Por que os Modelos de IA não Resolvem os Principais Problemas da Radiologia

A maioria do trabalho de IA na radiologia hoje é centrada em modelos diagnósticos. O foco é em melhorar a precisão por meio do treinamento em mais dados e refinamento dos modelos. Essa abordagem trata a radiologia principalmente como uma tarefa de reconhecimento visual, onde uma melhor detecção é esperada para melhorar o sistema como um todo. À primeira vista, isso parece razoável: se a detecção melhora, a qualidade do diagnóstico também deve melhorar. Essa visão perde o principal problema.

O problema central na radiologia é como o diagnóstico em si é estruturado. Não é uma limitação do reconhecimento de padrões, mas de como o trabalho é organizado e as decisões são produzidas. E melhorar os modelos não resolve isso. Abaixo, vamos analisar por que isso acontece e o que é necessário além da precisão do modelo.

O Problema É Estrutural

Os modelos de CV ajudam a reconhecer padrões em imagens. Em estudos controlados, eles podem alcançar um desempenho comparável ao dos radiologistas, com AUC frequentemente acima de 0,90 e, em alguns ambientes de triagem, igualando ou excedendo o desempenho de especialistas. Em muitos domínios, a capacidade de detectar achados não é mais a principal limitação.

Ao mesmo tempo, eles funcionam apenas com dados de imagem. Eles destacam possíveis achados, mas não participam do processo diagnóstico em si. Eles não combinam diferentes entradas em um único diagnóstico ou orientam como as decisões são tomadas. Em muitos domínios, a capacidade de detectar achados não é mais a principal limitação. Eles são projetados para reconhecer padrões, não para participar do diagnóstico como um processo.

Na prática, isso significa que a estrutura não muda. Os radiologistas permanecem responsáveis por revisar os resultados e tomar decisões finais, e as saídas da IA frequentemente exigem verificação adicional. A responsabilidade permanece com o médico. O fluxo de trabalho não muda. O gargalo permanece. Cada estudo ainda é atribuído a um único radiologista que é esperado para revisar, interpretar, validar e relatar. Estudos mostram que o desempenho do clínico ainda depende fortemente de como os erros da IA são tratados, e saídas incorretas podem afetar negativamente a tomada de decisões.

Um modelo não pode revisar sua própria decisão. Se ele comete um erro, não há como reconsiderar o caso com contexto adicional. O resultado permanece fixo, enquanto a diagnose real exige ajuste contínuo. As saídas são estáticas, enquanto o raciocínio clínico é inerentemente iterativo.

Como resultado, os gargalos permanecem, a variabilidade persiste e o processo continua a depender de um único radiologista. À medida que os volumes de imagem crescem, um sistema construído em torno de um especialista por caso inevitavelmente atinge seus limites.

Uma Crise de Confiança

A IA na radiologia também levanta um problema de confiança.

Um radiologista não apenas questiona a saída de um modelo. Ele questiona o sistema por trás dele, especialmente quando a IA é apresentada como um substituto em vez de uma ferramenta que ele possa controlar. A confiança no modelo é instável. Médicos menos experientes podem confiar demais nele e perder erros. Os mais experientes, após um único erro, podem parar de usá-lo. Esses dois padrões — confiança excessiva e desengajamento — ambos introduzem novos riscos em vez de reduzi-los.

Após um erro, o modelo frequentemente sai do processo de tomada de decisão. Ele não é mais usado como uma ferramenta, mas simplesmente ignorado. Isso quebra a continuidade e limita seu valor prático. Na prática, isso leva a um uso inconsistente em vez de uma integração estável no fluxo de trabalho.

Isso reflete um conflito mais profundo com como a medicina funciona. Um radiologista não pode transferir a responsabilidade por um diagnóstico para um sistema. A responsabilidade clínica e legal permanece com o médico. Tratar a IA como um substituto vai contra a estrutura da prática médica.

Isso cria um conflito estrutural onde o modelo sugere, mas o médico deve verificar. O reconhecimento pode ser automatizado. A responsabilidade não pode. E enquanto a responsabilidade não pode ser transferida, cada saída do modelo deve ser verificada, limitando sua capacidade de reduzir a carga de trabalho.

A Ilusão de Eficiência

A IA não remove o trabalho do radiologista. Ela adiciona uma camada de controle. O médico ainda interpreta o estudo e também precisa verificar a saída do modelo. Isso cria um trabalho duplo em vez de economizar tempo. Em vez de eliminar o esforço, a IA frequentemente redistribui o esforço em etapas adicionais de validação e correção.

O sistema pode parecer mais rápido, mas na prática o tempo se desloca para verificações adicionais em vez de ser reduzido. Com o tempo, essa acumulação de ferramentas aumenta a sobrecarga operacional sem melhorar fundamentalmente como o diagnóstico é produzido.

A IA também introduz fragmentação. A maioria dos modelos é construída para uma tarefa estreita: uma região anatômica, modalidade ou patologia específica. Para atender às necessidades clínicas reais, uma clínica precisa usar vários modelos. Em vez de um sistema unificado, isso leva a um conjunto fragmentado de ferramentas.

Cada modelo traz sua própria interface, integração e requisitos de manutenção. Isso aumenta a complexidade do sistema e adiciona mais pontos de interação.

Como resultado, o sistema se torna mais difícil de gerenciar, enquanto o processo diagnóstico central permanece inalterado.

Limites de Escalabilidade da IA

Com cada nova versão de um modelo, a confiança precisa ser reconstruída. O fluxo de trabalho começa a se ajustar ao modelo, em vez de apoiar o médico. Isso desloca ainda mais o foco para longe de melhorar o sistema em si e em direção à adaptação a ferramentas individuais.

Isso é dificultado pelo foco estreito da maioria dos modelos. Cada um é projetado para uma tarefa ou região anatômica específica. Na prática, isso significa que uma clínica precisa de vários modelos ao mesmo tempo, cada um com suas próprias restrições, integrações e custos. O sistema se torna mais difícil de operar.

Ao mesmo tempo, fica claro onde a IA tem o maior impacto hoje. Não na interpretação de imagens, mas na melhoria do sistema ao seu redor — encaminhamento de estudos, gerenciamento de filas, atribuição de casos ao especialista certo e previsão da carga de trabalho. Essas áreas se beneficiam da coordenação em vez de previsão isolada.

O Que Aconteceu na Prática

Em nossa rede de clínicas, com mais de um milhão de estudos de MRI e CT realizados anualmente em mais de 40 clínicas em três países, implementamos vários modelos de IA, incluindo soluções aprovadas pela FDA. A configuração foi simples: o modelo analisava estudos de imagem, gerava um relatório e o radiologista revisava e confirmava. O resultado esperado era uma rotatividade mais rápida e menos erros.

Na prática, radiologistas experientes continuaram a interpretar cada estudo por conta própria antes de olhar para a saída do modelo. Trabalhar com texto gerado frequentemente exigia mais esforço do que escrever do zero, pois não correspondia ao seu estilo de relatório. O processo não se acelerou e, em muitos casos, se tornou mais lento. Em alguns casos, interagir com o modelo adicionou mais fricção do que valor.

O comportamento do usuário também criou riscos. Quando o modelo cometia um erro, radiologistas experientes tendiam a perder a confiança e parar de usá-lo. Médicos menos experientes eram mais propensos a confiar no sistema, aumentando a chance de erros perdidos e exposição clínica e legal relacionada.

Essas observações apontam para um problema mais profundo. Melhorar as ferramentas individuais não muda como o sistema funciona. O gargalo está em um fluxo de trabalho construído em torno de um radiologista que lida com um estudo do início ao fim. Essas restrições tornam difícil melhorar o sistema apenas adicionando mais ferramentas.

Na DICO, abordamos isso de forma diferente. Em vez de adicionar IA ao fluxo de trabalho existente, nos concentramos na estrutura em si. Os casos podem ser divididos em partes, com cada parte tratada pelo especialista relevante trabalhando diretamente dentro dos dados de imagem. O relatório final é montado a partir dessas entradas, com a IA apoiando a coordenação. O diagnóstico, nesse modelo, não é mais escrito por uma pessoa — é montado a partir de várias contribuições.

Esses não eram problemas de qualidade do modelo. Eram problemas de estrutura.

Repensando o Sistema Diagnóstico

A radiologia moderna é construída em uma suposição única. Um estudo, um radiologista. Isso cria gargalos, variabilidade e limita a escalabilidade. O principal problema não é que os modelos cometem erros. O sistema não é projetado para funcionar com eles. É construído em uma fundação não escalável.

Uma ferramenta não iterativa é colocada em um processo que depende de iteração. Na prática clínica, a radiologia não é uma decisão de uma única passagem. Estudos mostram que a discordância entre interpretações iniciais e segunda opinião ocorre em ~30% dos casos, e discrepâncias clinicamente significativas podem afetar a gestão em ~18-20% dos casos. Segundas opiniões não são exceção, mas uma parte rotineira do trabalho diagnóstico.

De forma mais ampla, em toda a medicina, segundas opiniões levam a uma mudança no diagnóstico em 10-62% dos casos, dependendo do ambiente.

sem a capacidade de revisar, coordenar e reavaliar com contexto, as saídas do modelo permanecem estáticas, enquanto a diagnose real exige ajuste contínuo.

O próximo passo não é ter modelos mais precisos. É uma redesign do sistema diagnóstico.

A mudança é de ferramentas de IA separadas para uma forma unificada de gerenciar diagnósticos — onde o diagnóstico não é uma decisão única, mas um processo que é encaminhado e interpretado em várias etapas. A limitação não é a falta de modelos inteligentes, mas a ausência de um sistema que possa coordenar o trabalho diagnóstico como um processo.