Inteligência Artificial na TC: novas fronteiras para redução de dose e otimização de imagem

Resumo

A Tomografia Computadorizada (TC) tem evoluído significativamente, com avanços tecnológicos voltados à melhoria da qualidade de imagem e redução da dose de radiação. Técnicas tradicionais, como a retroprojeção filtrada (FBP) e os métodos iterativos baseados em modelo (MBIR), apresentam limitações quanto a ruído, artefatos e tempo de processamento. A reconstrução por deep learning (DLR), baseada em inteligência artificial (IA), surge como alternativa promissora, permitindo imagens de alta qualidade em baixas doses, com reconstrução rápida e redução de ruído. A IA na TC também automatiza protocolos de exame e aprimora diagnósticos, com softwares aplicáveis à triagem de achados críticos, quantificação de doenças, detecção de nódulos pulmonares, avaliação de enfisema e fraturas, entre outros. O presente trabalho, por meio de uma revisão de literatura, tem como objetivo analisar a evolução, o impacto atual e os desafios das técnicas de reconstrução de imagem em TC, com foco no papel da IA e da reconstrução por DLR. Estudos demonstram que DLR melhora nitidez, contraste e relação sinal-ruído em exames cerebrais, torácicos, cardíacos, abdominais e pediátricos, possibilitando redução de dose de até 71%. Entretanto, desafios persistem, como alteração excessiva da textura da imagem, risco de mascarar pequenas lesões, viés de amostra, “domain shift” e questões ético-legais relacionadas à transparência e responsabilidade dos algoritmos. Conclui-se que a IA representa um avanço transformador na TC, mas sua aplicação clínica exige validação rigorosa, supervisão especializada e diretrizes éticas para equilibrar inovação tecnológica, segurança e precisão diagnóstica.