INTELIGÊNCIA ARTIFICIAL EM EXAMES DE IMAGEM PARA AUXÍLIO NO DIAGNÓSTICO DE DOENÇAS PULMONARES INTERSTICIAIS
Área temática: Tecnologia e Saúde
DOI:
https://doi.org/10.47224/revistamaster.v10i20.784Palavras-chave:
Inteligência Artificial; Doenças Pulmonares Intersticiais; Tomografia Computadorizada; Radiografia de Tórax; Diagnóstico.Resumo
As doenças pulmonares intersticiais (DPIs) compreendem um grupo
heterogêneo de afecções que afetam o interstício pulmonar, exigindo diagnóstico
precoce para evitar complicações clínicas graves. A inteligência artificial (IA) tem
ganhado destaque na interpretação de exames de imagem, especialmente na tomografia
computadorizada de alta resolução (TCAR), por sua capacidade de identificar padrões
precoces e auxiliar nas decisões clínicas. METODOLOGIA: Este estudo tem como
objetivo revisar a aplicação da IA no diagnóstico das DPIs, com base em artigos
publicados entre 2012 e 2023 nas bases PubMed e SciELO. RESULTADOS: Os
achados mostram que algoritmos de IA apresentam alta sensibilidade e especificidade,
com desempenho comparável ao de especialistas. No entanto, limitações como a baixa
interpretabilidade, o uso de bases restritas e a variação nos protocolos de imagem
reduzem sua aplicabilidade ampla. CONCLUSÃO: Fica evidente que a IA é uma
ferramenta útil no suporte ao diagnóstico das DPIs, devendo ser utilizada de forma
complementar ao raciocínio clínico e à prática médica humanizada.
Downloads
Referências
ALTHOBIANI, M. A.; et al. Interstitial lung disease: a review of classification, etiology, epidemiology, clinical diagnosis, pharmacological and non-pharmacological treatment. Frontiers in Medicine, Lausanne, v. 18, n. 11, abr. 2024. Disponível em: <https://doi.org/10.3389/fmed.2024.1192781>. Acesso em: 8 mai. 2025.
BALDI, B. G.; et al. Destaques das diretrizes de doenças pulmonares intersticiais da Sociedade Brasileira de Pneumologia e Tisiologia. Jornal Brasileiro de Pneumologia, Brasília, DF, v. 38, n. 3, p. 282-291, maio 2012. Disponível em: <https://doi.org/10.1590/S1806-37132012000300014>. Acesso em: 3 mai. 2025.
BERMEJO-PELÁEZ, D.; et al. Classification of Interstitial Lung Abnormality Patterns with an Ensemble of Deep Convolutional Neural Networks. Scientific Reports, v. 10, n. 338, jan. 2020. Disponível em: <https://doi.org/10.1038/s41598-019-57252-3>. Acesso em: 10 mai. 2025.
EXARCHOS, K. P.; et al. Recent Advances of Artificial Intelligence Applications in Interstitial Lung Diseases. Diagnostics (Basel), Basel, v. 13, n. 13, jul. 2023. Disponível em: <https://doi.org/10.3390/diagnostics13132204>. Acesso em: 9 mai. 2025.
NISHIKIORI, H.; et al. Deep-learning algorithm to detect fibrosing interstitial lung disease on chest radiographs. European Respiratory Journal, Sheffield, v. 61, n. 2, fev. 2023. Disponível em: <https://doi.org/10.1183/13993003.01874-2022>. Acesso em: 10 mai. 2025.
PODOLANCZUK, A. J.; et al. Update in Interstitial Lung Disease 2020. American Journal of Respiratory and Critical Care Medicine, New York, v. 203, n. 11, p. 1343-1352, jun. 2021. Disponível em: <https://doi.org/10.1164/rccm.202103-0559UP>. Acesso em: 10 mai. 2025.
SHAH, G. R.; et al. Incidence and prevalence of interstitial lung diseases worldwide: a systematic literature review. BMJ Open Respiratory Research, London, v. 10, n. 1, jun. 2023. Disponível em: <https://doi.org/10.1136/bmjresp-2022-001431>. Acesso em: 8 mai. 2025.
SOFFER, S.; et al. Artificial Intelligence for Interstitial Lung Disease Analysis on Chest Computed Tomography: A Systematic Review. Academic radiology, New York, v. 29, supl. 2, p. S226-S235, fev. 2022. Disponível em: <https://doi.org/10.1016/j.acra.2021.05.014>. Acesso em: 10 mai. 2025.
WALSH, S. L. F; et al. Deep learning for classifying fibrotic lung disease on high-resolution computed tomography: a case-cohort study. The Lancet Respiratory Medicine, London, v. 9, n. 8, p. 838-852, ago. 2021. Disponível em: <https://doi.org/10.1016/S2213-2600(21)00156-X>. Acesso em: 10 mai. 2025.
Downloads
Publicado
Como Citar
Edição
Seção
Categorias
Licença
Copyright (c) 2026 Revista Master - Ensino, Pesquisa e Extensão
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
a) A licença desses direitos autorais abrange o direito exclusivo da Revista Master - Ensino, Pesquisa e Extensão para reproduzir, publicar e distribuir o artigo,
nacional e internacionalmente, incluindo reimpressões, traduções, reproduções fotográficas, microformas, formulários eletrônicos (offline, on-line) ou qualquer outra reprodução de natureza similar.
b) O (s) autor (es) aprovam que o manuscrito não pode ser retirado ou reenviado para qualquer outro Jornal/Revista enquanto a avaliação pelos pares estiver em andamento. Após aprovado o manuscrito, um autor pode auto-arquivar uma versão de seu artigo em seu próprio site e/ou em seu repositório institucional.
c) O (s) autor (es) declaram que são integralmente responsáveis pela totalidade do conteúdo da contribuição e que a Revista Master - Ensino, Pesquisa e Extensão e o corpo editorial da Revista Científica do estão expressamente isentos de qualquer responsabilidade sobre o conteúdo do artigo, métodos, técnicas e resultados de sua pesquisa, tendo, assim, finalidade meramente informativa e educativa.
d) 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.
