Resumo INTEGRAÇÃO DA INTELIGÊNGIA ARTIFICIAL NO DIAGNÓSTICO POR IMAGEM VETERINÁRIO

Resumen

Integração da Inteligência Artificial no Diagnóstico por Imagem Veterinário

Débora Caetano dos Santos, Ezequiel Nubio Lucas Pereira, Fillipe Fonseca dos Anjos, Letícia Fernandes Garcês, Thais Rodrigues Alves de Souza.

Centro Universitário do Distrito Federal – UDF

Brasília, DF

Resumo expandido

A evolução das tecnologias digitais tem promovido mudanças significativas na medicina veterinária, especialmente no campo do diagnóstico por imagem. A utilização da inteligência artificial (IA) aplicada à radiologia veterinária surge como ferramenta promissora para otimizar a acurácia diagnóstica, reduzir falhas humanas e acelerar processos clínicos. Este resumo expandido objetiva discutir a integração da IA no diagnóstico por imagem veterinário, destacando benefícios, desafios e perspectivas futuras. evolução das tecnologias digitais tem promovido mudanças significativas na medicina veterinária, especialmente no campo do diagnóstico por imagem. O objetivo geral é analisar o potencial da IA como suporte na interpretação de exames radiográficos, ultrassonográficos, tomográficos e de ressonância magnética em animais. Como objetivos específicos, busca-se identificar aplicações práticas já em uso, compreender limitações técnicas e éticas, e discutir como a tecnologia pode se tornar uma aliada no ensino e na pesquisa veterinária.A metodologia adotada consiste em uma revisão bibliográfica, baseada em artigos científicos publicados nos últimos cinco anos nas bases PubMed, Scielo e ScienceDirect, com foco em estudos que abordam a aplicação de algoritmos de aprendizado de máquina e redes neurais convolucionais no diagnóstico veterinário.Os resultados indicam que a IA tem se mostrado eficiente na detecção precoce de doenças ortopédicas, alterações pulmonares e neoplasias em pequenos animais, apresentando sensibilidade e especificidade comparáveis às análises realizadas por radiologistas experientes. Além disso, softwares de triagem automática demonstram potencial para reduzir a sobrecarga de trabalho em clínicas e hospitais veterinários, permitindo que o profissional concentre sua atenção nos casos mais complexos. Softwares como Vetology e SignalPET demonstram eficácia na detecção precoce de doenças ortopédicas, alterações pulmonares e neoplasias com sensibilidade e especificidade comparáveis às análises especializadas. Ferramentas de triagem automática, como as desenvolvidas pela Vet-AI, Cayni e VetGenus, ajudam a reduzir a sobrecarga clínica. VetRec e VetIntelligence também liberam o profissional ao automatizar anotações e administração. Em contextos práticos, o uso de IA como 'scribe' (Heidi Health) e o monitoramento cardíaco via Atrio Pet Pulse exemplificam como a tecnologia pode melhorar eficiência. Qualidade e tecnologia na evolução das ciências radiológicas. Contudo, desafios ainda existem, como a necessidade de bancos de dados amplos e padronizados, riscos de vieses algorítmicos e a dependência tecnológica que pode comprometer a autonomia do médico veterinário. Na discussão, observa-se que a integração da IA não substitui o papel do radiologista

veterinário, mas sim complementa sua atuação, funcionando como uma ferramenta de apoio à decisão clínica. A literatura reforça que a aceitação da tecnologia depende da capacitação dos profissionais e da criação de diretrizes éticas claras sobre seu uso. Conclui-se que a inteligência artificial tem potencial para transformar o diagnóstico por imagem veterinário, oferecendo ganhos em eficiência, precisão e ensino. No entanto, sua implementação deve ser acompanhada de regulamentação, treinamento profissional e estudos adicionais que garantam segurança, confiabilidade e acessibilidade tecnológica.

Palvras-chave: Inteligência artificial; Diagnóstico por imagem; Radiologia veterinária; Tecnologia em saúde animal.

Referências : KIM, H. et al. Artificial intelligence in veterinary diagnostic imaging: past, present, and future. Veterinary Radiology & Ultrasound, v. 63, supl. 1, p. 7-20, 2022. DOI: https://doi.org/10.1111/vru.13163.

KOMMERS, K. et al. Applications of deep learning in veterinary diagnostic imaging: current state and future perspectives. Frontiers in Veterinary Science, v. 11, p. 1347550, 2024. DOI: https://doi.org/10.3389/fvets.2024.1347550

SANDERSON, M. W.; DUNCAN, R. B. Artificial intelligence and machine learning in veterinary medicine. Veterinary Clinics of North America: Small Animal Practice, v. 52, n. 6, p. 1231-1246, 2022. DOI: https://doi.org/10.1016/j.cvsm.2022.07.001.

SCHWARZ, T.; O’BRIEN, R. The role of artificial intelligence in veterinary radiology. Journal of the American Veterinary Medical Association, v. 260, n. 10, p. 1159-1165, 2022. DOI: https://doi.org/10.2460/javma.22.03.0123.