Radiologistas experientes e até modelos de linguagem multimodais têm dificuldade para diferenciar radiografias de tórax geradas por inteligência artificial das imagens reais. É o que revela um estudo publicado na edição de março de 2026 da revista Radiology. A boa notícia, segundo especialistas em imagem médica, é que o risco concreto para a assistência à saúde permanece baixo: as imagens são rigidamente controladas desde a aquisição no equipamento até a exibição no monitor do radiologista.
O tema ganhou urgência porque modelos generativos hoje permitem alterar patologias, inserir artefatos ou refinar a qualidade de exames com poucos comandos de texto. Entender como um agente mal-intencionado poderia usar essas ferramentas é justamente o que ajuda a projetar softwares de segurança mais robustos e a diferenciar as chamadas deepfakes médicas das imagens autênticas.
O estudo que acendeu o alerta
A pesquisa avaliou dois geradores de imagem: o ChatGPT (GPT-4o), lançado em 2024, e o RoentGen, um “modelo de fundação de visão e linguagem” criado para produzir radiografias de tórax (CXR) realistas. A conclusão de que radiologistas e grandes modelos de linguagem não conseguem distinguir facilmente as imagens sintéticas motivou um editorial assinado pelos radiologistas Rajesh Bhayana e Satheesh Krishna, de Toronto, com um subtítulo eloquente: “ver já não é acreditar”.
A palavra “facilmente”, porém, é decisiva. Ainda existem sinais reveladores da origem artificial. Segundo Mickael Tordjman, pós-doutorando do Biomedical Engineering and Imaging Institute do Hospital Mount Sinai, em Nova York, esses indícios incluem simetria excessiva, tecidos moles homogêneos demais e contornos ósseos suaves demais. São pistas úteis, mas que tendem a desaparecer à medida que os geradores evoluem.
Como os modelos generativos criam e denunciam imagens
As mesmas técnicas que fabricam exames falsos também têm usos legítimos. Bachir Taouli, professor de radiologia da Escola de Medicina Icahn no Mount Sinai, lembra que um algoritmo pode gerar imagens e relatórios sob medida para ensino. É possível, com uma palavra-chave, adicionar distorções por movimento do paciente ou formas que simulam implantes metálicos em uma tomografia, treinando estudantes e modelos a reconhecer artefatos. O caminho inverso, observa Tordjman, torna a IA cada vez melhor em remover ruído e melhorar a qualidade de exames feitos em equipamentos básicos ou antigos, muitas vezes os únicos disponíveis em regiões remotas.
Para proteger os arquivos, fabricantes discutem incorporar marca-d’água ou uma chave criptográfica a cada imagem gerada. Raym Geis, professor associado adjunto do National Jewish Health, em Denver, chama a disputa de “jogo de gato e rato”: as verificações são necessárias, mas as técnicas de falsificação também melhoram e aprendem a duplicá-las. A discussão sobre confiabilidade dos laudos não é nova — já a acompanhamos quando analisamos o uso de modelos de IA na geração de laudos radiológicos.
RoentGen v2 e o combate ao viés algorítmico
A equipe do RoentGen, que inclui Christian Bluethgen, professor assistente de radiologia torácica da Universidade Stanford, lançou a segunda geração do software. “No RoentGen v2, a aparência das imagens é controlável não só por descrições de achados em texto, mas também por metadados estruturados do paciente, como sexo, idade e raça/etnia”, explica. Com isso, o grupo montou um conjunto sintético demograficamente equilibrado com mais de 565 mil radiografias de tórax e demonstrou ganhos significativos tanto de desempenho de classificação quanto de métricas de equidade entre subgrupos.
Esse potencial de corrigir a sub-representação de minorias, faixas etárias e sexos nos dados de treino é um dos argumentos mais fortes a favor das imagens sintéticas — o mesmo tipo de preocupação que aparece nos debates sobre IA na avaliação de risco. Bradley Erickson, professor de radiologia da Mayo Clinic, conduz um projeto para verificar se dados sintéticos compensam vieses causados por amostragem insuficiente. “Se funcionar, pode ser muito significativo”, afirma.
Segurança: qual é o risco real das deepfakes médicas
Historicamente, esse não foi um problema. John Mongan, professor de radiologia clínica e vice-diretor de informática translacional na Universidade da Califórnia em San Francisco (UCSF), afirma que em 15 anos não teve conhecimento de nenhuma violação relacionada a imagens médicas. “Não há uma via aberta para inserir ou modificar uma imagem no banco de dados de um hospital”, diz. “E quem conseguisse o nível de acesso necessário para alterar imagens teria à disposição ações muito mais destrutivas e fáceis, como adulterar laudos ou o prontuário eletrônico.”
Erickson concorda: o protocolo de comunicação entre os equipamentos e o arquivo de imagens é razoavelmente seguro, ainda mais com criptografia por TLS. Um atacante precisaria acessar a rede interna e “personificar” o aparelho quanto a endereço IP e título de entidade de aplicação. A robustez desses arquivos PACS e do fluxo digital em radiologia é a principal barreira. Bluethgen alerta, ainda assim, para danos potenciais do mau uso: achados falso-positivos ou falso-negativos que levem a decisões diagnósticas ruins e custos desnecessários.
Para o paciente, o conselho de Mongan é inverter o foco da preocupação: o maior risco está em enviar grandes conjuntos de imagens pessoais a serviços como o ChatGPT em busca de diagnóstico, pois a empresa pode reter cópias. Já compartilhar exames em redes sociais preocupa menos, porque a baixa resolução dos arquivos publicados dificilmente serve para gerar novas imagens sintéticas.
Aplicações clínicas e relevância para o Brasil
Os usos benéficos vão além do ensino. Tordjman vislumbra a criação de um “gêmeo digital” do paciente para simular ensaios virtuais de medicamentos e tratamentos. Mongan admite valor na ampliação de conjuntos de treino para condições raras, como o pneumotórax hipertensivo, embora ressalve que o modelo pode ter dificuldade justamente onde faltam exemplos reais. Erickson, por sua vez, é cético quanto ao ensino: como residentes já têm acesso a informações de saúde protegidas, o ganho de privacidade das imagens sintéticas nem sempre se concretiza.
Para o Brasil e a América Latina, o ponto mais promissor é o realce de exames adquiridos em equipamentos modestos ou defasados — realidade comum em serviços do interior e da rede pública. Elevar a qualidade dessas imagens e reduzir vieses de dados pode ampliar o acesso a diagnósticos confiáveis, um tema que dialoga com o avanço de soluções de IA aprovadas por órgãos regulatórios.
Perspectivas e limitações
A equipe do RoentGen focou em radiografias de tórax por três motivos: disponibilidade de dados, viabilidade técnica e relevância médica. As CXR são bidimensionais — mais fáceis de processar que tomografias 3D ou 4D — e estão entre os exames mais solicitados por serem rápidos, baratos e amplamente disponíveis. Os pesos do modelo já foram compartilhados com mais de 300 pesquisadores, que precisam assinar acordo de uso e concluir o mesmo treinamento exigido para acessar o banco MIMIC-CXR, um conjunto público de 377.110 radiografias em formato DICOM, sem dados identificáveis, do Beth Israel Deaconess Medical Center, em Boston.
Bluethgen descreve essa abertura como “democratizar o acesso”: pesquisadores passam a experimentar modelos de ponta sem hardware caro, já que construir uma solução do zero pode custar mais de US$ 100 mil. A ressalva final é de Mongan: nenhum algoritmo será 100% preciso em todas as situações — nem nenhum profissional. “A questão é como usar imagens geradas para desenvolver uma IA diagnóstica mais precisa. É isso que vai nos ajudar a tomar melhores decisões de tratamento”, conclui.
Fonte: Radiology Today
