A startup francesa Raidium anunciou em 16 de julho o lançamento nos Estados Unidos da Raidium Read (R.Read), uma plataforma de imagem oncológica nativa em IA que automatiza a detecção, a medição e a comparação longitudinal de lesões tumorais em exames de tomografia e ressonância magnética. Voltada inicialmente a centros de pesquisa em câncer, a solução já está em operação no Moffitt Cancer Center, na Flórida, um dos principais centros oncológicos norte-americanos, onde substituiu uma ferramenta legada de radiômica, segundo comunicado da empresa.
O que a R.Read automatiza no fluxo oncológico
De acordo com o material de lançamento, a R.Read oferece detecção de lesões em corpo inteiro, segmentação assistida por IA com máscaras editáveis pelo radiologista e transferência automática de lesões entre exames de acompanhamento e estudos anteriores. Sobre essa base, a plataforma gera medições RECIST automatizadas e independentes de órgão ao longo de múltiplos pontos no tempo, além de relatórios estruturados compatíveis com o RECIST 1.1 exportáveis em PDF.
A empresa afirma que a abordagem reduz em três vezes a variabilidade entre leitores e acelera em até dez vezes a anotação de lesões em relação ao fluxo manual — números divulgados pela própria Raidium e que ainda aguardam validação independente em escala. Outro argumento comercial é a adoção sem pré-requisitos de integração: centros de câncer poderiam começar a usar a ferramenta sem projetos longos de conexão com o PACS, segundo o comunicado.
Quem é a Raidium: fundadores, Curia e 16 milhões de euros
Fundada em 2022 em Paris pelo radiologista Paul Hérent e pelo cientista de dados Pierre Manceron, ambos egressos da Owkin, a Raidium levantou uma rodada seed de 16 milhões de euros co-liderada pelos fundos Newfund e Kurma Partners, com participação de Debiopharm, Founders Future, Galion.exe e do braço executivo do Conselho Europeu de Inovação. Hoje a empresa mantém escritórios em Paris e no Vale do Silício.
O coração da plataforma é o Curia, um modelo de fundação para imagem médica que a empresa diz treinar sobre um acervo da ordem de um bilhão de imagens do mundo real. No caso específico da segmentação de lesões oncológicas, a Raidium relata validação com mais de 50 mil lesões anotadas e coeficientes DICE de 0,85 em ressonância e 0,74 em tomografia no modo semiautomático — novamente, dados publicados pela própria empresa.
Por que medir tumores consome tanto tempo
O RECIST 1.1, padrão internacional para avaliar resposta tumoral, exige que o radiologista selecione lesões-alvo, meça seus maiores diâmetros, some os valores e compare o resultado com o exame de base e com o menor valor histórico do paciente. Em cada acompanhamento, é preciso reabrir os estudos anteriores, reidentificar cada lesão e repetir as medições de forma consistente — um trabalho minucioso que se multiplica em pacientes metastáticos com doze ou mais lesões e em ensaios clínicos com leitura central independente.
É exatamente esse gargalo que os modelos de fundação tentam atacar. Em vez de treinar um algoritmo para cada órgão ou tarefa, esses modelos aprendem representações gerais da anatomia humana a partir de volumes massivos de dados e depois são adaptados a tarefas específicas, como detecção, segmentação e medição. A lógica é análoga à dos grandes modelos de linguagem, e explica por que a Raidium já foi descrita na imprensa especializada como uma tentativa de criar o “GPT da radiologia”.
IA nativa versus IA acoplada ao PACS
A maioria das ferramentas de IA em uso clínico hoje funciona como complemento: o algoritmo processa o exame em paralelo e devolve resultados como séries DICOM estáticas ou notificações dentro do PACS legado. Uma plataforma nativa em IA inverte essa relação — o visualizador é construído em torno do modelo, e o radiologista interage com as segmentações em tempo real, corrigindo contornos e propagando medições entre datas. O comunicado da Raidium cita que cerca de 70% dos dispositivos médicos com IA autorizados pelo FDA pertencem à radiologia, mas que 41% dos radiologistas consideram que as ferramentas atuais não atendem às suas necessidades, segundo pesquisa da Philips de 2025 — um descompasso que o desenho “nativo” pretende resolver.
O movimento se soma a uma onda de consolidação da IA na imagem oncológica, que inclui desde o acordo de IA em oncologia firmado entre o Sheba Medical Center e o Dana-Farber até dispositivos de triagem já autorizados, como o ultrassom com IA Philips Alturion aprovado pelo FDA.
O que muda para radiologistas e centros de câncer
Para o radiologista, a promessa é deslocar tempo de medição manual para interpretação e decisão clínica, com medições mais reprodutíveis entre leitores. Para centros de pesquisa, a padronização de endpoints de imagem pode baratear ensaios clínicos e viabilizar análises de carga tumoral total — hoje impraticáveis na rotina. No Moffitt, um radiologista da instituição afirmou no lançamento que a abordagem unificada permite explorar projetos de pesquisa antes considerados inviáveis.
No Brasil, onde o INCA estima cerca de 700 mil casos novos de câncer por ano no triênio 2023-2025, o acompanhamento oncológico por imagem cresce mais rápido que a oferta de subespecialistas. Ferramentas desse tipo, porém, só poderão entrar na rotina assistencial após registro na Anvisa como software como dispositivo médico, e a experiência internacional recomenda cautela com métricas divulgadas apenas pelos fabricantes.
Regulação, validação e próximos passos
Por ora, a R.Read está disponível apenas para uso em pesquisa e ensaios clínicos. A Raidium diz que busca a liberação 510(k) do FDA para um subconjunto de funções e espera anunciá-la antes do fim de 2026. Até lá, o teste decisivo será a validação independente: desempenho fora da base de treinamento, robustez entre equipamentos e protocolos e publicação revisada por pares. O ceticismo é saudável em um momento em que imagens sintéticas geradas por IA já conseguem enganar radiologistas — sinal de que a maturidade técnica dos modelos avança mais rápido que os mecanismos de verificação.
Fonte: AuntMinnie
