O SIIM-CAIMI 2026, conferência de inteligência artificial em imagem médica da Society for Imaging Informatics in Medicine, terminou em Filadélfia com um diagnóstico compartilhado pelos três coordenadores do programa: a IA em radiologia está saindo da fase de avaliar algoritmos e entrando na de implantá-los. O que segura essa passagem, segundo eles, já não é tanto a acurácia, e sim regulação, reembolso, confiança e integração com os sistemas do hospital.
O encontro ocorreu em 26 e 27 de outubro no Smilow Center for Translational Research, da Universidade da Pensilvânia. CAIMI é a sigla de Conference on AI in Medical Imaging, nome que substituiu o antigo CMIMI. Ao AuntMinnie, Katherine Andriole, Peter Chang e Eliot Siegel resumiram o que viram nas palestras, nos resumos científicos e nas sessões de desenvolvedores.
Da avaliação à implantação, segundo os coordenadores do SIIM-CAIMI
Siegel foi o mais direto. “Estamos numa espécie de divisor de águas, à medida que fazemos a transição para a implantação em vez de apenas olhar para a avaliação de algoritmos de IA”, disse. “Agora estamos olhando para modelos de fronteira multimodais e modelos multimodais, e também para a implantação em aplicações do mundo real.” Ele espera mais LLMs e mais IA agêntica nas próximas edições, e o uso de LLMs em produção virando rotina nos departamentos de imagem.
Andriole destacou ferramentas práticas, como a detecção de artefatos e o apoio ao laudo. “Muitas delas são modelos combinados, ou seja, multimodais, que usam informação textual, informação de saúde e também os dados de imagem para detectar melhor achados difíceis”, afirmou. Ela também notou aplicações educacionais pensadas para o residente.
Chang chamou atenção para a acessibilidade. Modelos tradicionais de visão computacional exigem especialização; com os modelos de linguagem, segundo ele, “as pessoas simplesmente têm uma ideia interessante, prática e acessível e conseguem colocá-la em prática quase de imediato”. A leitura conversa com o encontro anual da sociedade, em junho: entre as tendências do SIIM 2026, governança e adoção já pesavam tanto quanto desempenho.
Apollo e a aposta em modelos que cruzam especialidades
Os coordenadores insistiram que a IA só chega ao paciente se radiologistas trabalharem com patologistas, oncologistas e cientistas de dados. O exemplo foi a palestra principal de 26 de outubro, de Faisal Mahmood, da Harvard Medical School e do Brigham and Women’s Hospital, pesquisador vindo da patologia. Ele apresentou o Apollo, que combina dados de várias especialidades em uma espécie de mecanismo de busca para acompanhar a saúde do paciente ao longo do tempo.
O preprint do grupo, publicado no arXiv em abril de 2026, descreve o Apollo como um modelo fundacional multimodal e temporal treinado com mais de três décadas de registros de um grande sistema hospitalar americano: 25 bilhões de registros de 7,2 milhões de pacientes, com 28 modalidades de dados e 12 especialidades. Os autores testaram 322 tarefas de prognóstico e de busca de casos em 1,4 milhão de pacientes reservados para teste, do risco de nova doença em cinco anos à resposta a tratamento. O trabalho ainda não passou por revisão por pares.
Andriole, hoje na Universidade da Califórnia em Los Angeles (UCLA), chamou a IA de esporte de equipe e citou projetos com radiologistas, pneumologistas, intensivistas, cirurgiões de transplante e cientistas de dados. O ponto fraco é a patologia: “Acho que a patologia está mais ou menos onde a radiologia estava há uns 20 ou até 25 anos, porque não é digital, e não vejo um grande impulso para migrar para a patologia digital, o que é uma pena.” Sem lâminas digitalizadas, falta aos modelos multimodais a camada que confirmaria o achado de imagem.
Fluxo agêntico: quando quem desenvolve e quem usa se misturam
Chang, que conduziu no evento uma demonstração de agente de programação, descreveu o CAIMI como “uma conferência de desenvolvedores e de quem ajusta ferramentas, gente que constrói algoritmos e os leva para a clínica, enquanto a maioria das outras conferências se concentra em pegar essas ferramentas e implantá-las”. Com a tecnologia e o fluxo agêntico, completou, “estamos realmente vendo uma mistura desses dois públicos”.
Um agente é um sistema baseado em LLM que não se limita a responder: divide a tarefa em passos, aciona ferramentas — editor de código, banco de dados, interface do PACS —, confere o resultado e corrige o próprio trabalho. Para um pesquisador, basta descrever em linguagem natural o painel ou o site desejado. É esse o caminho que Chang vê para quem tem pouca experiência em programação. Em radiologia, a mesma lógica aparece em agentes que buscam exames anteriores ou rastreiam recomendações de seguimento.
A democratização tem um custo que a conversa não detalha: ferramenta escrita com agente continua precisando de validação, revisão de segurança e um responsável. E LLMs persuasivos também erram — um estudo na Radiology mostrou que a expertise do radiologista é o que protege contra o erro convincente da IA.
Regulação, reembolso e prontuário: o que trava a implantação
Para Andriole, antes de a IA virar rotina é preciso resolver regulação, reembolso e confiança. Poucas ferramentas têm remuneração associada, observou, embora “muitos lugares” já as adotem por ganhos de eficiência. Nos Estados Unidos, a maioria dos algoritmos não tem código de cobrança próprio e precisa se pagar em produtividade. Um projeto de lei de 2025, o Health Tech Investment Act, propõe uma via de pagamento do Medicare para serviços baseados em algoritmo — o tema chegou ao Congresso, mas não está resolvido. A oferta, por sua vez, cresce: as autorizações de IA em radiologia na FDA subiram 42% em um levantamento recente.
Siegel apontou o obstáculo mais concreto: um dos temas recorrentes foram “trabalhos, projetos e inovações realmente excelentes” que os autores “não conseguem levar à prática porque é difícil integrá-los ao prontuário eletrônico e aos sistemas proprietários padrão”. O algoritmo precisa receber o exame certo na hora certa e devolver o resultado em formato que o PACS e o sistema de laudo entendam — objeto DICOM estruturado, mensagem HL7 ou FHIR. Perfis da IHE como AI Results (AIR) e AI Workflow for Imaging (AIW-I) padronizam parte desse caminho, mas dependem do fornecedor. Quando a integração falha, o resultado chega tarde: em 20 centros suíços, 7,2% das saídas de IA apareceram depois do laudo assinado.
O que muda para serviços de imagem no Brasil
As barreiras descritas em Filadélfia têm equivalente direto aqui. A integração tende a ser mais trabalhosa, com parques heterogêneos de PACS, RIS e prontuário e equipes de TI enxutas. A análise por algoritmo, em geral, não é remunerada à parte, e o custo entra no preço do exame. Software que se enquadra como dispositivo médico segue a RDC 657/2022 da Anvisa, e dados de pacientes enviados a LLMs passam pela LGPD — inclusive em ferramentas feitas em casa com agentes.
A consequência prática é a que discutimos ao tratar de gestão de IA em radiologia antes da compra: definir o problema, a métrica de valor e o caminho de integração antes de escolher o algoritmo.
Limites desta leitura e o que acompanhar até 2027
A reportagem reúne opiniões de três coordenadores, não dados de desfecho, e a ideia de que 2027 trará mais evidência é uma expectativa. O Apollo, exemplo mais robusto citado, ainda é um preprint de uma única rede hospitalar. Vale acompanhar a validação externa dos modelos multimodais, o reembolso nos EUA e a abertura de PACS e prontuários a ferramentas de terceiros.
Fonte: AuntMinnie — SIIM-CAIMI program chairs talk medical imaging AI’s evolution; preprint do Apollo: arXiv — A multimodal and temporal foundation model for virtual patient representations at healthcare system scale
