Uso de Inteligência Artificial para interpretação de tomografias e raio x: comment crítica
DOI:
https://doi.org/10.34117/bjdv10n9-051Keywords:
Inteligência Artificial, interpretação médica, tomografia, raios-x, diagnóstico assistidoAbstract
Este estudo tem como objetivo realizar uma análise crítica sobre o uso da inteligência artificial na interpretação de tomografias e raios-X, avaliando suas potencialidades, limitações e desafios enfrentados na prática clínica. N Método: Foi realizada uma revisão da literatura para identificar estudos relevantes que investigam o uso de IA em imagens médicas. Foram considerados aspectos como algoritmos utilizados, conjuntos de dados, desempenho comparado com diagnóstico humano e aplicabilidade clínica. Além disso, foram analisadas as questões éticas, regulatórias e de segurança associadas ao uso da IA nesse contexto. Resultados: Os resultados destacam avanços significativos no desenvolvimento de algoritmos de IA para interpretação de imagens médicas, com desempenho comparável ou até superior ao diagnóstico humano em algumas condições. No entanto, ainda existem desafios importantes a serem superados, como a interpretação de casos complexos, a necessidade de conjuntos de dados representativos e diversificados, além de questões éticas relacionadas à responsabilidade e transparência dos algoritmos. Considerações Finais: O uso da inteligência artificial na interpretação de tomografias e raios-X apresenta um grande potencial para melhorar a precisão e eficiência do diagnóstico médico. No entanto, é fundamental abordar questões relacionadas à validação clínica, regulamentação e ética para garantir sua integração segura e eficaz na prática clínica.
References
DOO, F. X., Vosshenrich, J., Cook, T. S., Moy, L., Almeida, E. P. R. P., Woolen, S. A., Gichoya, J. W., Heye, T., & Hanneman, K. (2024). Environmental Sustainability and AI in Radiology: A Double-Edged Sword. Radiology, 310(2), e232030–e232030. https://doi.org/10.1148/RADIOL.232030
DWIVEDI, K., Sharkey, M., Delaney, L., Alabed, S., Rajaram, S., Hill, C., Johns, C., Rothman, A., Mamalakis, M., Thompson, A. A. R., Wild, J., Condliffe, R., Kiely, D. G., & Swift, A. J. (2024). Improving Prognostication in Pulmonary Hypertension Using AI-quantified Fibrosis and Radiologic Severity Scoring at Baseline CT. Radiology, 310(2), e231718–e231718. https://doi.org/10.1148/RADIOL.231718
KIM, K., Cho, K., Jang, R., Kyung, S., Lee, S., Ham, S., Choi, E., Hong, G. S., & Kim, N. (2024). Updated Primer on Generative Artificial Intelligence and Large Language Models in Medical Imaging for Medical Professionals. Korean J Radiol, 25(3), 224–242. https://doi.org/10.3348/KJR.2023.0818
PEPE, P., Fandella, A., Barbera, M., Martino, P., Merolla, F., Caputo, A., & Fraggetta, F. (2024). Advances in radiology and pathology of prostate cancer: a review for the pathologist. Pathologica, 1–12. https://doi.org/10.32074/1591-951X-925
SITEK, A. (2024). Artificial Intelligence in Radiology: Bridging Global Health Care Gaps through Innovation and Inclusion. Radiol Artif Intell, 6(2), e240093–e240093. https://doi.org/10.1148/RYAI.240093
ZHANG, L., Liu, Z., Zhang, L., Wu, Z., Yu, X., Holmes, J., Feng, H., Dai, H., Li, X., Li, Q., Wong, W. W., Vora, S. A., Zhu, D., Liu, T., & Liu, W. (2024). Technical note: Generalizable and promptable artificial intelligence model to augment clinical delineation in radiation oncology. Med Phys, 2187–2199. https://doi.org/10.1002/MP.16965
