Redes neurais convolucionais para imagens médicas em configurações restritas a recursos: uma revisão de arquiteturas, desempenho e desafios de implantação
Radiologia e ImagemO que aconteceu
Redes neurais convolucionais (CNNs) surgiram como poderosas ferramentas de inteligência artificial para análise de imagens médicas, demonstrando melhorias substanciais na detecção de doenças, classificação e suporte diagnóstico. Apesar das crescentes evidências sobre seu desempenho clínico, a implementação em ambientes de saúde restritos aos recursos permanece desafiadora devido às limitações de infraestrutura, recursos computacionais, disponibilidade de dados e capacidade de força de trabalho em saúde. Compreender as evidências atuais relacionadas às arquiteturas da CNN, características de desempenho e barreiras de implantação é necessário para apoiar a implementação sustentável em ambientes de saúde carentes. Esta revisão teve como objetivo mapear criticamente as evidências disponíveis sobre redes neurais convolucionais para imagens médicas em ambientes restritos aos recursos, com ênfase nas arquiteturas da CNN, desempenho diagnóstico e desafios de implantação. Esta revisão seguiu a diretriz Preferred Reporting Itens for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews (PRISMA-ScR). Foram realizadas buscas bibliográficas através do PubMed, Scopus, Web of Science, IEEE Xplore e ScienceDirect desde o início do banco de dados até abril de 2026. Termos de pesquisa combinados Medical Subject Headings (MeSH) e palavras-chave de texto livre usando operadores booleanos. Os critérios de elegibilidade foram desenvolvidos utilizando-se o referencial população-conceito-contexto (PCC). Foram incluídos estudos em inglês revisados por pares que investigam aplicações de CNN em imagens médicas relevantes para ambientes de saúde restritos aos recursos. A extração e síntese dos dados foram realizadas de forma temática.
O que encontraram
Um total de 18 estudos atendeu aos critérios de inclusão. Foram identificados cinco grandes temas: acurácia diagnóstica e desempenho clínico dos modelos CNN; arquiteturas CNN leves e eficientes em recursos para implantação de baixo recurso; explanabilidade e interpretabilidade dos sistemas CNN; aprendizado de transferência e otimização para conjuntos de dados limitados; e barreiras de implementação que afetam a implantação em configurações restritas em recursos. Os sistemas de CNN demonstraram forte desempenho diagnóstico em tuberculose, pneumonia, malária, câncer de pele e outras aplicações de imagem, com vários estudos relatando desempenho próximo a nível de especialistas. Arquiteturas leves e abordagens de aprendizado de transferência melhoraram a viabilidade computacional, enquanto os métodos de explanabilidade melhoraram a transparência e a confiança clínica. No entanto, desafios de implementação, incluindo limitações computacionais, baixa conectividade, escassez de dados e viés algorítmico persistiram em todos os estudos.
Por que isso importa
Sistemas de imagem médica baseados em CNN demonstram considerável potencial para o fortalecimento da capacidade diagnóstica em ambientes de saúde carentes. No entanto, a implementação sustentável requer maior ênfase no desenvolvimento de modelos específicos do contexto, explanabilidade, conjuntos de dados localmente representativos e estudos de implantação no mundo real para garantir a adoção equitativa e efetiva de sistemas de saúde restritos aos recursos.
Tradução automática do resumo original, publicado em Frontiers in artificial intelligence sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Convolutional neural networks for medical imaging in resource-constrained settings: a scoping review of architectures, performance, and deployment challenges
David Chinaecherem Innocent, Rejoicing Chijindum Innocent, Increase Praise Innocent