A área da medicina onde a IA mais avançou não foi a mais óbvia — foi a mais visual. Radiologia, dermatologia, oftalmologia e patologia têm algo em comum: o diagnóstico depende, em boa parte, de reconhecer padrões em imagens. E reconhecimento de padrões é exatamente o que redes neurais profundas fazem de melhor. Isso explica por que os avanços mais citados de IA em medicina, nos últimos anos, vieram justamente dessas especialidades.
Neste guia, você vai entender a base científica por trás desses avanços, exemplos reais e verificáveis de aplicação, e — o ponto mais importante — como a regulamentação brasileira, tanto para médicos quanto para os softwares em si, trata o limite entre "apoiar" e "substituir" o diagnóstico médico.
Base teórica: a visão de Eric Topol
Eric Topol, cardiologista e fundador do Scripps Research Translational Institute, é um dos nomes mais citados na literatura sobre IA em medicina — autor do livro Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again (2019) e do artigo de referência "High-performance medicine: the convergence of human and artificial intelligence" (Nature Medicine, 2019).
A tese central de Topol é dupla: primeiro, que os ganhos mais sólidos de IA em medicina até agora estão concentrados em tarefas de reconhecimento de padrões visuais (radiologia, dermatologia, oftalmologia, patologia); segundo, que os melhores resultados vêm sempre do modelo híbrido — algoritmo mais julgamento humano — e não da IA isolada. Ele mesmo alerta que a área ainda é "longa em promessa e curta em prova clínica no mundo real", um lembrete de honestidade científica que vale para qualquer conteúdo sobre o tema.
Referências: TOPOL, E. J. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books, 2019; TOPOL, E. J. "High-performance medicine: the convergence of human and artificial intelligence". Nature Medicine, v. 25, p. 44-56, 2019.
Exemplos reais e verificáveis
Para manter este conteúdo seguro e preciso, os exemplos abaixo vêm de estudos publicados em periódicos revisados por pares — não de promessas de fabricantes.
Regulamentação no Brasil: dois níveis de controle
Diferente de outros usos de IA já cobertos aqui, medicina tem uma peculiaridade: existem duas camadas regulatórias — uma para o médico que usa a ferramenta, outra para o software em si.
Publicada em 27 de fevereiro de 2026 e com vigência a partir de agosto de 2026, a resolução do Conselho Federal de Medicina estabelece que a IA pode apoiar a decisão clínica, mas é proibido delegar à IA a comunicação de diagnósticos, prognósticos ou decisões terapêuticas. A palavra final é sempre do médico, que inclusive pode recusar-se a usar uma ferramenta não validada cientificamente ou sem certificação regulatória.
A norma também garante direitos ao paciente: acesso a informações claras sobre seu estado de saúde, direito a uma segunda opinião, proteção de dados pessoais e consentimento específico para qualquer intervenção experimental.
Softwares de apoio a diagnóstico são classificados pela ANVISA como Software como Dispositivo Médico (SaMD), conforme a Resolução RDC nº 657/2022. Cada ferramenta é enquadrada em uma classe de risco (I a IV, seguindo a matriz internacional do IMDRF) e precisa de registro antes de ser comercializada — quanto maior o risco à segurança do paciente, mais rigorosa a exigência de validação clínica.
Referências: Resolução CFM nº 2.454/2026; Resolução RDC ANVISA nº 657/2022; International Medical Device Regulators Forum (IMDRF), matriz de classificação de risco para SaMD.
Um dos pontos mais discutidos na literatura sobre IA em imagem médica é o viés de dados de treinamento: se um algoritmo aprende majoritariamente com imagens de um determinado grupo populacional, seu desempenho pode ser menos confiável em pacientes fora desse padrão. É por isso que validação clínica contínua e diversidade nos dados de treinamento são exigências centrais nas regulamentações citadas acima — não um detalhe técnico secundário.
Este conteúdo explica uma tendência tecnológica e regulatória — não interpreta exames, não sugere condutas e não substitui avaliação médica. Se você está preocupado com algum sintoma ou resultado de exame, o próximo passo correto é sempre marcar uma consulta com um médico, nunca buscar essa resposta em conteúdo online.
- TOPOL, E. J. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books, 2019.
- TOPOL, E. J. "High-performance medicine: the convergence of human and artificial intelligence". Nature Medicine, v. 25, p. 44-56, 2019.
- ESTEVA, A. et al. "Dermatologist-level classification of skin cancer with deep neural networks". Nature, v. 542, p. 115-118, 2017.
- Conselho Federal de Medicina. Resolução CFM nº 2.454/2026.
- ANVISA. Resolução RDC nº 657/2022 (Software como Dispositivo Médico).
Não perca nenhum artigo de Saúde
IA aplicada à medicina, sempre com rigor e responsabilidade — direto no seu e-mail.