Na área médica, a análise de dados de imagem sempre foi um processo complexo e trabalhoso. Recentemente, pesquisadores da Weill Cornell Medicine desenvolveram um novo sistema de inteligência artificial chamado LILAC (Inferência de Mudanças de Imagem Longitudinal Baseada em Aprendizado), capaz de analisar e detectar de forma eficiente e precisa imagens médicas que mudam ao longo do tempo. Este estudo, publicado em 20 de fevereiro na revista Proceedings of the National Academy of Sciences, demonstra o amplo potencial de aplicação do LILAC em diversos cenários médicos. Os métodos tradicionais de análise de imagens médicas geralmente exigem muita personalização e pré-processamento.

Recentemente, pesquisadores da Microsoft Research, em conjunto com a Universidade de Washington, Universidade de Stanford, Universidade do Sul da Califórnia, Universidade da Califórnia em Davis e Universidade da Califórnia em São Francisco, lançaram o LLaVA-Rad, um novo modelo multimodal pequeno (SMM) projetado para melhorar a eficiência da geração de relatórios de radiologia clínica. O lançamento deste modelo não apenas marca um grande avanço na tecnologia de processamento de imagens médicas, mas também traz mais possibilidades para aplicações clínicas em radiologia. Na área biomédica, pesquisas baseadas em modelos básicos em larga escala já foram exibidas.

Uma pesquisa liderada por pesquisadores da Universidade Mohammed bin Zayed resultou em um modelo de inteligência artificial chamado BiMediX2. Este sistema consegue entender e interpretar informações em imagens médicas, com análise bilíngue em inglês e árabe, mostrando desempenho particularmente superior com o árabe. O BiMediX2 é o primeiro sistema de IA capaz de analisar e descrever imagens médicas em inglês e árabe. O sistema pode processar diversos tipos de imagens médicas, incluindo raios-X, exames de ressonância magnética e imagens microscópicas.

Imagens de RM sempre representaram um grande desafio na análise de imagens médicas devido à sua complexidade e grande volume de dados. Para treinar modelos de linguagem amplos (LLMs) para análise de RM, os desenvolvedores tiveram que segmentar as imagens obtidas em imagens 2D. Embora viável, esse processo limita a capacidade do modelo de analisar estruturas anatômicas complexas, especialmente em casos complexos como tumores cerebrais, doenças ósseas ou doenças cardiovasculares. Nota da imagem: Imagem gerada por IA, provedor de serviços de licenciamento de imagens Midjourney. No entanto, a GE Healthcare, este ano,...

Com a crescente popularização da inteligência artificial, mais e mais usuários estão buscando aconselhamento médico por meio de robôs de bate-papo de IA como ChatGPT e Google Gemini. Alguns chegam a compartilhar imagens médicas, como raios-X, ressonâncias magnéticas (RM) e tomografias por emissão de pósitrons (PET), com o assistente de IA Grok no X. No entanto, essa prática pode acarretar sérios riscos à privacidade e segurança. Apesar de os dados médicos serem protegidos por leis federais, se o usuário optar por ignorar essas proteções, estará sujeito aos seguintes riscos: uso de dados para treinamento.

Prevê-se um aumento acentuado no número de ferramentas de IA para imagens médicas aprovadas pelo FDA até 2035, com mais de US$ 30 bilhões em apoio de capital de risco. 'Nos últimos sete anos, houve um crescimento contínuo na disponibilidade de produtos de IA para imagens médicas, com imagens médicas representando 85% do capital de risco em saúde digital. 'Pesquisas mostram uma forte correlação entre o apoio de capital de risco e o desenvolvimento de produtos de IA, prevendo-se que 350 novos produtos entrem no mercado até 2035.'