2
# Heimdallr
3
4
> Antes de discutir IA em radiologia, é preciso resolver a infraestrutura que transforma exame em dado processável, rastreável e auditável.
5
7
8
Antes de discutir IA em radiologia, existe uma camada menos visível que precisa funcionar.
9
10
A infraestrutura que transforma exame em dado processável, rastreável e auditável.
11
12
A imagem do README resume o recorte do projeto: infraestrutura de imagem radiológica antes da camada de inteligência.
16
17
## Problema
18
19
Muita discussão sobre IA em radiologia começa no modelo.
20
21
Mas, na prática, existe um problema anterior: fazer o exame sair do mundo do PACS e entrar em uma esteira minimamente confiável de processamento.
22
23
Essa etapa não costuma aparecer nas demonstrações.
24
25
É menos vistosa.
26
27
Mas define se a ideia consegue sair de um conjunto controlado de arquivos e entrar em um fluxo operacional real.
28
29
## Recorte
30
31
Tenho trabalhado no
Heimdallr a partir desse problema.32
33
Não como sistema de diagnóstico.
34
35
Não como gerador de laudo.
36
37
E não como tentativa de colocar IA em cima de qualquer fluxo.
38
39
O recorte é mais básico:
40
41
- receber estudos radiológicos;
42
- preparar as séries certas;
43
- converter imagem para formatos processáveis;
44
- rodar segmentações;
45
- calcular métricas determinísticas;
46
- manter estado operacional rastreável;
47
- devolver artefatos para revisão e integração.
48
49
## O que essa camada precisa fazer
50
51
Na prática, isso envolve coisas pouco glamorosas:
52
53
- DICOM entrando por C-STORE;
54
- fila de processamento;
55
- seleção de séries;
56
- conversão para NIfTI;
57
- orquestração de segmentação;
58
- métricas quantitativas;
59
- artefatos para revisão;
60
- entrega por DICOM ou integração HTTP;
61
- dashboard para acompanhar o que está parado, processando ou concluído.
62
63
Sem essa camada, muita IA em radiologia vira demonstração.
64
65
Funciona em um ambiente controlado.
66
67
Falha quando encontra PACS, fila, rede, protocolo, variação de série, estudo incompleto, reprocessamento, armazenamento, entrega e auditoria.
68
69
## Por que isso importa
70
71
O ponto, para mim, é que radiologia computacional não começa no modelo.
72
73
Começa na capacidade de transformar o fluxo real em uma esteira minimamente confiável.
74
75
Uma esteira que preserve:
76
77
- origem do estudo;
78
- estado da fila;
79
- parâmetros de processamento;
80
- artefatos gerados;
81
- possibilidade de revisão;
82
- caminho de entrega;
83
- limite entre infraestrutura e decisão clínica.
84
85
## Limite clínico
86
87
No
Heimdallr, os resultados não são tratados como decisão autônoma.88
89
São artefatos determinísticos para revisão qualificada.
90
91
Essa distinção importa.
92
93
Porque, em saúde, o problema raramente é só rodar um algoritmo.
94
95
É fazer o algoritmo caber em um sistema clínico que precisa ser observado, auditado, reiniciado, integrado e questionado.
96
97
## Síntese
98
99
Talvez essa seja a parte menos vistosa da IA em radiologia.
100
101
Mas é uma das partes mais importantes.
102
103
Modelos mudam.
104
105
Workflows permanecem difíceis.
106
107
E sem infraestrutura, dado clínico não vira capacidade operacional.