EUVIMEDEUVIMED entdecken
Crossref

Resumo Geração Automática de Laudos Radiológicos por Inteligência Artificial: Potenciais e Desafios

Lucas Henrique Gonçalves Souto, Ygor Craveiro Nunes Bueno, Luciano Freitas Sales, Osmam Brás de Souto, Maria do Socorro De Lima Silva, Weverson Garcia Medeiros

Brazilian Journal of Radiation Technology Research (ISSN 2966-4292) · 10.03.2026 · 2 (01)

DOI: 10.70745/bjrtr.v2.169 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Brazilian Journal of Radiation Technology Research (ISSN 2966-4292), online erschienen am 10.03.2026. Verfasst von Lucas Henrique Gonçalves Souto und 5 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Introdução: A radiologia é uma das áreas médicas mais impactadas pela inteligência artificial (IA). Nas últimas décadas, avanços em algoritmos de aprendizado profundo têm possibilitado não apenas a detecção de padrões em imagens médicas, mas também a geração automática de laudos radiológicos. Esse processo, conhecido como Automated Radiology Report Generation (ARRG), tem como objetivo transformar dados de imagem em descrições clínicas completas, auxiliando o trabalho dos radiologistas e aumentando a eficiência diagnóstica. Considerando a crescente demanda por exames de imagem em escala global e a sobrecarga de especialistas, a adoção dessa tecnologia representa uma solução promissora para otimizar o tempo de resposta e reduzir erros humanos. Objetivo: O presente estudo busca analisar o estado atual da geração automática de laudos radiológicos por inteligência artificial, destacando metodologias, resultados obtidos em pesquisas recentes, benefícios clínicos e desafios éticos relacionados à sua implementação. Metodologia: Trata-se de uma revisão bibliográfica narrativa, baseada na análise de artigos científicos, revisões sistemáticas e relatórios técnicos publicados entre 2019 e 2025 em bases como PubMed, arXiv e Radiology. Foram incluídos estudos sobre aprendizado profundo, transformers multimodais e modelos de linguagem aplicados à geração de laudos radiológicos. Critérios de seleção priorizaram evidências relacionadas a precisão diagnóstica, impacto na prática clínica e integração com fluxos de trabalho hospitalares. Resultados: Os modelos de IA mais recentes, baseados em arquiteturas multimodais (como Vision-Language Models – VLMs), demonstraram desempenho comparável ou superior a radiologistas em tarefas específicas, como a descrição de achados torácicos em radiografias. Estudos apontam que a utilização de modelos como BioViL-T e M2TR permitiu não apenas a detecção de anormalidades, mas também a geração de laudos com coerência semântica e terminologia médica padronizada (LIU et al., 2024). Além disso, pesquisas relatam que a integração de ARRG pode reduzir em até 30% o tempo médio de elaboração de laudos, possibilitando que radiologistas concentrem esforços em casos complexos. Outra vantagem é a padronização da linguagem médica, reduzindo ambiguidades e facilitando a interoperabilidade em sistemas de saúde. Entretanto, os desafios permanecem: Explicabilidade (XAI): muitos modelos funcionam como “caixas-pretas”, dificultando a confiança clínica. Viés algorítmico: a maioria dos modelos é treinada em bases de dados limitadas geograficamente, o que compromete a generalização. Questões éticas e legais: responsabilidades médicas em caso de erro ainda não estão claras. Apesar das limitações, a literatura aponta que o uso da IA como suporte ao radiologista, e não como substituto, representa o cenário mais viável e seguro no curto prazo. Conclusão: A geração automática de laudos radiológicos por inteligência artificial configura-se como uma das inovações mais disruptivas na radiologia contemporânea. Embora promissora, sua adoção requer cautela, com ênfase na validação clínica, redução de vieses e garantia de transparência dos algoritmos. O futuro aponta para uma colaboração híbrida entre radiologistas e IA, capaz de aliar precisão diagnóstica, eficiência operacional e melhoria no cuidado ao paciente. Palavras-chave: Radiologia; Inteligência Artificial; Laudos Radiológicos; Aprendizado Profundo; Automação Médica.

Zitieren

APA

Souto, L. H. G., Bueno, Y. C. N., Sales, L. F., Souto, O. B. D., Silva, M. D. S. D. L., & Medeiros, W. G. (2026). Resumo Geração Automática de Laudos Radiológicos por Inteligência Artificial: Potenciais e Desafios. Brazilian Journal of Radiation Technology Research (ISSN 2966-4292), 2(01). https://doi.org/10.70745/bjrtr.v2.169

Vancouver

Souto LHG, Bueno YCN, Sales LF, Souto OBD, Silva MDSDL, Medeiros WG. Resumo Geração Automática de Laudos Radiológicos por Inteligência Artificial: Potenciais e Desafios. Brazilian Journal of Radiation Technology Research (ISSN 2966-4292). 2026;2(01). doi:10.70745/bjrtr.v2.169

BibTeX
@article{Souto2026,
  author = {Souto, Lucas Henrique Gonçalves and Bueno, Ygor Craveiro Nunes and Sales, Luciano Freitas and Souto, Osmam Brás de and Silva, Maria do Socorro De Lima and Medeiros, Weverson Garcia},
  title = {Resumo Geração Automática de Laudos Radiológicos por Inteligência Artificial: Potenciais e Desafios},
  journal = {Brazilian Journal of Radiation Technology Research (ISSN 2966-4292)},
  year = {2026},
  volume = {2},
  number = {01},
  doi = {10.70745/bjrtr.v2.169}
}
Kostenlos starten →