos resultados do presente estudo (Quadro 01).
Quadro 01. Composição Dos Artigos Que Tratam Sobre À Aplicação Da Inteligência Artificial Para Diagnósticos Mais Rápidos E Precisos Em Radiologia
| Título | Autor/Ano | Metodologia | Resultados |
|---|---|---|---|
| Artificial Intelligence in Radiology: From Image Processing to Diagnosis. | Marques et al., 2018. | Revisão Bibliográfica. | Conclui-se que a IA tende a melhorar a qualidade dos diagnósticos ao integrar múltiplos dados e apoiar o médico como elemento central do processo. O avanço depende da cooperação entre médicos e engenheiros no desenvolvimento de sistemas de diagnóstico auxiliados por computador. |
| O uso da inteligência artificial na detecção e classificação de imagens em radiologia: desafios e avanços na implementação clínica. | Idalino et al., 2024. | Revisão Integrativa da Literatura. | A análise de quinze estudos demonstrou que a aplicação da inteligência artificial (IA) na radiologia tem contribuído significativamente para o aumento da acurácia diagnóstica e para a redução do tempo de processamento de exames. Dembrower et al. (2023) observaram um acréscimo de 4% na taxa de detecção de câncer de mama ao associar a IA à leitura de mamografias, enquanto Takahiro et al. (2023) destacaram a alta sensibilidade da tecnologia na detecção precoce de câncer gástrico. De forma semelhante, Kundisch et al. (2022) relataram um aumento de 12,2% na detecção de hemorragias intracranianas em tomografias de emergência. Já Rasche et al. (2024) demonstraram que o uso de colimação automatizada baseada em IA reduziu consideravelmente o tempo de exame, otimizando o fluxo de trabalho dos radiologistas. Han et al. (2020) aplicaram um modelo de aprendizado de máquina capaz de prever a progressão rápida da aterosclerose coronariana, alcançando uma acurácia significativa (AUC 0,83), e Mukherjee et al. (2023) evidenciaram a eficácia da IA na segmentação volumétrica de tumores pancreáticos, demonstrando alta precisão e potencial aplicação clínica em casos de difícil manejo. Esses resultados reforçam o papel da IA como ferramenta promissora para aprimorar a qualidade diagnóstica e a eficiência operacional na radiologia contemporânea. |
| Inteligência Artificial e os Avanços no Diagnóstico por Imagem na Radiologia. | Machado et al., 2021. | Revisão Narrativa. | O estudo conclui que a aplicação da inteligência artificial (IA) na radiologia tem potencial para aprimorar significativamente a precisão e a agilidade dos diagnósticos, ao permitir a combinação de múltiplas fontes de informação além das imagens radiológicas, resultando em maior eficiência, produtividade e qualidade no atendimento. A IA mostrou-se especialmente útil durante a pandemia de COVID-19, otimizando a análise de exames torácicos e a emissão de laudos por meio da telerradiologia. Além disso, os softwares baseados em IA demonstraram capacidade de identificar alterações sutis, mensurar lesões, gerar laudos preliminares e priorizar exames conforme a gravidade dos casos. Embora ainda gere receio quanto à substituição profissional, a tecnologia é vista como uma aliada que amplia o papel do radiologista, substituindo práticas invasivas por métodos mais seguros e assertivos, e consolidando-se como uma ferramenta essencial para a evolução da medicina diagnóstica. |
| O impacto da inteligência artificial na interpretação de exames de imagem e na prática clínica radiológica. | Jucá et al., 2024. | Revisão Sistemática de Literatura. | O estudo demonstra que a aplicação da inteligência artificial (IA) na radiologia tem promovido avanços expressivos na precisão diagnóstica, eficiência clínica e detecção precoce de doenças. A revisão de 33 estudos revelou que a IA é especialmente eficaz em modalidades como mamografia, radiologia torácica e oncologia, reduzindo falsos negativos e melhorando a acurácia de diagnósticos complexos. Além de otimizar o fluxo de trabalho, a automação de tarefas rotineiras permite que radiologistas concentrem-se em casos de maior complexidade, reduzindo o tempo de resposta e aumentando a qualidade dos serviços. Em oncologia, os algoritmos de IA mostraram-se capazes de diferenciar tecidos malignos e benignos, prever respostas terapêuticas e personalizar tratamentos. Contudo, o artigo destaca desafios éticos e técnicos, como vieses nos bancos de dados de treinamento, falta de transparência dos algoritmos (“caixa-preta”) e resistência dos profissionais à adoção da tecnologia. Para superá-los, recomenda-se o uso de bases de dados mais representativas, capacitação contínua dos radiologistas e criação de regulamentações específicas que assegurem a segurança, padronização e equidade no uso da IA. Assim, o estudo conclui que a IA tem potencial para revolucionar a radiologia, desde que implementada de forma ética, transparente e colaborativa. |
| Inteligência artificial na radiologia. | Rosário, Neto & Pinto, 2024. | Revisão Sistemática da Literatura. | O presente estudo destaca que a inteligência artificial (IA) tem revolucionado o campo da radiologia ao aprimorar a qualidade dos diagnósticos, reduzir o tempo de interpretação de exames e aumentar a eficiência dos profissionais. A IA permite a análise detalhada de imagens complexas, como tomografias, ressonâncias magnéticas e mamografias, auxiliando na detecção precoce de doenças, especialmente em casos de câncer de mama, pulmão e cérebro. Além de agilizar a elaboração de laudos e diminuir erros diagnósticos, a tecnologia oferece suporte na priorização de exames conforme a gravidade e na mensuração automática de lesões, otimizando o fluxo de trabalho dos radiologistas. Os autores ressaltam que, embora haja receio quanto à substituição humana, a IA atua como ferramenta complementar, potencializando o desempenho dos profissionais e melhorando a qualidade do atendimento ao paciente. O artigo também aborda o papel do técnico em radiologia frente aos avanços tecnológicos, enfatizando a necessidade de capacitação contínua e domínio das ferramentas digitais. Conclui-se que a IA não substitui o profissional, mas o fortalece, tornando-se uma aliada indispensável na prática radiológica moderna e contribuindo para diagnósticos mais precisos, rápidos e humanizados. |
| Inteligência artificial, aprendizado de máquina, diagnóstico auxiliado por computador e radiômica: avanços da imagem rumo à medicina de precisão. | Santos et al., 2019. | Revisão Narrativa da Literatura. | Os resultados do artigo indicam que a inteligência artificial (IA), o aprendizado de máquina, o diagnóstico auxiliado por computador (CAD) e a radiômica têm revolucionado a radiologia, ampliando a precisão diagnóstica, a eficiência operacional e o potencial prognóstico das imagens médicas. Observou-se que a IA permite extrair e analisar informações quantitativas das imagens, identificando biomarcadores de gravidade e resposta terapêutica, especialmente em oncologia. Os sistemas CAD mostraram-se eficazes na detecção precoce de doenças como câncer de mama, pulmão e Alzheimer, enquanto o aprendizado profundo (deep learning) e as redes neurais convolucionais aprimoram o reconhecimento automático de padrões complexos. A radiômica e a radiogenômica destacam-se por correlacionar características radiológicas com dados clínicos e genéticos, possibilitando predições sobre resposta a tratamentos e sobrevida, além de quantificar a heterogeneidade tumoral. Esses avanços sustentam a transição da radiologia para a medicina de precisão, permitindo diagnósticos mais rápidos e personalizados, redução do tempo de leitura e maior consistência nos laudos. Apesar disso, persistem desafios relacionados à necessidade de grandes bases de dados, padronização metodológica e validação clínica, sendo essencial a capacitação contínua dos profissionais e a observância de princípios éticos para garantir o uso seguro e eficaz dessas tecnologias. |
| Aplicações da Inteligência Artificial no Diagnóstico Médico: Avanços e Desafios. | Capelo, 2024. | Revisão Bibliográfica Sistemática. | Os resultados da pesquisa evidenciaram que a inteligência artificial (IA) tem promovido avanços significativos no diagnóstico médico, principalmente pela capacidade de processar grandes volumes de dados clínicos e identificar padrões complexos com elevada precisão, otimizando fluxos de trabalho e reduzindo erros humanos em áreas como radiologia, oncologia, cardiologia e neurologia. Os algoritmos de aprendizado profundo e redes neurais convolucionais mostraram desempenho comparável ou superior ao de especialistas humanos, permitindo diagnósticos mais precoces e personalizados, em consonância com os princípios da medicina de precisão. Observou-se, ainda, que a IA contribui para integrar dados genômicos e biomarcadores, favorecendo tratamentos individualizados e uma abordagem mais preditiva. Contudo, o estudo apontou desafios relevantes, como o risco de viés algorítmico, a falta de transparência dos modelos “caixa-preta”, a necessidade de regulamentações robustas, a proteção de dados sensíveis e a desigualdade de infraestrutura tecnológica, especialmente em países em desenvolvimento. A aceitação da tecnologia pelos profissionais de saúde depende de formação adequada e da incorporação de competências digitais nas matrizes curriculares. As perspectivas futuras indicam a expansão da IA em sistemas públicos de saúde, sua integração com dispositivos vestíveis e monitoramento contínuo, além do fortalecimento da medicina personalizada e da gestão hospitalar, consolidando a IA como ferramenta estratégica para aumentar a eficiência diagnóstica, reduzir custos e aprimorar os desfechos clínicos. |
| Impactos e desafios da Inteligência Artificial na Medicina: Uma revisão atualizada da literatura. | Telles & Alcântara, 2024. | Revisão de Literatura. | Os resultados da revisão apontaram que a inteligência artificial (IA) tem se consolidado como uma das tecnologias mais promissoras na medicina, promovendo avanços expressivos na precisão diagnóstica, na segurança dos pacientes e na eficiência dos procedimentos clínicos. A literatura analisada destacou que a IA tem sido amplamente aplicada na interpretação de exames, no apoio à decisão médica, na gestão de medicamentos e na estratificação de pacientes, beneficiando especialmente áreas como radiologia, cardiologia, oncologia e cirurgia. Também foi evidenciada sua relevância na educação médica, contribuindo para o treinamento de estudantes e cirurgiões por meio de simuladores e ambientes virtuais, além de favorecer o desenvolvimento de habilidades técnicas e tomadas de decisão em situações complexas. Ferramentas como o sistema Watson e métodos de radiômica demonstram potencial para integrar dados de radiologia, patologia e genômica, ampliando a capacidade de diagnóstico e personalização dos tratamentos. Por outro lado, os desafios observados incluem o alto custo de implementação, a necessidade de capacitação profissional, a resistência de parte dos profissionais diante das novas tecnologias, além de questões éticas e legais envolvendo a responsabilidade por erros, a segurança de dados e a falta de regulamentação específica. Conclui-se que, embora a IA traga benefícios significativos para pacientes e profissionais, sua consolidação na medicina ainda depende de maior investimento em infraestrutura, formação adequada, transparência algorítmica e políticas regulatórias que garantam segurança, equidade e confiabilidade no uso clínico dessas tecnologias. |
| Um comparativo entre a inteligência artificial e os médicos radiologistas no campo da interpretação de exames de imagens. | Melo et al., 2024. | Revisão de Literatura. | Os resultados da revisão indicaram que a inteligência artificial (IA) tem causado impactos significativos na medicina contemporânea, com avanços notáveis em diagnóstico, prognóstico, planejamento terapêutico e gestão hospitalar. A literatura analisada evidenciou que os algoritmos de IA são capazes de processar grandes volumes de dados clínicos e de imagem com alta precisão, auxiliando na detecção precoce de doenças e na redução de erros médicos. Aplicações relevantes foram observadas em áreas como radiologia, cardiologia, oncologia e neurologia, onde sistemas automatizados mostraram desempenho semelhante ou superior ao de especialistas humanos. Além disso, a IA tem sido utilizada na educação médica, por meio de simuladores e plataformas de treinamento, favorecendo o desenvolvimento de habilidades clínicas e tomada de decisão. O estudo também destacou a contribuição da IA na melhoria do atendimento ao paciente, no monitoramento contínuo de sinais vitais e na personalização de tratamentos baseados em dados genômicos e históricos clínicos. Contudo, foram identificados desafios importantes, como a falta de regulamentação específica, preocupações éticas e jurídicas quanto à responsabilidade em caso de falhas, riscos de violação de privacidade e necessidade de capacitação profissional para o uso seguro dessas tecnologias. Assim, conclui-se que, embora a IA apresente benefícios expressivos para a prática médica e a qualidade do cuidado em saúde, sua consolidação ainda depende de uma integração ética, técnica e educacional que assegure sua aplicação responsável e equitativa. |
| O impacto da inteligência artificial na radiologia: avanços na eficiência diagnóstica e personalização do tratamento. | Costa et al., 2024. | Revisão Integrativa. | Os resultados da revisão demonstraram que a Inteligência Artificial (IA) tem impactado positivamente a radiologia ao aprimorar a precisão diagnóstica, otimizar fluxos de trabalho e personalizar tratamentos. Foram identificadas 100 soluções comerciais de IA com evidência científica, sendo 32% classificadas como risco I e 53% como IIa, com predominância de validações retrospectivas (81%) e limitadas por bases de dados multicêntricas (30%). A IA mostrou-se eficaz na detecção precoce de achados críticos, reduzindo o tempo de resposta em exames radiológicos, como a diminuição de 80 para 35–50 minutos em radiografias de tórax e de 16 para 12 minutos em casos de hemorragia intracraniana. Além disso, promoveu maior eficiência operacional diante do aumento expressivo de exames e escassez de radiologistas. A tecnologia tem se mostrado essencial em especialidades como oncologia, radiologia pediátrica e mastologia, permitindo diagnósticos precoces, procedimentos menos invasivos e tratamentos personalizados. Apesar dos avanços, persistem desafios éticos, regulatórios e técnicos, como a proteção de dados, a necessidade de bases mais robustas e a formação profissional adequada. Em síntese, a IA consolida-se como ferramenta de apoio indispensável, capaz de reduzir custos, aumentar a segurança e melhorar os desfechos clínicos na prática radiológica. |
Uma ferramenta essencial para o avanço da radiologia diagnóstica, promovendo maior precisão, rapidez e personalização nos exames por imagem. De forma geral, as revisões analisadas reforçam que a IA, por meio de algoritmos de aprendizado de máquina e redes neurais, tem potencial para transformar o papel do radiologista, otimizando fluxos de trabalho, reduzindo erros e ampliando a capacidade diagnóstica.
A IA tende a aprimorar a qualidade dos diagnósticos ao integrar diferentes fontes de dados e apoiar o médico como protagonista do processo decisório, sendo o avanço dessa tecnologia dependente da cooperação entre profissionais de saúde e engenheiros (MARQUES et al., 2018). Em consonância, destaca-se que a IA tem papel central na melhoria da acurácia e da produtividade, permitindo identificar alterações sutis em exames e priorizar casos mais graves, além de fortalecer o papel do técnico e do radiologista na prática clínica (MACHADO et al., 2021; ROSÁRIO et al., 2024).
Os resultados de IDALINO et al. (2024), JUCÁ et al. (2024) e COSTA et al. (2024) corroboram essa perspectiva ao demonstrar, com base em evidências empíricas, ganhos mensuráveis de desempenho. Estudos como o de DEMBROWER et al. (2023) reportaram aumento de 4% na detecção de câncer de mama com o uso da IA em mamografias, enquanto KUNDISCH et al. (2022) observaram incremento de 12,2% na identificação de hemorragias intracranianas, e RASCHE et al. (2024) mostraram que a colimação automatizada reduziu significativamente o tempo de exames. Esses achados sustentam o impacto positivo da IA tanto na eficiência operacional quanto na acurácia diagnóstica, corroborando o potencial da tecnologia para suprir a escassez de profissionais e reduzir sobrecarga de trabalho.
Em uma perspectiva mais abrangente, autores enfatizam que o uso combinado de aprendizado profundo, radiômica e diagnóstico auxiliado por computador (CAD) permite a extração de biomarcadores e o reconhecimento automatizado de padrões complexos, aproximando a radiologia da medicina de precisão. Esses autores ressaltam que os sistemas inteligentes podem correlacionar dados radiológicos, clínicos e genômicos, favorecendo a personalização de tratamentos e predições prognósticas mais acuradas (SANTOS et al., 2019; CAPELO, 2024).
Por outro lado, os estudos convergem ao reconhecer limitações e desafios. TELLES & ALCÂNTARA (2024) e MELO et al. (2024) destacam entraves técnicos, éticos e legais, como o custo de implementação, a necessidade de formação profissional, o risco de vieses algorítmicos, a ausência de regulamentações específicas e as preocupações quanto à responsabilidade em caso de falhas diagnósticas. JUCÁ et al. (2024) complementam que a falta de transparência nos modelos de IA (“caixa-preta”) e a resistência de parte dos profissionais ainda constituem barreiras à plena adoção da tecnologia.
Dessa forma, os estudos analisados apontam que, embora a IA já demonstre resultados expressivos na melhoria da acurácia e da velocidade diagnóstica, sua integração segura e eficaz na prática radiológica depende de políticas de regulamentação, desenvolvimento de bases de dados mais representativas e formação continuada dos profissionais. Assim, a IA se consolida não como substituta do radiologista, mas como uma ferramenta colaborativa indispensável à evolução da medicina diagnóstica moderna, promovendo uma atuação mais ágil, precisa e humanizada.
5 CONSIDERAÇÕES FINAIS
A análise da literatura permite confirmar que a inteligência artificial se estabelece como uma ferramenta essencial para o avanço da radiologia diagnóstica, promovendo maiores benefícios, tais como a precisão, rapidez e personalização nos exames por imagem. Os estudos revisados indicam que a IA, por meio de algoritmos de aprendizado de máquina e redes neurais, possuem o potencial de transformar o papel do radiologista, otimizando os fluxos de trabalho, reduzindo erros e expandindo a capacidade diagnóstica. A IA tende a aprimorar a qualidade dos diagnósticos ao integrar diversas fontes de dados e atuar como suporte ao médico, que permanece como protagonista do processo decisório, sendo crucial a cooperação entre profissionais de saúde e engenheiros para o avanço dessa tecnologia.
Em termos de desempenho, a IA tem papel central na melhoria da acurácia e da produtividade, permitindo a identificação de alterações sutis nos exames e a priorização de casos mais graves. Resultados empíricos demonstram ganhos mensuráveis, como o aumento na detecção de câncer de mama em mamografias e o incremento na identificação de hemorragias intracranianas. Além disso, a colimação automatizada baseada em IA demonstrou reduzir significativamente o tempo dos exames, o que reforça o impacto positivo da tecnologia na eficiência operacional e na acurácia diagnóstica, ajudando a suprir a escassez de profissionais e a reduzir a sobrecarga de trabalho. A evolução da tecnologia, combinando aprendizado profundo, radiômica e diagnóstico auxiliado por computador (CAD), aproxima a radiologia da medicina de precisão, permitindo a extração de biomarcadores e a correlação de dados radiológicos, clínicos e genômicos para a personalização de tratamentos e predições prognósticas mais acuradas.
Apesar do grande potencial, os estudos convergem ao reconhecer limitações e desafios. Entraves técnicos, éticos e legais, como o custo elevado de implementação, a necessidade de formação profissional, o risco de vieses algorítmicos, a ausência de regulamentações específicas e as preocupações com a responsabilidade em caso de falhas diagnósticas, ainda persistem. A falta de transparência nos modelos de IA, o chamado “caixa-preta”, e a resistência de parte dos profissionais constituem barreiras à plena adoção da tecnologia. Assim, para que a IA se integre de forma segura e eficaz na prática radiológica, é fundamental o desenvolvimento de políticas de regulamentação, a criação de bases de dados mais representativas e a formação continuada dos profissionais. Em conclusão, a IA se consolida não como substituta do radiologista, mas como uma ferramenta colaborativa indispensável para a evolução da medicina diagnóstica moderna, promovendo uma atuação mais ágil, precisa e humanizada
REFERÊNCIAS
BASTOS, A. L.; NOGUEIRA, M. S. Qualidade da imagem na radiologia diagnóstica: um levantamento de metodologias para radiologistas. Radiologia Brasileira, v. 58, p. e20240088, 2025.
BORGES, A.J.A. et al. A inteligência artificial na radiologia: uma revisão da literatura. Revista Ibero-Americana de Humanidades, Ciências e Educação, v. 11, n. 5, p. 7772-7784, 2025.
CAPELO, R. L. Aplicações da inteligência artificial no diagnóstico médico: avanços e desafios. Lumen et Virtus, v. 15, n. 42, 2024.
COSTA, M. E. S. et al. O impacto da inteligência artificial na radiologia: avanços na eficiência diagnóstica e personalização do tratamento. Revista Ibero-Americana de Humanidades, Ciências e Educação, v. 10, n. 11, p. 3364-3376, 2024.
COZMAN, Fabio Gagliardi. Inteligência artificial: uma utopia, uma distopia. Teccogs: Revista Digital de Tecnologias Cognitivas, n. 17, 2018.
DIAS, G. M. et al. Desafios éticos acerca da inteligência artificial aplicada ao diagnóstico médico. Brazilian Journal of Health Review, v. 8, n. 3, p. e79530-e79530, 2025.
GOMES, S. A.; MONTANINI, J. F.; SOBRINHO, H. M. R. O uso da inteligência artificial na medicina: os benefícios e desafios da parceria homem-tecnologia na saúde. Revista Eletrônica Acervo Saúde, v. 24, n. 12, p. e18374-e18374, 2024.
GRAÇA, R. A.; SILVA, B. A.; RODRIGUES, G. O. O impacto dos exames de diagnóstico por imagem no tratamento do câncer (CA) de tireoide. Brazilian Journal of Health Review, v. 7, n. 5, p. e73379-e73379, 2024.
IDALINO, C. C. P. et al. O uso da inteligência artificial na detecção e classificação de imagens em radiologia: desafios e avanços na implementação clínica. Observatorio de la Economía Latinoamericana, v. 22, n. 12, p. e8270-e8270, 2024.
JUCÁ, 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, v. 10, n. 11, p. 72-86, 2024.
KAUFMAN, D. Inteligência artificial: repensando a mediação. Brazilian Journal of Development, v. 6, n. 9, p. 67621-67639, 2020.
LUCENA, R. A. Justificação médica na realização de exames de imagem: fatores de influência e informações clínicas mínimas. 2019.
MACHADO, B. A. S. et al. Inteligência artificial e os avanços no diagnóstico por imagem na radiologia. RECIMA21 – Revista Científica Multidisciplinar, v. 2, n. 7, p. e27523-e27523, 2021.
MARQUES, J. S. et al. Inteligência artificial em radiologia: do processamento de imagem ao diagnóstico. Acta Radiológica Portuguesa, v. 30, n. 2, p. 5-8, 2018.
MORAES, A. L. A importância do armazenamento de imagens POCUS em sistemas de imagens médicas na gestão eficiente de emergências: uma revisão sistemática. 2024.
MORAES, J. J. et al. Impacto da tecnologia de inteligência artificial na medicina diagnóstica. Revista Ibero-Americana de Humanidades, Ciências e Educação, v. 9, n. 7, p. 1303-1214, 2023.
NASCIMENTO NETO, C. D. et al. Inteligência artificial e novas tecnologias em saúde: desafios e perspectivas. Brazilian Journal of Development, v. 6, n. 2, p. 9431-9445, 2020.
OLIVEIRA, A. N. et al. O impacto da inteligência artificial na melhoria do diagnóstico e tratamento de doenças na área da saúde. Revista Tópicos, v. 2, n. 7, p. 1-12, 2024.
REZENDE, A. M. L. et al. Estudo sobre o uso do Picture Archiving and Communication System (PACS) em um hospital universitário da cidade de Belo Horizonte, Minas Gerais, Brasil. 2023.
ROSÁRIO, D. J.; NETO, R. C.; PINTO, E. V. Inteligência artificial na radiologia. Revista Ibero-Americana de Humanidades, Ciências e Educação, v. 10, n. 5, p. 2938-2952, 2024.
SANTOS, M. K. et al. Inteligência artificial, aprendizado de máquina, diagnóstico auxiliado por computador e radiômica: avanços da imagem rumo à medicina de precisão. Radiologia Brasileira, v. 52, p. 387-396, 2019.
TELLES, V. J.; ALCÂNTARA, M. S. Impactos e desafios da inteligência artificial na medicina: uma revisão atualizada da literatura. Research, Society and Development, v. 13, n. 12, p. e215131247962-e215131247962, 2024.
TIBANA, T. K. et al. Detecção de malignidades primárias adicionais: papel da TC e PET/TC associadas a biópsias percutâneas múltiplas. Radiologia Brasileira, v. 52, p. 166-171, 2019.
¹Acadêmico(a) do Curso de Medicina – Instituto Tocantinense Presidente Antônio Carlos
²Instituto Tocantinense Presidente Antônio Carlos (Orientadora)