IA em radiologia: o que já é real e o que ainda é promessa

Se você acompanha os congressos — o RSNA de 2025 deixou isso explícito — a IA deixou de ser um "detector de achado" isolado e passou a ser descrita como uma camada que atravessa todo o serviço: agendamento, aquisição, reconstrução, interpretação e laudo. Isso é verdade e é empolgante, mas também é onde nasce a confusão. Nem tudo o que se chama de IA é a mesma coisa, e nem tudo o que aparece numa palestra já está aprovado para uso clínico. Vamos organizar.

Três palavras que não são sinônimos

Inteligência artificial (IA) é o guarda-chuva: qualquer sistema que executa tarefas que associamos à inteligência. Dentro dele estão duas ideias que valem distinguir.

Machine learning (aprendizado de máquina) é a abordagem em que o sistema aprende padrões a partir de exemplos, em vez de seguir regras escritas à mão. Na radiologia, a forma clássica é a radiômica: extrair da imagem centenas de medidas quantitativas (textura, forma, intensidade) e treinar um modelo para relacioná-las a um desfecho — por exemplo, distinguir um nódulo provavelmente benigno de um suspeito.

Deep learning (aprendizado profundo) é um tipo de machine learning que usa redes neurais com muitas camadas. A diferença prática: em vez de alguém escolher quais medidas extrair, a própria rede aprende quais características da imagem importam. É o que está por trás da maioria dos produtos atuais de detecção e da reconstrução por IA.

Uma armadilha comum é tratar "IA" e "deep learning" como a mesma coisa. Nem todo modelo útil é profundo, e nem toda rede profunda é confiável só por ser moderna — o que vale é a evidência de que ela funciona no cenário em que você vai usá-la.

Onde a IA já está — cinco famílias de aplicação

Em vez de uma lista solta de produtos, pense em famílias pela tarefa que resolvem:

1. Reconstrução por IA. Redes que transformam dados brutos ruidosos em imagens limpas — a DLIR na TC (TrueFidelity, AiCE, Precise Image) e a aceleração por deep learning na RM, que corta tempo de aquisição mantendo qualidade. É, provavelmente, a IA que mais gente já usa sem perceber. Tratamos dela em detalhe no guia FBP, iterativa e IA.

2. Detecção e caracterização (CAD). Algoritmos que marcam candidatos a achado: nódulo pulmonar, lesão de mama, fratura, achado incidental. Funcionam como uma segunda leitura que chama a atenção — não como quem dá a palavra final.

3. Triagem e priorização. Sistemas que varrem a fila de exames e sobem os críticos — suspeita de AVC, embolia pulmonar, pneumotórax, hemorragia — para serem lidos primeiro. É uma das aplicações que mais mostrou valor real: não muda o diagnóstico, muda quando ele acontece.

4. Quantificação. Medir automaticamente o que é tedioso e pouco reprodutível à mão: volume de estruturas, escore de cálcio coronário, densidade, tamanho de lesão no seguimento. Ganho de consistência entre exames e entre profissionais.

5. Linguagem e laudo (NLP). Modelos que leem e escrevem texto: resumir exames anteriores, extrair dados estruturados de laudos antigos, sugerir um rascunho de impressão. É a fronteira mais nova — e a que mais pede cautela.

A fronteira: modelos de fundação e IA generativa

A novidade que domina a pesquisa são os modelos de fundação (foundation models) e os modelos visão-linguagem: redes gigantes, treinadas em enormes volumes de imagens e textos, que aprendem representações "universais" e podem ser adaptadas a várias tarefas. É a mesma família de tecnologia dos grandes modelos de linguagem (os LLMs, como os que respondem em texto). A promessa é sedutora: um modelo que descreve a imagem, gera rascunho de laudo, responde perguntas sobre o exame e resume o histórico do paciente.

Aqui entra a parte que quase nenhuma manchete conta com honestidade: até o fim de 2025, nenhum produto de radiologia aprovado por reguladores usava um modelo generativo (LLM) como motor clínico. Os sistemas liberados para uso continuam sendo algoritmos convencionais, focados em uma tarefa específica e validados para ela. Os modelos generativos que geram laudo sozinhos existem — em artigos, protótipos e demonstrações —, mas ainda não como ferramenta aprovada que assina um resultado. Ou seja: o "ChatGPT da radiologia" é, por enquanto, pesquisa promissora, não produto de sala.

Isso não é motivo para descrença — é motivo para calibragem. A IA de tarefa específica já entrega valor real todos os dias; a IA generativa vai chegar, mas com validação, regulação e responsabilidade profissional no caminho.

O que isso muda para você

Para o técnico e para o estudante, a mensagem prática é dupla. Primeiro: a IA que você vai encontrar na rotina é, na esmagadora maioria, uma ferramenta de tarefa — ela reconstrói, marca, prioriza ou mede. Ela não "pensa o exame" no seu lugar, e a qualidade do que ela entrega depende diretamente da qualidade da imagem que você produz: posicionamento, protocolo e técnica continuam sendo a base. Segundo: entender essas categorias é o que te permite conversar de igual para igual com o radiologista e com o fornecedor, e não cair no marketing. Saber perguntar "isso é detecção ou quantificação?", "foi validado para o nosso equipamento?" e "é produto aprovado ou piloto?" já é competência profissional.

Nos próximos guias deste pilar, descemos ao detalhe: onde exatamente a IA entra no exame, e o que dizem a ANVISA, o CBR e a LGPD sobre usá-la com responsabilidade.