A Meta vai dar acesso aos seus modelos de IA Muse, além de verba, a três projetos de inteligência artificial em radiologia e medicina da The Ohio State University, nos Estados Unidos: rascunho de laudos de radiografia de tórax, previsão de risco de insuficiência cardíaca a partir de tomografias de rotina e um sistema de agentes para apoiar o diagnóstico de Alzheimer. O anúncio foi feito em 28 de outubro pela Meta e pelo Ohio State Wexner Medical Center, dentro de um programa com cinco universidades americanas.
Os modelos vêm da Meta Superintelligence Labs (MSL), a divisão de pesquisa e desenvolvimento em IA da empresa. Segundo a Meta, as universidades vão rodá-los na própria infraestrutura e manter o controle dos dados clínicos, que não serão compartilhados com a empresa nem processados por ela. Ainda não há resultados: o que foi divulgado são planos de pesquisa.
O que a Meta anunciou e quanto dinheiro está em jogo
Além da Ohio State, o programa inclui o Caltech, a Louisiana State University, a Indiana University e o UTHealth Houston. O apoio varia por projeto: acesso aos modelos, colaboração com pesquisadores da Meta e, em alguns casos, financiamento. No comunicado da empresa, o total é de US$ 2 milhões distribuídos entre as cinco instituições. A Radiology Business atribuiu “cerca de US$ 2 milhões” apenas aos projetos da Ohio State; o comunicado da universidade não informa valor, e a divisão por projeto não foi divulgada.
A família Muse inclui modelos fechados, acessados por API, e modelos de pesos abertos (open-weight), que podem ser baixados e executados localmente, como o Muse Spark Open, de 816 bilhões de parâmetros, e o Muse Glimmer, de 30 bilhões, que cabe numa única GPU de consumo. Os comunicados não dizem qual modelo cada equipe vai usar.
Laudo de tórax, risco cardíaco na TC e Alzheimer: os três projetos
Rascunho de laudo de radiografia de tórax. O projeto mais próximo da rotina do radiologista é liderado por Dufan Wu, professor associado de radiologia, com os radiologistas Chiemezie Amadi e Paul Lewis. Segundo a Meta, os radiologistas torácicos da Ohio State leem cerca de 200 radiografias de tórax por dia, e outros serviços chegam a 1.000. A maioria dos modelos de geração de laudo olha só para a imagem; o grupo quer que o rascunho use também a indicação do exame, a história clínica e os exames anteriores.
Há dois braços adicionais. Um corrige estatisticamente, com um pequeno conjunto de laudos anotados por humanos, o viés que surge quando um modelo de linguagem dá nota ao laudo de outro. O outro, com o psicólogo Peter Kvam, é um estudo de leitores em ambiente clínico simulado que vai separar a subconfiança (rejeitar conteúdo correto da IA) da superconfiança (aceitar conteúdo errado) e relacioná-las aos tipos de erro do modelo.
Insuficiência cardíaca com fração de ejeção preservada (ICFEp). A ICFEp responde por cerca de metade dos casos de insuficiência cardíaca e costuma ser reconhecida tarde, porque os sintomas se confundem com os da obesidade. A proposta é usar tomografias de abdome feitas por outros motivos, que já mostram distribuição da gordura corporal, gordura hepática, composição muscular e calcificação vascular, combinadas ao prontuário e, quando houver, ao eletrocardiograma. O modelo deve dar uma estimativa de risco com os achados que a sustentam e tolerar dados faltantes. Lideram o trabalho Yuan Xue (informática biomédica), Yuchi Han (cardiologia) e Xia Ning (IA).
Agentes para o diagnóstico de Alzheimer. Ning, Xue e o neurologista Douglas Scharre querem construir um sistema multiagente com o médico no centro das decisões, sobre modelos Muse de pesos abertos implantados localmente. Os agentes devem reconstruir a trajetória cognitiva do paciente, apontar incertezas diagnósticas e sugerir a próxima avaliação mais informativa, a partir de registros da Memory Disorders Clinic da Ohio State, que soma mais de 5.600 consultas por ano.
“Também queremos entender como os médicos podem interagir da melhor forma com a IA e como esses sistemas podem se tornar mais confiáveis e úteis na prática clínica”, afirmou Orlando Simonetti, vice-chefe de pesquisa do Departamento de Radiologia do Ohio State Wexner Medical Center.
Viés de automação e TC oportunista: o contexto técnico
O estudo de leitores toca num problema documentado. Num experimento publicado na Radiology em 2023, Dratsch e colegas pediram a 27 radiologistas que classificassem mamografias em BI-RADS com a ajuda de uma suposta IA que às vezes sugeria a categoria errada. Diante da sugestão errada, a taxa de acerto caiu de 79,7% para 19,8% entre leitores inexperientes e de 82,3% para 45,5% entre os muito experientes. Erros reais seguem o padrão, como no relato de uma IA que apontou um pneumotórax inexistente após o implante de um marca-passo.
Rascunhar laudo de radiografia já é alvo da indústria: a Aidoc recebeu designação de dispositivo inovador da FDA para uma ferramenta desse tipo. O diferencial da Ohio State é pôr o contexto clínico na entrada e medir o comportamento do leitor antes da implantação. Modelos de uso geral sem esse cuidado falham, como no teste em que o ChatGPT-5 deixou passar metade das fraturas do rádio distal.
A TC oportunista também tem base. Em 2020, Pickhardt e colegas aplicaram algoritmos automáticos a tomografias de abdome de 9.223 adultos assintomáticos e os acompanharam por mediana de 8,8 anos. Na Lancet Digital Health, a calcificação aórtica previu morte em cinco anos com AUC de 0,743, contra 0,688 do escore de Framingham. A Ohio State parte dessas medidas, mas mira a ICFEp e acrescenta prontuário, ECG e uma justificativa em texto.
O que muda para serviços de imagem no Brasil
A parte mais transferível do anúncio é o modelo de implantação. Com pesos abertos, a inferência roda em servidores do hospital e os dados não saem da instituição. Na LGPD, dados de saúde são dados pessoais sensíveis (art. 11), com regras próprias para transferência internacional (art. 33). Rodar o modelo localmente evita enviar laudos e imagens ao exterior, mas não dispensa base legal, controle de acesso e governança sobre o uso secundário de prontuários. E “local” depende do tamanho: um modelo de 30 bilhões de parâmetros comprimido cabe numa GPU de 24 a 32 GB; o de 816 bilhões exige centenas de gigabytes de memória.
Falta saber como esses modelos redigem laudos em português, com a terminologia dos serviços brasileiros. Se uma ferramenta assim chegar à rotina, passa a ser software como dispositivo médico, sujeito à RDC 657/2022 da Anvisa; os projetos atuais são pesquisa. O debate sobre o papel do especialista segue aberto, como mostra a análise do Neiman Institute que rebate a tese de que a IA dispensa o radiologista.
Limitações e o que acompanhar nos próximos meses
Não há protocolo publicado, tamanho amostral, desfechos predefinidos nem prazo para nenhum dos três projetos. A Meta avaliou os modelos Muse em testes de agentes, programação e raciocínio, não em tarefas clínicas, e nenhum deles é dispositivo médico aprovado. A empresa afirma que os pesquisadores desenharam os estudos; ainda assim, vale observar se os resultados vão comparar o Muse com outros modelos abertos e se sairão em revistas com revisão por pares. Como se viu no SIIM-CAIMI 2026, a IA em imagem passou da avaliação para a implantação, e a confiança calibrada do usuário, que o estudo da Ohio State quer medir, é parte central dessa fase.
Fonte: Radiology Business — Meta to fund radiology AI research at Ohio State. Fontes primárias: Ohio State Wexner Medical Center e Meta Research.
