Uma inteligência artificial capaz de “ler” uma tomografia abdominal

Novo sistema aprende com mais de 400 mil exames e mostra que a IA pode atuar como uma espécie de assistente generalista para radiologistas, aumentando a detecção de alterações e reduzindo o tempo necessário para interpretar os exames

Uma tomografia computadorizada do abdômen pode conter centenas de imagens. Nelas, o radiologista precisa examinar fígado, rins, pâncreas, baço, intestinos, vasos sanguíneos e várias outras estruturas, procurando desde pequenas alterações até sinais de doenças potencialmente fatais. É uma tarefa que exige treinamento especializado, experiência e atenção a detalhes que, algumas vezes, ocupam apenas uma pequena região de todo o exame.

Agora imagine um sistema de inteligência artificial capaz de percorrer essas imagens, reconhecer diferentes órgãos e apontar possíveis alterações, funcionando como uma espécie de segundo par de olhos para o médico.

É justamente essa a proposta do RADAR, sigla para Rapid Abdominal Diagnosis with AI and Radiology, apresentado em artigo publicado na revista Science em 17 de setembro de 2026. Diferentemente de muitos sistemas de inteligência artificial desenvolvidos para procurar uma única doença, o RADAR foi concebido como uma IA generalista para a interpretação de tomografias computadorizadas do abdômen.

Infográfico gerado por IA.

E os resultados chamam atenção: o sistema foi capaz de avaliar 146 achados radiológicos distribuídos por 18 estruturas anatômicas e, quando utilizado como ferramenta de apoio, aumentou em cerca de 10% a sensibilidade diagnóstica de um grupo de radiologistas.

O desafio de ensinar uma máquina a enxergar doenças

A inteligência artificial já vem sendo utilizada em diferentes áreas da medicina. Na radiologia, existem algoritmos treinados para reconhecer cânceres, nódulos, fraturas e outras alterações.

O problema é que grande parte desses sistemas funciona como um especialista extremamente limitado: aprende a responder a uma pergunta específica. “Existe determinado tumor nesta imagem?” “Há ou não determinada alteração?”

Esse tipo de IA pode apresentar excelente desempenho, mas exige grande quantidade de imagens previamente classificadas por especialistas. Produzir essas marcações custa tempo e dinheiro e dificulta a criação de sistemas capazes de lidar com a diversidade encontrada na rotina de um hospital.

O abdômen torna esse desafio ainda maior. Diferentemente de uma imagem relativamente simples, uma tomografia abdominal representa um volume tridimensional que contém muitos órgãos. Além disso, diferentes doenças podem produzir alterações pequenas e pouco contrastantes em relação aos tecidos saudáveis. Os pesquisadores decidiram enfrentar o problema de outra maneira.

Em vez de ensinar individualmente ao computador cada doença, fizeram com que ele aprendesse relacionando as imagens das tomografias com aquilo que os radiologistas haviam escrito sobre elas. É uma estratégia semelhante, em princípio, ao modo pelo qual os modernos sistemas de inteligência artificial relacionam imagens e linguagem.

Mais de 400 mil tomografias para aprender medicina

Para treinar o RADAR, os pesquisadores reuniram um enorme conjunto de informações clínicas: 424.911 exames de tomografia abdominal, realizados durante mais de uma década. A partir deles foram obtidos aproximadamente 1,5 milhão de pares envolvendo volumes de imagens e textos, que, depois de decompostos por regiões anatômicas, produziram mais de 15 milhões de pares imagem-texto utilizados no treinamento. Mas havia um problema.

Um relatório médico pode dizer, por exemplo, que o fígado apresenta determinada alteração, enquanto o pâncreas e os rins estão normais. Para aprender corretamente, a máquina precisa compreender qual trecho do texto corresponde a qual região da imagem. Foi aí que surgiu uma das principais características do RADAR.

O sistema divide o exame em unidades anatômicas. Ele localiza diferentes estruturas e relaciona as características visuais de cada uma delas às descrições encontradas nos relatórios médicos. Assim, em vez de simplesmente aprender que determinado texto pertence a determinada tomografia, passa a estabelecer associações muito mais específicas entre órgão, imagem e descrição clínica.

É como se alguém estudasse anatomia não apenas olhando o corpo inteiro, mas separando fígado, rim, pâncreas e intestino e aprendendo quais alterações podem ocorrer em cada estrutura. Centenas de milhares de exames alimentam o sistema, as imagens são divididas segundo a anatomia e depois relacionadas aos textos dos respectivos relatórios. O resultado é uma ferramenta capaz de responder a diferentes perguntas diagnósticas sem precisar ser novamente treinada para cada uma delas.

E a máquina acertou?

Os pesquisadores inicialmente testaram o sistema em 39.160 exames consecutivos, diferentes daqueles utilizados no treinamento. O desempenho foi medido por uma estatística chamada AUC, bastante utilizada para avaliar testes diagnósticos. De maneira simplificada, quanto mais o valor se aproxima de 1, maior é a capacidade do método de distinguir casos positivos de negativos.

O RADAR alcançou AUC média de 0,913 considerando 146 achados clínicos. O desempenho permaneceu elevado em diferentes órgãos e sistemas, incluindo estruturas dos aparelhos digestório, urinário, respiratório e circulatório. Mas existe um obstáculo importante quando falamos de inteligência artificial médica: um algoritmo pode funcionar muito bem no hospital onde foi desenvolvido e perder desempenho quando levado para outro lugar.

Os pesquisadores, portanto, colocaram o RADAR diante de um desafio mais próximo da vida real. Foram utilizados 24.239 exames provenientes de oito centros externos, envolvendo diferentes populações, equipamentos e protocolos de aquisição das imagens. Mesmo nessas condições, a AUC média permaneceu em 0,895.

Cânceres colocaram a IA diante de uma prova ainda mais difícil

Outra pergunta era particularmente importante: o sistema havia aprendido utilizando relatórios produzidos por radiologistas. O que aconteceria quando seus resultados fossem comparados com diagnósticos confirmados por exames anatomopatológicos? Para investigar isso, os cientistas utilizaram outros 4.333 casos, envolvendo câncer colorretal, câncer pancreático, câncer gástrico e carcinoma hepatocelular, além de controles. O desempenho permaneceu elevado. Dependendo do tumor e do centro avaliado, as AUCs ficaram entre 0,891 e 0,984.

Os pesquisadores ainda avaliaram a capacidade de generalização em uma população diferente daquela predominante no treinamento, utilizando 5.137 tomografias de um conjunto de dados do Stanford Hospital, nos Estados Unidos. O RADAR também manteve desempenho elevado nessa avaliação, embora os próprios autores reconheçam que testes envolvendo populações ainda mais diversas continuam necessários.

O teste mais interessante: médicos trabalhando com a IA

Talvez a parte mais relevante do experimento tenha ocorrido quando os pesquisadores deixaram de perguntar simplesmente se “a IA é boa em diagnosticar?” e passaram para uma questão muito mais próxima da prática médica: “O médico trabalha melhor quando recebe ajuda da IA?” Para responder, foram recrutados 26 radiologistas de 14 instituições, com diferentes níveis de experiência. Eles analisaram tomografias de 300 pacientes contendo 61 tipos de achados radiológicos.

Primeiro, os profissionais interpretaram os exames normalmente. Depois de um intervalo de pelo menos um mês, analisaram novamente os casos, apresentados em outra ordem, mas dessa vez contando com o auxílio do RADAR. O resultado foi expressivo. Com a assistência da inteligência artificial, a sensibilidade diagnóstica aumentou 10%. Em outras palavras, os médicos passaram a identificar uma proporção maior das alterações presentes. A especificidade sofreu pequena redução, de 98,8% para 98,2%. Ao mesmo tempo, o tempo de leitura dos exames caiu 30,7%.

Quando foram analisados apenas os tumores malignos, a sensibilidade dos médicos aumentou 7,3%. Nas doenças relacionadas a situações de emergência, o ganho foi de 8,5%, e nas alterações de órgãos ocos, como segmentos do trato gastrointestinal, chegou a 9,4%. Isso sugere uma mudança importante na discussão sobre inteligência artificial e medicina. Talvez a pergunta mais produtiva não seja “a máquina substituirá o médico?”, mas “o que acontece quando médico e máquina trabalham juntos?”

Uma IA que também mostra onde está olhando

Existe ainda outro problema conhecido nos sistemas de inteligência artificial: muitas vezes eles apresentam uma resposta sem explicar adequadamente como chegaram até ela. Na medicina isso é especialmente delicado. O RADAR procura reduzir esse problema produzindo mapas de atenção, que destacam na tomografia as regiões que mais contribuíram para determinada sugestão diagnóstica. O radiologista pode, portanto, verificar onde o sistema encontrou algo suspeito e decidir se aquela indicação faz sentido.

Alterações que haviam passado despercebidas durante a primeira avaliação dos médicos aparecem posteriormente destacadas pelos mapas fornecidos pelo sistema, incluindo casos de câncer de bexiga, vesícula e estômago. A decisão, entretanto, continua sendo humana. A IA aponta. O especialista verifica.

Ainda não é hora de entregar o diagnóstico às máquinas

Apesar dos resultados impressionantes, o próprio artigo chama atenção para limitações importantes. A maior parte do treinamento foi realizada a partir de relatórios radiológicos, e não de diagnósticos confirmados pelo exame anatomopatológico, considerado referência para várias doenças. A validação anatomopatológica ocorreu apenas para um subconjunto de condições.

Além disso, embora o RADAR tenha sido testado externamente e inclusive em uma população diferente, os autores reconhecem que a validação entre populações ainda não é suficientemente abrangente. Novos estudos serão necessários em diferentes países, sistemas de saúde e grupos populacionais. Essas limitações são fundamentais. Um excelente resultado experimental não significa automaticamente que uma tecnologia esteja pronta para funcionar de maneira autônoma em qualquer hospital. Mas o estudo aponta para uma direção particularmente interessante.

O futuro pode ser do médico aumentado pela inteligência artificial

A radiologia enfrenta uma contradição. A medicina produz uma quantidade cada vez maior de imagens e exames mais complexos, enquanto a disponibilidade de profissionais especializados permanece desigual. Os próprios autores destacam que serviços de radiologia de alta qualidade se concentram principalmente em centros urbanos e acadêmicos, deixando muitas regiões com acesso limitado à interpretação especializada.

Nesse cenário, sistemas como o RADAR podem adquirir uma função diferente daquela imaginada pelas previsões mais dramáticas sobre inteligência artificial. Em vez de um “radiologista artificial”, podemos estar caminhando para uma espécie de copiloto digital.

Ele não se cansa depois de examinar dezenas de pacientes. Pode chamar atenção para uma pequena alteração. Pode sugerir que determinada região seja examinada novamente. Pode ajudar um profissional menos experiente e talvez reduzir desigualdades entre grandes centros médicos e hospitais com menor disponibilidade de especialistas.

O dado mais interessante do estudo talvez seja justamente este: 26 radiologistas não foram retirados da experiência. Eles foram colocados ao lado da inteligência artificial — e passaram a detectar mais alterações em menos tempo. A medicina do futuro, portanto, talvez não precise escolher entre seres humanos e máquinas.

O caminho sugerido pelo RADAR é outro: utilizar a capacidade computacional da inteligência artificial para ampliar aquilo que continua sendo essencialmente humano — interpretar informações, avaliar incertezas e tomar decisões responsáveis sobre a saúde de outra pessoa.

Até o nosso próximo encontro…

cidadeverde