Artificial Intelligence and veterinary radiology: a look at the techno-diversity and the impact of new technologies for Brazilian radiologists
DOI:
https://doi.org/10.34188/bjaerv9n3-129Palavras-chave:
radiology, impacts, artificial intelligence, veterinaryResumo
The integration of artificial intelligence (AI) in veterinary radiology prompts a profound reflection on techno diversity. This concept highlights the plurality of technologies and their inherent interactions with professional practice, demonstrating how the introduction of these tools changes the operational workflow. This paper aims to provide a reflection that allows the reader to consider the potential impacts of introducing this technology on Brazilian radiologists. The authors use Yuk Hui’s concept of technodiversity as a reference framework for this analysis, as the implementation of AI must account for the sociopolitical, cultural, and economic particularities of each country, adapting to the professional realities of each region. Thus, this article adopts an interdisciplinary approach, combining machine learning concepts with philosophical theories of technology, while emphasizing the potential impacts and ethical implications arising from the introduction of AI in veterinary radiology
Referências
ANDERSON, A.; ANDERSON, S. L. How should AI be developed, validated, and implemented in patient care. AMA Journal of Ethics, v. 21, n. 2, p. 125-130, 2019.
APPLEBY, R. B.; DIFAZIO, M.; CASSEL, N. et al. American College of Veterinary Radiology and European College of Veterinary Diagnostic Imaging position statement on artificial intelligence. Journal of the American Veterinary Medical Association, 2025. DOI: https://doi.org/10.2460/javma.25.01.0027. Acesso em: 4 abr. 2025.
BOISSADY, E.; COMBLE, A. L.; ZHU, X. et al. Artificial intelligence evaluating primary thoracic lesions has an overall lower error rate compared to veterinarians or veterinarians in conjunction with the artificial intelligence. Veterinary Radiology & Ultrasound, v. 61, p. 619-627, 2020. DOI: https://doi.org/10.1111/vru.12912. Acesso em: 4 abr. 2025.
BURTI, S.; OSTI, V. L.; ZOTTI, A. et al. Use of deep learning to detect cardiomegaly on thoracic radiographs in dogs. The Veterinary Journal, v. 262, e105505, 2020. DOI: https://doi.org/10.1016/j.tvjl.2020.105505. Acesso em: 19 abr. 2025.
CHARTRAND, G.; CHENG, P. M.; VORONTSOV, E. et al. Deep learning: a primer for radiologists. Radiographics, v. 37, n. 7, p. 2113-2131, 2017. DOI: https://doi.org/10.1148/rg.2017170077. Acesso em: 19 abr. 2025.
CHATGPT. GPT-4.1-mini. Disponível em: https://poe.com/. Acesso em: 6 jan. 2025.
COHEN, E. B.; GORDON, I. K. First, do no harm: ethical and legal issues of artificial intelligence and machine learning in veterinary radiology and radiation oncology. Veterinary Radiology & Ultrasound, v. 63, n. 1, p. 840-850, 2022. DOI: https://doi.org/10.1111/vru.13171. Acesso em: 19 abr. 2025.
CONTI, L. et al. Consequences and mitigation of cognitive bias in the radiological interpretation of breast cancer imaging using artificial intelligence. [Preprint]. 2025. Disponível em: https://doi.org/10.2196/preprints.78955. Acesso em: 4 ago. 2026.
DIAS, H. L. M. Ensino médico-veterinário: percepção sobre o ensino de diagnóstico por imagem entre discentes e egressos de São Luís do Maranhão. 2024. Tese (Doutorado) – Universidade Federal do Maranhão, São Luís, 2024. Disponível em: [URL do repositório]. Acesso em: 4 ago. 2026.
FLORENCE, X. D.; GERALDINE, B. M. Building diversity, equity, and inclusion within radiology artificial intelligence: representation matters, from data to the workforce. Journal of the American College of Radiology, v. 20, n. 9, p. 852-856, 2023. DOI: https://doi.org/10.1016/j.jacr.2023.06.014. Acesso em: 19 abr. 2025.
GOMES, N. A. L.; FARIAS, A.; MOTA, L. M.; HUPALO, A. M.; BARROS, C. T.; FEITOSA, D. M.; CARVALHO, G. F. N.; SOUSA, M. C.; LAMARCHE, L. A. R. Aplicações da inteligência artificial na otimização da anestesia veterinária e humana: avanços, segurança e desafios éticos. Brazilian Journal of Animal and Environmental Research, v. 8, n. 4, e83073, 2025. DOI: https://doi.org/10.34188/bjaerv8n4-043. Acesso em: 9 ago. 2026.
HANDELMAN, G. S.; KOK, H. K.; CHANDRA, R. V. et al. eDoctor: machine learning and the future of medicine. Journal of Internal Medicine, v. 284, n. 6, p. 603-619, 2018. DOI: https://doi.org/10.1111/joim.12822. Acesso em: 23 jan. 2026.
HE, C.; LIU, W.; XU, J.; HUANG, Y.; DONG, Z.; WU, Y.; KHARRAZI, H. Efficiency, accuracy, and health professional's perspectives regarding artificial intelligence in radiology practice: a scoping review. iRadiology, v. 2, n. 2, p. 156-172, 2024. DOI: https://doi.org/10.1002/ird3.63. Acesso em: 4 ago. 2026.
HEIDEGGER, M. A. Questão da técnica. Scientiae Studia, v. 5, n. 3, 2007. DOI: https://doi.org/10.1590/S1678-31662007000300006. Acesso em: 19 abr. 2025.
HENNESSEY, E.; DIFAZIO, M. R.; HENNESSEY, R.; CASSEL, N. Artificial intelligence in veterinary diagnostic imaging: a literature review. Veterinary Radiology & Ultrasound, v. 63, supl. 1, p. 851-870, 2022. DOI: https://doi.org/10.1111/vru.13163. Acesso em: 4 ago. 2026.
HESPEL, A. M.; ZHANG, S.; BASRAN, P. S. Artificial intelligence 101 for veterinary diagnostic imaging. Veterinary Radiology & Ultrasound, v. 63, supl. 1, p. 830-839, 2022. DOI: https://doi.org/10.1111/vru.13160. Acesso em: 4 ago. 2026.
HUI, Y. Tecnodiversidade. São Paulo: Editora UBU, 2020.
HUI, Y. On the limit of artificial intelligence. Philosophy Today, v. 65, n. 2, p. 339-357, 2021. DOI: https://doi.org/10.5840/philtoday202149392. Acesso em: 19 abr. 2025.
JAWORSKI, L. T. B. N.; RESTANI, G. M.; OLIVEIRA, L. F. et al. Evaluation of the effectiveness of two neural networks (ResNet50V2 and Inception V3) in identifying left atrial enlargement in adult dogs. Archives of Veterinary Science, v. 29, n. 3, 2024. DOI: https://doi.org/10.5380/avs.v29i3.95142. Acesso em: 19 abr. 2025.
JEONG, Y.; SUNG, J. An automated deep learning method and novel cardiac index to detect canine cardiomegaly from simple radiography. Scientific Reports, v. 12, p. 1-10, 2022. Disponível em: https://www.nature.com/articles/s41598-022-18822-4. Acesso em: 23 jan. 2025.
KOTTER, E. et al. Guiding AI in radiology: ESR's recommendations for effective implementation of the European AI Act. Insights into Imaging, v. 16, p. 16, 2025. DOI: https://doi.org/10.1186/s13244-025-01905-x. Acesso em: 4 ago. 2026.
LI, S.; WANG, Z.; VISSER, L. C. et al. Pilot study: application of artificial intelligence for detecting left atrial enlargement on canine thoracic radiographs. Veterinary Radiology & Ultrasound, v. 61, p. 611-618, 2020. DOI: https://doi.org/10.1111/vru.12901. Acesso em: 23 jan. 2025.
MÜLLER, T. R.; SOLANO, M.; TSUNEMI, M. H. Accuracy of artificial intelligence software for the detection of confirmed pleural effusion in thoracic radiographs in dogs. Veterinary Radiology & Ultrasound, v. 63, n. 5, p. 573-579, 2022. DOI: https://doi.org/10.1111/vru.13089. Acesso em: 23 jan. 2025.
NERI, E.; COPPOLA, F.; MIELE, V.; BIBBOLINO, C.; GRASSI, R. Artificial intelligence: who is responsible for the diagnosis? Radiologia Medica, v. 125, n. 6, p. 517-521, 2020. DOI: https://doi.org/10.1007/s11547-020-01135-9. Acesso em: 4 ago. 2026.
NERI, E.; AGHAKHANYAN, G.; ZERUNIAN, M. et al. Explainable AI in radiology: a white paper of the Italian Society of Medical and Interventional Radiology. Radiologia Medica, v. 128, n. 6, p. 755-764, 2023. DOI: https://doi.org/10.1007/s11547-023-01634-5. Acesso em: 4 ago. 2026.
SAADATI, S. A.; MA, J. Exploring the factors influencing AI integration in clinical diagnostic decision-making. Health Nexus, v. 3, n. 3, p. 1-9, 2025. DOI: https://doi.org/10.61838/kman.hn.3.3.12. Acesso em: 4 ago. 2026.
SALASTEKAR, N. V.; MAXFIELD, C.; HANNA, T. N. et al. Artificial intelligence/machine learning education in radiology: multi-institutional survey of radiology residents in the United States. Academic Radiology, v. 30, n. 7, p. 1481-1487, 2023. DOI: https://doi.org/10.1016/j.acra.2023.01.005. Acesso em: 23 jan. 2025.
SILVA, M. V. S.; ARRAIS, R. R.; SILVA, J. V. S. et al. EXplainable artificial intelligence on medical images: a survey. arXiv, 2023. DOI: https://doi.org/10.48550/arXiv.2305.07511. Acesso em: 23 jan. 2026.
PAIVA, O. A.; PREVEDELLO, L. M. O potencial impacto da inteligência artificial na radiologia. Radiologia Brasileira, v. 50, n. 5, 2017. DOI: https://doi.org/10.1590/0100-3984.2017.50.5e1. Acesso em: 23 jan. 2025.
PEREIRA, A. I.; FRANCO-GONÇALO, P.; LEITE, P. et al. Artificial intelligence in veterinary imaging: an overview. Veterinary Sciences, v. 10, n. 5, p. 320, 2023. DOI: https://doi.org/10.3390/vetsci10050320. Acesso em: 23 jan. 2025.
RECHT, M. P. et al. Integrating artificial intelligence into the clinical practice of radiology: challenges and recommendations. European Radiology, v. 30, n. 6, p. 3576-3584, 2020. DOI: https://doi.org/10.1007/s00330-020-06672-5. Acesso em: 4 ago. 2026.
SHAFI, S.; PARWANI, A. V. Artificial intelligence in diagnostic pathology. Diagnostic Pathology, v. 18, p. 109, 2023. DOI: https://doi.org/10.1186/s13000-023-01375-z. Acesso em: 23 jan. 2025.
NAKAURA, T.; HIGAKI, T.; AWAI, K. et al. A primer for understanding radiology articles about machine learning and deep learning. Diagnostic and Interventional Imaging, v. 101, n. 12, p. 765-770, 2020. DOI: https://doi.org/10.1016/j.diii.2020.10.001. Acesso em: 23 jan. 2025.
VAN KOOTEN, M. J. et al. A framework to integrate artificial intelligence training into radiology residency programs: preparing the future radiologist. Insights into Imaging, v. 15, p. 15, 2024. DOI: https://doi.org/10.1186/s13244-023-01595-3. Acesso em: 4 ago. 2026.
WOUK, A. F.; MARTINS, C. M.; MONDADORI et al. Demografia da Medicina Veterinária do Brasil. São Paulo: Editora Guará, 2022. Disponível em: https://www.crmv-pr.org.br/uploads/noticia/arquivos/Obra-Demografia-M.V.pdf. Acesso em: 23 jan. 2025.
YOON, Y.; HWANG, T.; LEE, H. Prediction of radiographic abnormalities by the use of bag-of-features and convolutional neural networks. The Veterinary Journal, v. 237, p. 43-48, 2018. DOI: https://doi.org/10.1016/j.tvjl.2018.05.009. Acesso em: 23 jan. 2025.
ZHANG, M.; ZHANG, K.; YU, D. et al. Computer-assisted evaluation system for canine cardiomegaly via key points detection with deep learning. Preventive Veterinary Medicine, v. 193, e105399, 2021. DOI: https://doi.org/10.1016/j.prevetmed.2021.105399. Acesso em: 19 abr. 2025.
ACCREDITED veterinary colleges. [S. l.]: American Veterinary Medical Association, [s. d.]. Disponível em: https://www.avma.org/education/center-for-veterinary-accreditation/accredited-veterinary-colleges. Acesso em: 23 jan. 2025.
COORDENAÇÃO DE APERFEIÇOAMENTO DE PESSOAL DE NÍVEL SUPERIOR (CAPES). Relatório de avaliação quadrienal – Área de Medicina Veterinária. Brasília, DF: Ministério da Educação, 2024. Disponível em: https://www.gov.br/capes/. Acesso em: 4 ago. 2026.
CFMV solicita suspensão de novos cursos de medicina veterinária. [S. l.]: Conselho Regional de Medicina Veterinária, [s. d.]. Disponível em: https://www.crmv-ce.org.br/noticias/100240-cfmv-solicita-ao-mec-a-suspensao-de-novos-cursos-de-medicina-veterinaria.html. Acesso em: 23 jan. 2025.
DIAGNOSTIC imaging residency programs. [S. l.]: American College of Veterinary Radiology, [s. d.]. Disponível em: https://acvr.org/veterinary-professionals/residents/radiology-residency-programs/. Acesso em: 23 jan. 2025.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
- O conteúdo dos artigos é de responsabilidade exclusiva dos autores.
- É permitida a reprodução total ou parcial do conteúdo dos artigos, desde que citada a fonte.
- Artigos com plágio serão recusados, e o autor do plágio perderá o direito de publicar nesta revista.
- Os nomes e endereços informados nesta revista serão utilizados exclusivamente para os serviços prestados por esta publicação e não estão disponíveis para outros fins ou a terceiros.
- Depois de enviar os artigos, os autores cedem os direitos autorais de seus artigos ao BJAER. Se você se arrepender da submissão, o autor tem o direito de solicitar ao BJAER que não publique seu artigo. Porém, essa solicitação deve ocorrer até dois meses antes da divulgação do número que o artigo será publicado.
- O BJAER usa a licença Creative Commons CC BY. Informações sobre esta licença podem ser encontradas em: https://creativecommons.org/licenses/by/3.0/br/
Brazilian Journal of Animal and Environmental Research (BJAER) se reserva o direito de efetuar nos originais alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores. Os trabalhos finais não serão enviadas aos autores.
