Automação da aquisição de imagens no ultrassom com inteligência artificial

Sistemas de IA já otimizam ganho e profundidade, guiam o operador até planos padrão e até assumem parte do posicionamento da sonda, reduzindo a curva de aprendizado do ultrassom point-of-care.

Quando se fala em inteligência artificial no ultrassom, a maior parte da atenção recai sobre o diagnóstico automatizado: algoritmos que classificam nódulos, calculam escores ou sinalizam achados suspeitos em uma imagem já adquirida. Existe, porém, uma camada anterior e igualmente transformadora, que atua no próprio ato de escanear o paciente. É a automação da aquisição: sistemas que ajustam parâmetros da imagem em tempo real, reconhecem se o plano capturado é o correto, guiam o operador até a janela acústica ideal e, em alguns cenários, chegam a controlar fisicamente a sonda. Este artigo trata especificamente dessa etapa de captura, deixando o tema da interpretação assistida por IA para o artigo complementar deste site sobre laudo e diagnóstico automatizados.

O que significa automatizar a aquisição

O termo automação cobre um espectro, não um recurso único. No nível mais básico está a auto-otimização de imagem: algoritmos que ajustam ganho, profundidade, foco e curva dinâmica automaticamente a cada troca de sonda ou de paciente, tarefa que antes exigia ajuste manual constante do examinador. Em um segundo nível está o reconhecimento automático de plano e vista: o software identifica, a partir do padrão de pixels no tempo real, se a imagem corresponde a um corte apical de quatro câmaras, a um plano transventricular fetal ou a um eixo curto de tireoide, e informa o operador quando o alvo foi atingido. Um terceiro nível soma orientação ativa, com setas ou instruções de voz indicando para qual lado angular ou deslizar a sonda até alcançar a janela correta. No topo do espectro estão a segmentação e mensuração automáticas durante o próprio exame — por exemplo, contorno do ventrículo esquerdo com cálculo simultâneo de fração de ejeção — e, por fim, sistemas semiautônomos ou robóticos que assumem parte ou todo o posicionamento físico da sonda, controlados local ou remotamente por teleguiamento.

Ecocardiografia: reconhecimento de vistas e fração de ejeção automática

O exemplo mais maduro e mais bem documentado de automação de aquisição é o ecocardiograma point-of-care. Em fevereiro de 2020, a FDA autorizou pela via De Novo o software Caption Guidance (Caption Health), indicado para auxiliar profissionais na aquisição de imagens padronizadas de ecocardiografia transtorácica bidimensional em adultos. O sistema usa aprendizado de máquina para dar instruções em tempo real sobre como movimentar a sonda até obter vistas de qualidade diagnóstica, além de capturar automaticamente o melhor clipe de cada janela. Um estudo publicado na JAMA Cardiology testou o sistema com oito enfermeiros sem nenhuma experiência prévia em ecocardiografia, que realizaram 240 exames guiados por IA em 240 pacientes nos hospitais Northwestern Memorial e Minneapolis Heart Institute. A concordância entre as imagens obtidas pelos enfermeiros com IA e os exames de referência feitos por ecocardiografistas foi de 92,5%, com acurácia de 98,8% para avaliação de tamanho e função do ventrículo direito e presença de derrame pericárdico, resultado consistente entre diferentes sexos, etnias e índices de massa corporal.

Mais recentemente, a automação avançou da vista para a medida. Em junho de 2026, a FDA liberou o Clarius Ejection Fraction AI, ferramenta integrada ao aplicativo dos transdutores sem fio da Clarius (modelos PA, PAL e C3 HD3) que calcula automaticamente a fração de ejeção do ventrículo esquerdo a partir das próprias vistas cardíacas padrão, sem exigir o traçado manual de bordas endocárdicas. O fabricante descreve o objetivo de entregar um resultado numérico dentro da janela de cerca de 90 segundos usada para orientar decisões em ressuscitação, reduzindo a dependência da estimativa visual subjetiva — historicamente uma das etapas mais variáveis entre operadores na ecocardiografia de emergência.

Obstetrícia: biometria fetal e detecção de planos padrão

A ultrassonografia obstétrica depende fortemente da captura de planos anatômicos muito específicos — biparietal, circunferência abdominal, fêmur — cuja obtenção correta é um dos pontos que mais consomem tempo de treinamento em ginecologia e obstetrícia. Revisões recentes sobre inteligência artificial na localização de planos-padrão fetais descrevem redes neurais convolucionais capazes de identificar automaticamente, em tempo real, se o corte exibido corresponde ao plano transventricular, transcerebelar ou transtalâmico do polo cefálico, sinalizando ao operador quando o plano está adequado para biometria. Estudos de identificação automática de planos do abdome fetal por aprendizado profundo relatam desempenho de classificação comparável ao de examinadores experientes na diferenciação entre planos adequados e inadequados para medida da circunferência abdominal. Modelos mais recentes de biometria fetal automática a partir de vídeos de ultrassom, com validação temporal em coortes independentes, têm buscado não apenas identificar o plano, mas também executar a mensuração das estruturas de forma contínua ao longo do exame, sem depender de um único quadro estático escolhido manualmente pelo operador.

Tireoide e mama: volume, segmentação e escores automáticos

Fora da cardiologia e da obstetrícia, a automação também avançou em exames de volume glandular e mamário. O ultrassom automatizado de volume mamário (Automated Breast Volume Scanner, ABVS) varre toda a mama em um único protocolo motorizado, gerando um conjunto tridimensional que dispensa a varredura manual quadrante a quadrante e permite revisão posterior padronizada; comparações iniciais entre ABVS e o modo B manual, incluindo séries de dezenas de casos, mostraram desempenho comparável na detecção de lesões, com a vantagem adicional de reprodutibilidade entre observadores. Mais recentemente, modelos baseados em redes de detecção de objetos (como arquiteturas da família YOLO) têm sido aplicados sobre imagens do ABVS para detectar e classificar lesões mamárias benignas e malignas de forma automática. Na tireoide, séries de ferramentas de IA revisadas na literatura de radiologia (incluindo uma série especial da American Journal of Roentgenology sobre aplicações de IA) descrevem softwares capazes de segmentar automaticamente nódulos, medir seus três eixos e sugerir uma classificação segundo sistemas de estratificação de risco do tipo TI-RADS, funcionando como uma segunda camada de padronização sobre a medida feita pelo examinador, e não como substituto da decisão clínica de biópsia.

Point-of-care em pronto-socorro e terapia intensiva

Talvez o argumento clínico mais forte para automação de aquisição esteja no pronto-socorro e na unidade de terapia intensiva, ambientes em que o ultrassom point-of-care precisa ser realizado por médicos e enfermeiros sem formação formal em ecocardiografia ou radiologia, sob pressão de tempo. Revisões recentes sobre inteligência artificial no ultrassom cardíaco point-of-care descrevem como algoritmos de reconhecimento de imagem ajudam operadores não especialistas a identificar rapidamente a presença de derrame pericárdico, disfunção ventricular grave e outros achados críticos que orientam decisões imediatas, funcionando como uma rede de segurança sobre a captura da imagem. Uma revisão sistemática de ensaios controlados sobre treinamento de ultrassom point-of-care assistido por IA em aprendizes iniciantes encontrou, de forma consistente entre os estudos avaliados, melhora na qualidade de imagem obtida por operadores novatos quando comparados a treinamento convencional sem apoio de IA, embora os autores apontem heterogeneidade metodológica entre os ensaios e a necessidade de estudos maiores e mais padronizados. Já no ultrassom pulmonar point-of-care, softwares de apoio à captura vêm sendo explorados para ajudar operadores menos experientes a reconhecer padrões como linhas B e consolidações durante o próprio exame à beira do leito, reduzindo a dependência de um especialista presencial para validar cada imagem.

Ultrassom robótico e teleguiado: levar a sonda até onde falta especialista

O nível mais avançado de automação combina robótica com controle remoto. O sistema Melody (AdEchoTech, França), um braço robótico com três graus de liberdade que manipula a sonda sob comando de um ecografista a distância, tem aprovação para uso em ultrassom abdominal, pélvico, obstétrico, vascular e musculoesquelético. Durante o surto de COVID-19 em 2020, o sistema foi usado para manter o atendimento obstétrico do centro de saúde de La Loche, comunidade indígena isolada no norte de Saskatchewan, Canadá, quando voos regulares foram suspensos: um ecografista a 605 km de distância realizou 21 exames obstétricos em 18 pacientes entre abril e junho daquele ano, controlando o braço robótico remotamente. Os exames limitados obtiveram qualidade de imagem adequada em 81% dos casos, mas os exames completos de segundo trimestre tiveram taxa de adequação mais baixa (20% adequados, 50% inadequados), evidenciando que a técnica ainda enfrenta limitações reais diante de exames anatomicamente mais exigentes, além de atrasos técnicos registrados em cerca de um quarto das sessões. Uma revisão publicada no Methodist DeBakey Cardiovascular Journal cita ao todo cerca de dez estudos clínicos de ultrassom telerrobótico, somando aproximadamente 800 pacientes, com distâncias entre operador e paciente variando de 3 a 7.000 quilômetros, e menciona ganhos como a redução do tempo até o diagnóstico de 114 para 26 dias relatada em um programa na Suécia rural. A mesma revisão aponta obstáculos ainda não resolvidos: exigência de rede de baixíssima latência, feedback tátil pouco desenvolvido, ausência de códigos de faturamento específicos na maior parte dos sistemas de saúde e regulamentação de licenciamento de operadores que varia entre regiões.

O que a automação de fato resolve — e o que não resolve

Reunindo essas evidências, o benefício mais consistente da automação de aquisição não é substituir o examinador, mas reduzir a distância entre um operador iniciante e um exame de qualidade suficiente para uma decisão clínica inicial. Isso é particularmente relevante em cenários de escassez de especialistas — pronto-socorro sem radiologista de plantão, unidades rurais sem ecografista fixo, comunidades atendidas por visitas esporádicas — nos quais a alternativa realista à IA não é um exame perfeito feito por um expert, mas nenhum exame feito a tempo. Os dados de Caption Guidance mostram que enfermeiros sem qualquer treinamento prévio em ecocardiografia podem, com orientação de IA, obter imagens com concordância acima de 90% em relação a exames de referência; os dados de telerrobótica mostram redução real de tempo até o diagnóstico em cenários remotos. Ao mesmo tempo, os próprios estudos deixam claro os limites: a taxa de adequação cai visivelmente em exames anatomicamente mais complexos, como os ecográficos obstétricos completos de segundo trimestre feitos por telerrobótica; a automação de reconhecimento de plano treinada majoritariamente em anatomia típica tende a se comportar de forma menos previsível diante de variantes anatômicas, biotipos difíceis ou patologias atípicas não representadas nos dados de treinamento; e nenhum dos sistemas aprovados até o momento substitui a interpretação clínica final — eles otimizam ou guiam a captura da imagem, mas a decisão diagnóstica permanece do médico responsável. Regulatoriamente, também vale notar que a maior parte dessas ferramentas foi autorizada para tarefas específicas e limitadas (uma vista cardíaca, um cálculo de fração de ejeção, uma classe de exame), não para automação completa e autônoma da varredura, e que o padrão de cuidado atual continua exigindo supervisão humana sobre o processo.

Relevância prática para quem está aprendendo ultrassom

Para quem está construindo competência em ultrassom musculoesquelético ou geral, o valor prático dessas ferramentas hoje é mais o de um assistente de padronização do que o de um substituto do treinamento. Um sistema que sinaliza gain excessivo, sugere ajuste de profundidade ou confirma que um plano está tecnicamente adequado pode acelerar a fase inicial de familiarização com o equipamento, liberando mais tempo de estudo para o que a IA ainda não faz bem: reconhecer a variação normal da anatomia individual, correlacionar o achado ecográfico com a história clínica e decidir a conduta diante de um resultado ambíguo. Em outras palavras, a automação tende a comprimir a curva de aprendizado da parte técnica do exame — a mecânica de obter uma imagem tecnicamente correta — sem eliminar a necessidade da parte clínica, que continua dependendo de exposição supervisionada, prática deliberada e raciocínio clínico. Entender essa fronteira com clareza é o que permite usar essas ferramentas como aceleradores de formação, e não como um atalho que substitui a construção real de competência ecográfica.