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.v10i20.784Keywords:
Artificial Intelligence; Interstitial Lung Diseases; Computed Tomography; Chest Radiography; Diagnosis.Abstract
Interstitial lung diseases (ILDs) comprise a heterogeneous group of conditions that affect the pulmonary interstitium, requiring early diagnosis to avoid serious clinical complications. Artificial intelligence (AI) has gained prominence in the interpretation of imaging exams, especially high-resolution computed tomography (HRCT), due to its ability to identify early patterns and assist in clinical decisions. METHODOLOGY: This study aims to review the application of AI in the diagnosis of ILD, based on articles published between 2012 and 2023 in the PubMed and SciELO databases. RESULTS: The findings show that AI algorithms have high sensitivity and specificity, with performance comparable to that of specialists. However, limitations such as low interpretability, the use of restricted databases and variation in imaging protocols reduce their broad applicability. CONCLUSION: It is clear that AI is a useful tool for supporting the diagnosis of ILDs, and should be used to complement clinical reasoning and humanized medical practice.
Downloads
References
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
Published
How to Cite
Issue
Section
Categories
License
Copyright (c) 2026 Revista Master - Ensino, Pesquisa e Extensão
This work is licensed under a 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.
