Inteligência Artificial e o Futuro da Radiologia: Insights do Dr. Felipe Kitamura no Podcast “IA Sob Controle”

A inteligência artificial (IA) vai substituir os médicos radiologistas? Essa foi a previsão polêmica feita por Geoffrey Hinton em 2016, mas a realidade de 2025 mostra um cenário muito diferente e mais promissor. No episódio recente do podcast “IA Sob Controle”, o Dr. Felipe Kitamura, referência mundial em IA aplicada à saúde, discute como a tecnologia se tornou uma aliada indispensável para a inteligência diagnóstica e para a eficiência das clínicas de imagem.

Confira os principais destaques dessa conversa e entenda como isso impacta o mercado de telerradiologia e diagnóstico por imagem.

Do medo à parceria: a evolução da IA na radiologia

O Dr. Kitamura relembra o “hype” inicial de que a IA acabaria com a profissão do radiologista. Contudo, o que ocorreu foi uma evolução das ferramentas. Hoje, a IA não atua de forma autônoma (salvo raríssimas exceções regulatórias), mas funciona como uma “segunda opinião” poderosa ou um triador de prioridades.

Para gestores de clínicas e hospitais, isso significa segurança. A tecnologia serve para potencializar o trabalho do médico radiologista, garantindo que ele foque no que realmente importa: o diagnóstico complexo e o cuidado com o paciente.

Aplicações práticas que salvam vidas

Durante a entrevista, foram citados casos de uso reais que já estão em operação em grandes centros e que se conectam diretamente com a necessidade de agilidade nos laudos de urgência:

• Triagem de Achados Críticos: Algoritmos que detectam AVC isquêmico, hemorragia intracraniana ou embolia pulmonar e “furam a fila”, colocando esses exames no topo da lista de trabalho do radiologista.

• Otimização de Equipamentos: Uso de IA para acelerar a aquisição de imagens em exames de Ressonância Magnética (RM), permitindo realizar mais exames na mesma máquina — um ganho direto de receita para a clínica.

• Geração de Laudos: Ferramentas de IA generativa que auxiliam na transcrição e estruturação do laudo radiológico, aumentando a produtividade do médico.

O desafio da generalização e a importância da validação

Um ponto técnico crucial abordado foi a “generalização”. Um algoritmo treinado com imagens de um tomógrafo da marca X pode não funcionar bem com imagens da marca Y.

“Os modelos precisam de validação local. Não basta ter aprovação do FDA ou Anvisa. Você tem que pegar o dado do seu hospital e ver se funciona.” — Dr. Felipe Kitamura.

O futuro: foundation models e cuidados integrados

O futuro aponta para os Foundation Models (modelos de fundação), treinados com milhões de imagens para entenderem a radiologia de forma mais ampla, similar ao que o GPT fez com o texto. Além disso, o foco migra do “diagnóstico” isolado para a “linha de cuidado” (Care Bricks), onde a IA ajuda não apenas a achar a doença, mas a garantir que o paciente receba o tratamento, verificando prontuários e agendando retornos.