Um comparativo entre a inteligência artificial e os médicos radiologistas no campo da interpretação de exames de imagens
DOI:
https://doi.org/10.33448/rsd-v13i11.47411Palavras-chave:
Radiologia; Inteligência Artificial; Diagnóstico.Resumo
No campo da interpretação de exames de imagem, os radiologistas combinam conhecimentos clínicos e técnicos para alcançar um diagnóstico preciso. Por outro lado, a inteligência artificial (IA) tem a capacidade de processar e combinar grandes volumes de dados. Diante disso, questiona-se qual seria o papel da IA no campo da radiologia quando comparada aos médicos radiologistas. O presente estudo busca realizar um comparativo entre a inteligência artificial e os médicos radiologistas no campo da interpretação de exames de imagem por meio de revisão literária, que utilizou as bases de dados PubMed, SciELO e Fiocruz como meios de pesquisa. Há estudos que comprovam que atualmente algumas bases de dados das inteligências artificiais embasadas em “deep learning” ainda não são suficientes para conseguir resultados de diagnóstico de imagem superior à 80% de sensibilidade, tomando como comparação sensibilidade de exames padrões sem interpretação de inteligência artificial. A conclusão foi que há indícios que a IA pode alcançar níveis de acurácia semelhantes ou superiores aos dos radiologistas em determinadas condições. No entanto, a participação conjunta entre homem e inteligência artificial aumenta a sensibilidade dos exames de imagem, assim como a acurácia.
Referências
Araújo-Filho, J., et al. (2019). Inteligência artificial e diagnóstico por imagem: o futuro chegou? Revista da Sociedade de Cardiologia do Estado de São Paulo, 346-349.
Auffermann, W. F., Gozansky, E. K., & Tridandapani, S. (2019). Artificial Intelligence in Cardiothoracic Radiology. AJR American Journal of Roentgenology, 212(5), 997-1001. https://doi.org/10.2214/AJR.18.20771
Azevedo-Marques, P. M. (2001). Diagnóstico auxiliado por computador na radiologia. Radiologia Brasileira, 34, 285-293.
Baghdadi, L. R., et al. (2024). Patients’ attitudes toward the use of artificial intelligence as a diagnostic tool in radiology in Saudi Arabia: Cross-sectional study. JMIR Human Factors, 11(1), e53108.
Brejnebøl, M. W., et al. (2024). Interobserver agreement and performance of concurrent AI assistance for radiographic evaluation of knee osteoarthritis. Radiology, 312(1), e233341.
Bretas, E. A. S., et al. (2020). Estimating the productivity of radiologists in Brazil: The search for a benchmark. Radiologia Brasileira, 53(2), 73-80. https://doi.org/10.1590/0100-3984.2019.0081
Char, D. S., Shah, N. H., & Magnus, D. (2018). Implementing machine learning in health care: Addressing ethical challenges. New England Journal of Medicine, 378(11), 981-983.
Dembrower, K., et al. (2023). Artificial intelligence for breast cancer detection in screening mammography in Sweden: A prospective, population-based, paired-reader, non-inferiority study. The Lancet Digital Health, 5(10), e703-e711.
Dias, A., et al. (2024). The new era of artificial intelligence in neuroradiology: Current research and promising tools. Arquivos de Neuro-Psiquiatria, 82(6), 1-12.
Esteva, A., et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.
Ghaffar Nia, N., Kaplanoglu, E., & Nasab, A. (2023). Evaluation of artificial intelligence techniques in disease diagnosis and prediction. Discover Artificial Intelligence, 3(1), 5.
Geras, K. J., et al. (2019). Artificial intelligence for mammography and digital breast tomosynthesis: Current concepts and future perspectives. Radiology, 293(2), 246-259.
Hinton, G., Vinyals, O., & Dean, J. (2015). Distilling the knowledge in a neural network. Stat, 1050, 9.
Johansson, J. V., & Engström, E. (2024). ‘Humans think outside the pixels’–Radiologists’ perceptions of using artificial intelligence for breast cancer detection in mammography screening in a clinical setting. Health Informatics Journal, 30(3), 14604582241275020.
Kelly, B. S., et al. (2022). Radiology artificial intelligence: A systematic review and evaluation of methods (RAISE). European Radiology, 32(11), 7998-8007.
Krittanawong, C., Kaplin, S., & Sharma, S. K. (2024). Artificial intelligence on interventional cardiology. In Artificial Intelligence in Clinical Practice (pp. 51-63). Academic Press.
Liew, C. (2018). The future of radiology augmented with artificial intelligence: A strategy for success. European Journal of Radiology, 102, 152-156.
Leitão, C. A., Salvador, G. L. O., Rabelo, L. M., & Escuissato, D. L. (2024). Performance of ChatGPT on questions from the Brazilian College of Radiology annual resident evaluation test. Radiologia Brasileira, 57, e20230083. https://doi.org/10.1590/0100-3984.2023.0083-en
Li, M. D., & Little, B. P. (2023). Appropriate reliance on artificial intelligence in radiology education. Journal of the American College of Radiology, 20(11), 1126-1130.
Litjens, G., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88.
Lobo, L. C. (2017). Inteligência artificial e medicina. Revista Brasileira de Educação Médica, 41, 185-193.
McKinney, S. M., et al. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577(7788), 89-94.
Nana, M., et al. (2024). Accuracy of an artificial intelligence system for interval breast cancer detection at screening mammography. Radiology, 312(2), e232303.
Offiah, A. C. (2022). Current and emerging artificial intelligence applications for pediatric musculoskeletal radiology. Pediatric Radiology, 52(11), 2149-2158.
Park, S. H., et al. (2023). Methods for clinical evaluation of artificial intelligence algorithms for medical diagnosis. Radiology, 306(1), 20-31.
Rajpurkar, P., et al. (2017). Chexnet: Radiologist-level pneumonia detection on chest x-rays with deep learning. arXiv preprint arXiv:1711.05225.
Reyes, M., et al. (2020). On the interpretability of artificial intelligence in radiology: Challenges and opportunities. Radiology: Artificial Intelligence, 2(3), e190043.
Santos, M. K., et al. (2019). Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: Advances in imaging towards precision medicine. Radiologia Brasileira, 52(6), 387-396.
Pereira, A. S., et al. (2018). Metodologia da pesquisa científica. Santa Maria, RS: Ed. UAB/NTE/UFSM.
Pereira, R. F. B., et al. (2024). Accuracy of an artificial intelligence algorithm for detecting moderate-to-severe vertebral compression fractures on abdominal and thoracic computed tomography scans. Radiologia Brasileira, 57, e20230102.
Sogani, J., et al. (2020). Artificial intelligence in radiology: The ecosystem essential to improving patient care. Clinical Imaging, 59(1), A3-A6.
Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56.
Veronezi, C. C. D., et al. (2011). Análise computacional para auxílio ao diagnóstico de osteoartrite de coluna lombar baseado em redes neurais artificiais. Revista Brasileira de Ortopedia, 46, 195-199.
Wang, D., et al. (2016). Deep learning for identifying metastatic breast cancer. arXiv preprint arXiv:1606.05718.
Yacoub, B., et al. (2022). Performance of an artificial intelligence-based platform against clinical radiology reports for the evaluation of noncontrast chest CT. Academic Radiology, 29, S108-S117.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Giovanna Bastos Prado de Melo; Igor de Bernardi Borges Araujo; Guilherme Pinheiro Guedes; Rodrigo Nascimento Alves; Márcio José Rosa Requeijo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
