Enquanto o mundo corria atrás de testes rápidos e vacinas, um outro tipo de corrida acontecia em paralelo, mais silenciosa: a de ensinar máquinas a "ler" tomografias de pulmão e reconhecer os sinais da COVID-19. Uma revisão de literatura publicada na Revista de Epidemiologia e Controle de Infecção (RECI) reuniu o estado da arte dessa aplicação, mapeando o que a comunidade científica produziu entre 2021 e 2023 sobre o uso de aprendizado de máquina na classificação de imagens de tomografia computadorizada (TC) durante a pandemia.
Por que tomografia, e por que máquinas
O exame padrão-ouro para confirmar a COVID-19 sempre foi o RT-PCR, mas ele tem limitações conhecidas: é caro, demorado, exige pessoal treinado e tem taxa de detecção relativamente baixa em estágios iniciais da doença. A tomografia computadorizada surgiu como alternativa diagnóstica precoce, com sensibilidade entre 88% e 98%, contra 59% a 71% do RT-PCR. Ela também permite distinguir a COVID-19 de outras condições, como pneumonias de outras causas, e identificar os três principais padrões de irregularidade associados à doença nos pulmões: opacidade em vidro fosco, consolidação e derrame pleural.
O problema é que interpretar milhares de tomografias manualmente consome tempo e depende fortemente da experiência do radiologista. É aí que entra o aprendizado de máquina: usado para acelerar a triagem, padronizar diagnósticos e liberar recursos médicos, logísticos e humanos em um momento de sistemas de saúde sobrecarregados.
O que a revisão encontrou
A partir de uma busca no PubMed, os autores partiram de 213 artigos, refinaram para 60 após critérios de exclusão e chegaram a 40 estudos considerados mais relevantes, publicados entre 2021 e 2023. O panorama traçado mostra um pipeline bastante consistente entre os trabalhos analisados: pré-processamento das imagens, segmentação da região pulmonar, aumento artificial dos dados (data augmentation) e, por fim, classificação propriamente dita.
Redes neurais convolucionais (CNNs) dominam o cenário, com arquiteturas conhecidas — como ResNet, DenseNet, VGG e Inception — sendo reaproveitadas por meio de transfer learning, técnica que parte de um modelo já treinado em outras tarefas e o adapta ao novo problema. Os métodos "tradicionais" de aprendizado de máquina, como SVM, k-NN e árvores de decisão, aparecem principalmente combinados com essas redes: a CNN extrai as características da imagem, e o classificador tradicional toma a decisão final.
Os resultados de desempenho relatados nos estudos analisados impressionam: vários modelos atingiram acurácia acima de 95%, com alguns casos chegando muito perto de 100% em conjuntos de teste específicos. Um dos destaques é o CovidCTNet, framework de código aberto que elevou a acurácia da detecção baseada em TC para 95%, contra 70% da avaliação feita por radiologistas humanos no mesmo estudo.
O ponto cego dos modelos "caixa-preta"
Um dos aspectos mais interessantes da revisão é a discussão sobre inteligência artificial explicável (explainable AI). Modelos de deep learning tradicionais funcionam como caixas-pretas: entregam uma classificação, mas não mostram por que chegaram a ela. Isso é um problema em medicina, onde o radiologista precisa entender quais regiões da imagem levaram o modelo a uma decisão. Técnicas de IA explicável tentam resolver isso atribuindo "importância" a diferentes áreas da imagem, permitindo visualizar quais partes do pulmão pesaram mais no diagnóstico automatizado.
Limitações e o que fica para o futuro
Os próprios autores reconhecem as limitações do trabalho: é uma revisão narrativa (não sistemática) baseada em uma única base de dados, o PubMed, e reúne um número relativamente pequeno de referências. Ainda assim, a conclusão é otimista quanto à reutilização desse conhecimento: os modelos e algoritmos desenvolvidos no auge da pandemia de COVID-19 não precisam ser descartados — podem ser adaptados para futuros surtos desta ou de outras doenças infecciosas respiratórias, funcionando como uma base tecnológica já testada para emergências futuras.
Fica um aprendizado que vai além da COVID-19: a infraestrutura de inteligência artificial construída sob pressão, em tempo recorde, tende a sobreviver à crise que a originou — e pode ser um dos legados mais duradouros da pandemia para a radiologia e o diagnóstico por imagem.
ACESSE O ESTUDO COMPLETO: https://doi.org/10.17058/reci.v15i1.19227

