140 Estudos em 5 Anos: O Panorama Completo da IA Diagnóstica em Radiologia
A maior triagem sistemática sobre IA em radiologia analisou 8.013 artigos e incluiu 140 estudos. Quarenta publicados apenas em 2024-2025. Quase metade dos radiologistas europeus já usa IA na rotina. Mas a necessidade de supervisão humana permanece inegociável.
Por Natan, Fundador
Em maio de 2025, o eClinicalMedicine (publicado via PMC) apresentou o que pode ser considerado o mapeamento mais abrangente da literatura sobre IA diagnóstica em radiologia realizado até o momento. Os pesquisadores triaram 8.013 artigos, aplicaram critérios rigorosos de inclusão e exclusão, e chegaram a 140 estudos que atenderam aos padrões metodológicos para análise.
O estudo é complementado por uma revisão do MDPI Technologies (fevereiro de 2026) que adiciona contexto sobre a adoção prática de IA por radiologistas europeus e o papel emergente dos LLMs na simplificação de laudos. Juntos, esses trabalhos oferecem o panorama mais completo disponível sobre onde estamos e para onde vamos na interseção entre IA e radiologia diagnóstica.
Dimensão da revisão (eClinicalMedicine/PMC 2025)
A Curva de Aceleração: De Gotejamento a Torrente
Um dos achados mais reveladores da revisão é a distribuição temporal dos estudos. Dos 140 incluídos, 40 foram publicados apenas em 2024 e 2025 — representando quase 30% do total em apenas dois dos cinco anos analisados. Essa aceleração não é linear; é exponencial.
Nos primeiros anos do período analisado (2020-2021), a produção era dominada por estudos de prova de conceito, muitos com amostras pequenas e metodologias inconsistentes. A partir de 2023, observa-se uma mudança qualitativa: estudos multicêntricos, validações externas, comparações head-to-head com radiologistas e, finalmente, ensaios prospectivos começam a emergir com frequência significativa.
"A radiologia não está entrando na era da IA. Já está nela. A questão não é mais 'se' a IA será integrada à prática radiológica, mas 'como' essa integração será feita de forma segura, equitativa e centrada no paciente."
Quase Metade dos Radiologistas Europeus Já Usa IA
Um dado complementar do MDPI Technologies (fevereiro de 2026) contextualiza a adoção prática: quase metade dos radiologistas europeus reporta utilizar alguma forma de IA na prática clínica rotineira, comparado com aproximadamente 20% há cinco anos.
Essa taxa de adoção, porém, esconde disparidades significativas. Centros acadêmicos e hospitais universitários lideram, enquanto clínicas de menor porte e centros em regiões periféricas ainda têm adoção mínima. A barreira, frequentemente, não é técnica — é econômica e organizacional.
Adoção de IA entre radiologistas europeus
O Que os 140 Estudos Mostram Por Modalidade
A revisão do eClinicalMedicine estratificou os resultados por modalidade de imagem, revelando diferenças significativas de maturidade entre os domínios.
Radiografia de tórax
A modalidade mais estudada, com maior número de validações multicêntricas. IA demonstra sensibilidade comparável ou superior a radiologistas generalistas para detecção de pneumotórax, nódulos e consolidações. Performance se aproxima de subespecialistas em cenários controlados, mas gap persiste em casos complexos com múltiplas patologias simultâneas.
Tomografia computadorizada
Forte evidência para detecção de hemorragia intracraniana (AUC >0.95 em múltiplos estudos) e nódulos pulmonares. Achados incidentais — especialmente fraturas vertebrais e estenose coronária — mostram o maior impacto relativo: IA detecta achados que radiologistas frequentemente ignoram em leitura de rotina focada em outra indicação.
Mamografia
Evidência crescente, mas controversa. Estudos prospectivos como o MASAI mostram aumento de detecção, porém com aumento concomitante de recall. Dados de longo prazo sobre mortalidade e câncer de intervalo ainda são insuficientes para conclusões definitivas.
Ressonância magnética
Menor volume de estudos, com foco em neuroimagem (lesões de substância branca, volumetria hipocampal) e próstata (PI-RADS assistido por IA). Resultados promissores, mas a complexidade das sequências e a variabilidade inter-scanner representam desafios significativos para generalização.
Musculoesquelético
Um dos domínios com maior maturidade prática. Detecção de fraturas em extremidades com múltiplos produtos FDA-cleared. Performance robusta em estudos de mundo real. A subespecialidade mais próxima da integração rotineira de IA no workflow clínico.
LLMs Para Simplificação: >94% de Acurácia
Um capítulo à parte na revisão é dedicado ao papel emergente dos Large Language Models na radiologia. A convergência de dados do eClinicalMedicine com os estudos do JMIR Medical Informatics documenta que LLMs alcançam acurácia superior a 94% na tarefa de simplificação de laudos radiológicos para comunicação com pacientes.
Essa aplicação específica representa, possivelmente, o primeiro caso de uso de LLMs em radiologia com evidência suficiente para implementação clínica supervisionada. A simplificação de laudos não envolve decisão diagnóstica — é uma tarefa de tradução linguística com preservação de conteúdo clínico — o que minimiza o risco de alucinações com consequências adversas.
A ressalva que não pode ser ignorada
Mesmo com >94% de acurácia, os 6% de erros restantes podem incluir omissões de achados relevantes ou adição de informações incorretas. Em comunicação com pacientes, um achado omitido pode gerar falsa tranquilidade, e um achado fabricado pode causar pânico desnecessário. Supervisão humana permanece indispensável.
O Padrão Que Emerge: IA Como Amplificador, Não Substituto
Ao analisar os 140 estudos em conjunto, um padrão inequívoco emerge: a IA em radiologia funciona melhor como amplificador das capacidades do radiologista, não como substituto. Os melhores resultados são observados em cenários onde a IA aumenta a sensibilidade do radiologista (especialmente para achados sutis e incidentais), acelera o workflow (triagem e priorização) e padroniza a qualidade (estruturação e vocabulário).
"Os 140 estudos contam uma história clara: a IA não torna o radiologista dispensável. Torna o radiologista que usa IA indispensável."
Os cenários onde a IA falha ou apresenta riscos seguem um padrão igualmente consistente: ausência de supervisão humana, uso em tarefas para as quais não foi validada, e implantação sem monitoramento contínuo de performance. Em todos esses casos, o problema não é a tecnologia — é a implementação.
Cinco Lições Para 2026 e Além
A síntese destes 140 estudos, complementada pelos dados de adoção europeia, permite extrair cinco lições fundamentais para radiologistas e gestores de serviços de imagem:
1A evidência amadureceu, mas não está completa
Saímos da era das provas de conceito para a era das validações multicêntricas. Mas ensaios prospectivos randomizados com desfechos clínicos (não apenas métricas de performance) ainda são minoria. Exija evidência de nível adequado antes de adotar.
2Workflow supera detecção como prioridade
O maior impacto imediato da IA não está em detectar mais patologias. Está em tornar o workflow do radiologista mais eficiente, menos propenso a erros e mais padronizado. Ferramentas de produtividade devem ser priorizadas.
3Supervisão humana é inegociável
Nenhum dos 140 estudos demonstrou que IA pode operar autonomamente em diagnóstico radiológico com segurança equivalente a um radiologista supervisionando. O princípio humano-no-loop é sustentado pela evidência, não apenas pela regulação.
4Validação local é essencial
Performance reportada em papers internacionais não transfere automaticamente para a sua população, o seu equipamento e o seu workflow. Cada serviço deve validar algoritmos localmente antes de integrar à rotina.
5LLMs são aliados reais para produtividade
Para tarefas estruturadas como simplificação de laudos, padronização e documentação, LLMs já demonstram performance suficiente para uso clínico supervisionado. O futuro do laudo radiológico passa necessariamente pela assistência de modelos de linguagem especializados.
O Momento da Radiologia Brasileira
O Brasil enfrenta um momento de decisão. Com uma das maiores redes de telerradiologia da América Latina, volume crescente de exames e escassez de especialistas, a adoção inteligente de IA não é luxo — é necessidade. Mas a palavra-chave é “inteligente”.
Os 140 estudos analisados nesta revisão demonstram que a IA pode ser um aliado poderoso. Mas também demonstram que adoção sem critério, sem validação local e sem supervisão humana é receita para problemas. A radiologia brasileira tem a oportunidade de aprender com as experiências internacionais e implementar IA de forma responsável desde o início — em vez de corrigir erros depois.
"A história da IA em radiologia será escrita por radiologistas que entendem tanto a tecnologia quanto suas limitações. Não por entusiastas acríticos nem por céticos imóveis. Por profissionais que exigem evidência e abraçam a inovação quando ela é sustentada por dados."
Referências
- 1. Lawrence R, et al. Artificial intelligence for diagnostics in radiology practice: a rapid systematic scoping review. eClinicalMedicine. 2025;83:103228. DOI: 10.1016/j.eclinm.2025.103228
- 2. Koçak B, et al. Bias in artificial intelligence for medical imaging: fundamentals, detection, avoidance, mitigation, challenges, ethics, and prospects. Diagn Interv Radiol. 2025;31(2):75-88. DOI: 10.4274/dir.2024.242854
- 3. Al Zaabi A, et al. Trends and Trajectories in the Rise of Large Language Models in Radiology: Scoping Review. JMIR Med Inform. 2025;13:e78041. DOI: 10.2196/78041
- 4. Muehlematter UJ, et al. Approval of artificial intelligence and machine learning-based medical devices in the USA and Europe (2015–20). Lancet Digital Health. 2021;3:e195-e203. DOI: 10.1016/S2589-7500(20)30292-2
A plataforma que a radiologia brasileira precisa
O LAUDOS.Ai nasceu da evidência científica e da compreensão das necessidades reais do radiologista brasileiro. Ditado contextual, estruturação inteligente e comunicação de achados críticos — tudo em uma plataforma integrada, sob seu controle total.
Conheça o LAUDOS.Ai