IA em patologia digital

O aprendizado profundo (deep learning) tem aplicação prática no diagnóstico veterinário e quais são os desafios para implementá-lo?

Resposta

A revisão sistemática, conduzida segundo as diretrizes PRISMA, buscou artigos que aplicassem deep learning (DL) ao diagnóstico veterinário. Foram identificados 422 artigos potencialmente relevantes, dos quais 39 estudos primários atenderam aos critérios de inclusão por aplicarem DL diretamente à detecção ou manejo de doenças animais. A análise revelou um crescimento no uso de modelos de DL em diversas áreas diagnósticas entre 2013 e 2024.

As modalidades de diagnóstico mais frequentes nos estudos foram radiografia e citologia, cada uma representando 33% dos artigos, seguidas por análise de prontuários (8%), ressonância magnética (8%), análise de dados ambientais (5%), imagem fotográfica/vídeo (5%) e ultrassonografia (5%). A radiografia destacou-se como a área de maior impacto, com estudos demonstrando sucesso na classificação de lesões torácicas primárias e doenças cardíacas, comparável ao desempenho de veterinários especialistas.

Além da radiografia, a tecnologia mostrou-se eficaz no reconhecimento, contagem e classificação de tipos celulares em imagens de lâminas de microscópio, evidenciando versatilidade em diferentes modalidades diagnósticas. Esses achados sugerem que o DL pode auxiliar na interpretação de exames de imagem e citologia, potencialmente aumentando a precisão e a eficiência diagnóstica.

Apesar do potencial, a revisão aponta desafios para a implementação clínica do DL na veterinária. Entre eles, a necessidade de conjuntos de dados grandes e diversificados, questões de interpretabilidade dos modelos e a importância de consultar especialistas durante todo o desenvolvimento para garantir a validade. O resumo não detalha limitações específicas dos estudos incluídos, mas ressalta que a compreensão dessas considerações é imperativa para orientar pesquisas futuras e a aplicação prática.

Diante desse cenário, o médico veterinário deve acompanhar os avanços, mas também estar ciente de que a incorporação dessas ferramentas na rotina diagnóstica requer validação e adaptação aos contextos locais. A revisão contribui para mapear o estado atual e as direções futuras do DL na medicina veterinária, visando melhorar os padrões de cuidado e os desfechos de saúde animal.

O que o estudo mostrou

Revisão sistemática seguindo diretrizes PRISMA que identificou 422 artigos e selecionou 39 estudos primários que aplicaram deep learning ao diagnóstico veterinário. Houve aumento no uso de modelos de DL de 2013 a 2024, com destaque para radiografia (33% dos estudos) e citologia (33%), seguidas por análise de prontuários (8%), ressonância magnética (8%), análise de dados ambientais (5%), imagem fotográfica/vídeo (5%) e ultrassonografia (5%). Estudos demonstraram sucesso na classificação de lesões torácicas e doenças cardíacas em radiografias, comparável a especialistas, e na identificação e contagem de células em lâminas.

Limitações

O resumo não informa limitações específicas dos estudos incluídos, como viés de publicação ou heterogeneidade metodológica. Também não detalha a qualidade dos estudos primários nem o risco de viés. A revisão se restringe a artigos que aplicaram DL diretamente à detecção ou manejo de doenças, excluindo outras aplicações. Não são fornecidos dados sobre desempenho quantitativo dos modelos ou sobre validação externa.

Aplicação no consultório

A aplicação prática no consultório ainda é incipiente, mas a revisão indica que ferramentas de DL para radiografia e citologia podem auxiliar na triagem e no suporte à decisão. O médico veterinário deve estar atento à necessidade de validar esses modelos em sua população de pacientes e de integrá-los como apoio, não substituto do julgamento clínico. A gestão do consultório pode considerar investimentos em digitalização de imagens e parcerias para desenvolvimento de algoritmos, sempre com supervisão especializada.

Estudo citado

Review of applications of deep learning in veterinary diagnostics and animal health. Frontiers in veterinary science, 2025.
Autores: Xiao S, Dhand NK, Wang Z, Hu K, Thomson PC, House JK, Khatkar MS.
DOI: 10.3389/fvets.2025.1511522 · PubMed: PMID 40144529

Perguntas para aprofundar

• Quais modalidades de imagem veterinária têm recebido mais atenção dos estudos de deep learning?
• Como o deep learning pode auxiliar na classificação de lesões torácicas em radiografias de animais?
• Quais são os principais desafios para implementar deep learning na rotina diagnóstica veterinária?

Mais sobre IA em patologia digital

• O que a revisão sistemática sobre deep learning em dermatopatologia do melanoma revela sobre o desempenho e as limitações desses métodos?
• Como as redes neurais convolucionais se comparam aos médicos na classificação de câncer de pele em estudos com especialistas humanos?
• A análise de imagem e a inteligência artificial já têm aplicação validada na patologia e citologia da tireoide?
• Modelos de inteligência artificial são eficazes para detectar e prever o potencial maligno de lesões orais?
• Como a inteligência artificial tem sido aplicada no diagnóstico, tratamento e manejo perioperatório do câncer de mama, e qual a qualidade da evidência disponível?

Todas as perguntas sobre IA em patologia digital · Todos os temas · Versão em markdown