Um nódulo no pulmão, uma densidade suspeita na mamografia, uma mancha na ressonância cerebral. Para muitos doentes, a imagem médica é o ponto de viragem: o momento em que a suspeita se transforma em diagnóstico. É compreensível, portanto, que o simples gesto de receber um exame analisado por Inteligência Artificial (IA) possa gerar inquietação. Afinal, quem está realmente a ver as imagens? E será que um algoritmo sabe distinguir um tumor de uma sombra inofensiva?
Na prática mundial, vemos a tendência de mais e mais exames médicos serem lidos com o apoio de sistemas baseados em IA. Existem vários exemplos de prática privada, por exemplo, mamografias são automaticamente triadas por algoritmos antes de chegarem ao radiologista. Em hospitais públicos sobrecarregados, algoritmos ajudam a priorizar exames com observações potencialmente graves, para que sejam analisados mais rapidamente. Mas esta presença silenciosa levanta dúvidas legítimas: é seguro? É fiável? E, acima de tudo, é compreensível?
Para começar, é importante esclarecer: a Inteligência Artificial em imagiologia não funciona sozinha. O cenário de “exames sem médico” ainda está longe de ser a norma. A maioria dos sistemas em utilização são modelos de apoio à decisão, ou seja, não substituem o especialista, mas funcionam como uma segunda opinião automatizada. Estes algoritmos são treinados em milhões de imagens médicas para identificar padrões típicos de patologias, como nódulos pulmonares, microcalcificações mamárias ou alterações degenerativas da coluna. Quando bem treinados e validados, estes sistemas conseguem alcançar níveis de precisão comparáveis aos de radiologistas experientes.
Mas “precisão” é um conceito técnico que merece ser desmistificado. Um algoritmo pode ser excelente a identificar um tipo específico de lesão (como uma pneumonia) mas falhar ao interpretar variações menos comuns (como um tumor atípico). Isto acontece porque os modelos aprendem com os dados que lhes são fornecidos, e se esses dados forem limitados ou não representativos, o sistema também será. É por isso que nem todos os algoritmos são iguais: alguns foram testados em centenas de doentes, outros em milhões; uns têm validação clínica robusta, outros foram apenas testados em laboratório. No final, a fiabilidade depende da qualidade dos dados e da supervisão clínica.
Por outro lado, a Inteligência Artificial é particularmente eficaz em tarefas repetitivas e objetivas. Contar nódulos, medir dimensões, ou calcular densidade óssea são áreas onde os algoritmos oferecem rapidez, consistência e poupança de tempo. E isto é positivo: liberta o médico para tarefas mais complexas, como interpretar resultados em contexto, explicar achados ao doente ou decidir se é necessário investigar mais.
Ainda assim, a preocupação persiste: e se o algoritmo se enganar? A verdade é que todos os sistemas, quer humanos ou artificiais, cometem (e irão cometer) erros. A diferença está na forma como estes erros são detetados e corrigidos. Os radiologistas, tal como os algoritmos, podem falhar um achado subtil ou interpretar mal uma imagem com artefactos. Mas enquanto o erro humano depende de atenção, cansaço e experiência, o erro algorítmico depende da forma como o modelo foi treinado. É por isso que a combinação de ambos, humano e máquina, tende a produzir melhores resultados do que qualquer um isolado. Estudos demonstram que, quando um algoritmo e um radiologista analisam o mesmo exame em conjunto, a taxa de erro diminui significativamente. Este é uma das máximas que mais defendo como docente, investigador e aluno: a AI é uma ferramenta, não um corpo substitutivo.
Um dos grandes desafios da IA médica é a chamada “caixa negra”: muitos sistemas baseados em redes neuronais profundas chegam a conclusões corretas sem conseguirem explicar claramente como chegaram lá. Isto pode gerar desconfiança. Se o algoritmo diz que há um tumor, mas não explica porquê, como podemos confiar? Para colmatar essa lacuna, estão a ser desenvolvidas ferramentas de explicabilidade algorítmica, como mapas de razão que destacam as zonas mais relevantes da imagem, ajudando o médico (e, eventualmente, o doente) a perceber o raciocínio do modelo.
No futuro, é provável que cada exame médico passe por um algoritmo antes de chegar ao médico. E isso não deve assustar-nos, desde que o processo seja transparente, validado e supervisionado por profissionais de saúde. O importante é lembrar que a decisão clínica continua a ser humana. A IA pode ver padrões, mas não vê pessoas. Só o médico vê os dois.
