A Inteligência Artificial em exames de imagem

A alta complexidade e o volume elevado de exames de imagem que precisam ser interpretados por profissionais da saúde podem afetar a agilidade do diagnóstico médico. Automatizar esse processo com Inteligência Artificial (IA) pode transformar radicalmente este cenário.

A IA está se tornando uma aliada poderosa da medicina — especialmente no diagnóstico por imagem, como em exames de raio-X, tomografia e ressonância. Um dos avanços mais promissores vem do uso de redes neurais, um tipo de IA que se basei no funcionamento do cérebro para “aprender” a reconhecer padrões.

Essas redes já são capazes de identificar automaticamente sinais de doenças em imagens médicas, como nódulos que podem indicar câncer. Combinando modelos modernos e conjuntos gigantes de imagens já analisadas por médicos, essas tecnologias conseguem aprender a distinguir objetos na imagem e até interpretar textos presentes nas imagens — como legendas ou marcações. No dia a dia, isso significa menos trabalho manual, diagnósticos mais rápidos e suporte inteligente aos profissionais da saúde.

Entre as ferramentas usadas estão:

• Modelos de IA que analisam imagens em segundos;
• Leitores de texto nas imagens (OCR – Optical Character Recognition, ou Reconhecimento Óptico de Caracteres) que reconhecem palavras como “ombro” ou “clavícula esquerda”;
• Arquitetura de rede neural profunda, que consegue aprender com milhares de exemplos; e
• Plataformas que processam grandes volumes de exames, tanto em servidores locais quanto em nuvem.

Essa combinação permite criar sistemas que classificam automaticamente exames médicos, agilizando a triagem, ajudando no diagnóstico precoce de doenças ou priorizando exames de emergências médicas.

Visando melhorar a detecção de informações relevantes em exames de imagens médicas, a precisão dos diagnósticos e a automatizar processos foi iniciada uma colaboração científica com o CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico) e o nosso time de telediagnóstico.

Neste projeto inovador foi desenvolvido um sistema completo que permite aplicar a IA, utilizando redes neurais convolucionais (CNNs), na identificação automática da parte do corpo e da lateralidade em imagens médicas no formato DICOM — formato padrão de imagens médicas amplamente usado em hospitais e clínicas.

Um pipeline Inteligente de IA, médica

Para a construção deste sistema adotou-se uma arquitetura baseada em microsserviços, o intuito é modularizar pequenas partes do sistema, facilitando a manutenção e a escalabilidade como um todo. Essa abordagem permitiu que diferentes componentes do sistema fossem desenvolvidos e implantados de forma independente, aumentando a agilidade e a resiliência. Para isso, combinamos:

• Uma arquitetura poderosa de deep learning para imagens, a VGG16;
• Um modelo desenvolvido para ler texto diretamente das imagens, o EasyOCR;
• Técnicas de pré-processamento de imagem com a biblioteca OpenCV;
• Um sistema robusto de microsserviços em Docker, pronto para escalar na nuvem.

Como funciona?

1. O sistema lê a imagem médica.
2. Converte e pré-processa a imagem para melhorar qualidade, rotacionar, normalizar o brilho e o contraste.
3. Identifica automaticamente:
   • Qual parte do corpo está presente na imagem (ex: mão, joelho, pé).
   • Se são imagens de uma ou duas partes.
   • A lateralidade (direita, esquerda ou, no caso de duas partes, se as partes são do mesmo lado ou opostas).
4. Os algoritmos combinam os resultados e enviam os dados diretamente para a abertura automatizada do pedido no sistema da Portal Telemedicina.

Os códigos foram desenvolvidos em linguagem Python utilizando bibliotecas específicas para aprendizado de máquina e IA, como PyTorch, TensorFlow e Keras. O sistema foi testado e validado utilizando métricas como acurácia, precisão, recall, F1-score e curvas ROC (Receiver Operating Characteristic Curve). Os testes com dados reais de diferentes equipamentos mostraram resultados robustos, mesmo com variações nas imagens.

Impacto

• Precisão de 97% na detecção da parte do corpo e da lateralidade.
• Tempo médio de análise: 3 segundos por imagem.
• Mais de 35 mil imagens DICOM
• Microsserviço pronto para rodar tanto localmente quanto em nuvem (Google Cloud), com uso otimizado de GPU.

Os modelos já conseguem identificar novas regiões como ombro, quadril, tornozelo e antebraço, com a mesma eficiência. O sistema está preparado para receber novos dados, ser atualizado constantemente e oferecer cada vez mais suporte à decisão clínica.

É muito importante ressaltar que este tipo de tecnologia não substitui o olhar clínico do especialista, mas agiliza o processo, reduz o retrabalho manual e oferece suporte inteligente ao diagnóstico médico, melhorando o desempenho na triagem da abertura de exames radiológicos. A automação da abertura de exames é mais do que um ganho de produtividade — é um avanço em precisão e cuidado com o paciente.

Agradecimentos

Agradecemos ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pelo apoio financeiro por meio da Chamada Recursos Humanos em Áreas Estratégicas (RHAE – SET-A e SET-B), que viabilizou o desenvolvimento deste projeto.