A discussão sobre IA substituindo radiologistas voltou a aparecer depois que a Radiology Business repercutiu uma fala de Mitchell H. Katz, CEO da NYC Health + Hospitals. Segundo a matéria, ele afirmou que já seria possível substituir “grande parte” dos radiologistas por IA em alguns contextos, caso as barreiras regulatórias fossem vencidas.

O argumento é compreensível como pressão de sistema.

Há mais exames, escassez de radiologistas, aumento de tempo de resposta e ferramentas de IA cada vez mais presentes em tarefas específicas. A própria FDA mantém uma lista pública de dispositivos médicos habilitados por IA, com forte presença de aplicações em radiologia. O problema não é dizer que IA terá papel relevante.

O problema é pular de “IA substitui tarefas” para “IA substitui radiologia”.

Quando se fala em IA para radiologia, a conversa costuma começar por tarefas bem delimitadas:

Esses são campos reais de aplicação.

Mas interpretar uma tarefa estreita não é o mesmo que exercer radiologia como prática clínica.

Radiologia envolve contexto clínico, comparação temporal, protocolo, artefato, correlação multimodal, comunicação com assistente, responsabilidade médica e decisão dentro de um fluxo operacional. Uma coisa é detectar uma opacidade em uma imagem. Outra é compreender um estudo, seu contexto e suas consequências.

Outro ponto pouco discutido é que boa parte da conversa pública ainda olha para tarefas bidimensionais relativamente bem delimitadas.

Mas a radiologia moderna é amplamente volumétrica.

CT e RM não são apenas imagens isoladas. São volumes. Frequentemente são estudos multiparamétricos, multifásicos e temporais. Um exame abdominal oncológico, uma RM de neuroeixo, uma angiotomografia complexa ou uma avaliação musculoesquelética pós-operatória não se comportam como um frame estático.

O salto de dificuldade entre detectar um achado em uma imagem e compreender um estudo volumétrico completo é grande.

E antes de discutir modelo, existe um gargalo menos glamoroso: anotação.

Modelos 3D robustos dependem de dados muito bem anotados.

Não basta dizer “tem lesão” ou “não tem lesão”.

Para treinamento sério em várias tarefas, pode ser necessário registrar:

Isso exige tempo médico especializado.

E aqui a ordem de grandeza importa.

Um artigo do AbdomenAtlas-8K, apresentado no NeurIPS Datasets and Benchmarks, cita que anotadores treinados levam cerca de 30 a 60 minutos por órgão em um volume 3D de CT. O mesmo trabalho estimou que anotar oito órgãos em cerca de 8 mil volumes, por métodos convencionais, levaria até 30,8 anos em jornada de trabalho regular. O artigo mostra uma solução eficiente com active learning, mas também deixa claro que o gargalo de anotação convencional é enorme.

E isso ainda era para órgãos abdominais.

Substituir o radiologista na leitura geral de CT/RM exigiria algo muito mais amplo do que segmentar alguns órgãos.

Não vou tratar o cálculo abaixo como previsão de mercado.

É apenas um teste de escala.

Suponha um programa que tente montar datasets 3D para substituir a leitura médica em um conjunto amplo, mas ainda simplificado, de tarefas radiológicas:

A conta fica:

100 x 50.000 x 0,75 = 3.750.000 horas

Ou seja: 3,75 milhões de horas de trabalho médico especializado apenas para anotação.

Em equivalência de força de trabalho:

Mas essa equivalência ainda é artificial.

Radiologistas treinados não existem em uma prateleira, esperando para serem deslocados para anotação. Eles já estão lendo exames, cobrindo escalas, respondendo demandas assistenciais, ensinando, auditando e sustentando serviços. Se um projeto desse tipo conseguisse ocupar, de forma conservadora, apenas 10% do tempo de cada radiologista, a necessidade operacional mudaria de escala:

Esse talvez seja um gargalo mais realista do que o custo: a capacidade de retirar tempo médico qualificado da assistência sem piorar exatamente o problema que a IA prometia resolver.

E esse cálculo é propositalmente conservador.

Ele não inclui reanotação, auditoria, adjudicação de discordância, validação multicêntrica, drift temporal, mudança de protocolo, harmonização entre scanners, viés populacional, follow-up clínico, dados ausentes, doenças raras nem manutenção contínua.

Usando as 3,75 milhões de horas como base, o custo muda muito conforme a fonte salarial e o país. Por isso a leitura correta é por faixa, não por número único.

Estados Unidos:

Brasil:

Índia:

Mesmo a conta acima ainda está incompleta.

Um programa desse tipo precisaria de infraestrutura de dados, engenharia de ML, MLOps, segurança, governança, ferramentas de anotação, controle de versão de labels, validação estatística, integração com ambientes clínicos e documentação regulatória.

Não é preciso exagerar esses itens para que eles sejam relevantes.

Como referência:

O ponto não é cravar um orçamento único.

O ponto é que, em um cenário norte-americano de remuneração de mercado, anotação primária mais uma camada mínima de auditoria já ultrapassa US$ 1 bilhão. O restante do programa apenas empurra esse número para cima.

A conclusão não é que IA não terá impacto na radiologia.

Terá.

Provavelmente já está tendo.

Mas o impacto mais plausível continua sendo a substituição de tarefas, não a substituição integral do radiologista.

IA pode ser muito valiosa em:

Esse caminho é muito diferente de dizer que um modelo geral substituirá o processo completo de ver, interpretar, contextualizar, comunicar e assumir responsabilidade por exames complexos.

Modelos tendem a se tornar mais acessíveis.

O que não commoditiza na mesma velocidade é o restante:

Essa talvez seja a parte mais importante do debate.

O futuro da IA em radiologia não será definido apenas por quem tiver o maior modelo.

Será definido por quem conseguir transformar radiologia real em dados utilizáveis, auditáveis, longitudinalmente organizados e integrados ao fluxo clínico.

Substituir uma tarefa visual é uma coisa.

Substituir um sistema diagnóstico inteiro é outra.