A inteligência artificial (IA) já é estudada como uma ferramenta de apoio à análise de imagens na endometriose, especialmente em ultrassonografias e ressonâncias magnéticas. Os resultados iniciais são promissores, mas ainda não significam que exista um sistema universal capaz de confirmar ou excluir a doença, identificar todos os seus tipos ou substituir a avaliação de profissionais experientes.
A principal questão, portanto, não é se a IA pode apresentar números elevados de acurácia em uma base de pesquisa. É saber se esses resultados permanecem confiáveis em pessoas diferentes das usadas para treinar o modelo, em equipamentos distintos, em serviços com protocolos variados e diante da diversidade de apresentações da endometriose. Essa etapa de validação ainda está em desenvolvimento. (pubmed.ncbi.nlm.nih.gov)
O que significa usar inteligência artificial em imagens médicas
Em medicina, inteligência artificial é um termo amplo para sistemas computacionais capazes de identificar padrões em grandes conjuntos de dados. No diagnóstico por imagem, os modelos podem ser treinados para reconhecer características visuais associadas a determinadas alterações.
Alguns sistemas usam aprendizado de máquina, no qual algoritmos identificam relações entre características previamente selecionadas e um resultado de interesse. Outros usam aprendizado profundo, uma modalidade que emprega redes neurais com múltiplas camadas para aprender padrões diretamente de imagens ou de representações processadas delas.
Na pesquisa sobre endometriose, a IA pode ser estudada para:
- classificar imagens como mais ou menos compatíveis com determinadas formas da doença;
- localizar ou delimitar possíveis lesões;
- auxiliar a identificação de endometriomas ovarianos;
- estimar a probabilidade de endometriose profunda em uma região anatômica específica;
- organizar medidas e características da imagem;
- combinar imagem com dados clínicos ou outros marcadores;
- apoiar a padronização da interpretação entre diferentes examinadores.
Essas aplicações não são equivalentes. Um modelo treinado para reconhecer endometrioma ovariano não necessariamente apresenta o mesmo desempenho para endometriose superficial, doença profunda intestinal ou lesões em outras localizações. A utilidade de um sistema depende do objetivo definido antes do estudo, da qualidade das imagens, do padrão usado como referência e do contexto em que o modelo será utilizado.
O que está mais estabelecido
A imagem já tem papel relevante na investigação da endometriose
A ultrassonografia transvaginal especializada e a ressonância magnética podem contribuir para a identificação e o mapeamento de determinadas formas de endometriose, principalmente quando realizadas e interpretadas em contextos com experiência específica. A literatura descreve desempenho mais consistente para endometriomas e para algumas manifestações de endometriose profunda. Ao mesmo tempo, a sensibilidade pode ser menor para doença superficial, e um resultado negativo não exclui necessariamente a presença da doença. (pubmed.ncbi.nlm.nih.gov)
A avaliação por imagem deve ser compreendida como parte de um processo mais amplo. Sintomas, história clínica, exame físico quando pertinente, características da imagem e outros elementos podem ser considerados por profissionais habilitados. A presença de uma imagem sugestiva não deve ser interpretada isoladamente pelo leitor, assim como a ausência de um achado em determinado exame não resolve todas as possibilidades.
A IA consegue reconhecer padrões em bases de pesquisa
Estudos experimentais e revisões sistemáticas descrevem modelos capazes de diferenciar imagens associadas a endometriose de imagens classificadas como não relacionadas à doença. Entre os trabalhos avaliados, aparecem tanto técnicas de aprendizado de máquina quanto de aprendizado profundo.
Uma revisão sistemática publicada em 2026, que reuniu cinco estudos sobre IA aplicada a imagens ultrassonográficas, encontrou resultados de desempenho considerados promissores, mas baseados em uma literatura ainda pequena e heterogênea. Os próprios autores destacaram a necessidade de validação externa e de avaliação em cenários reais antes de uma integração clínica ampla. (pubmed.ncbi.nlm.nih.gov)
Outra revisão sistemática, voltada ao uso de IA em doenças ginecológicas benignas, identificou apenas seis estudos especificamente relacionados à endometriose dentro do conjunto analisado. A maioria dos trabalhos desenvolvia e validava internamente modelos de classificação, enquanto muitos apresentavam limitações quanto à seleção dos participantes, à descrição dos equipamentos e à ausência de validação externa. (pubmed.ncbi.nlm.nih.gov)
Esses achados sustentam uma conclusão moderada: a IA pode aprender padrões relevantes em imagens, mas ainda não há evidência suficiente para tratá-la como uma solução diagnóstica pronta e universal.
O que parece provável, mas ainda precisa de confirmação
A IA pode funcionar melhor como apoio do que como substituta
O cenário mais plausível, com base no estágio atual da pesquisa, é o uso da IA como ferramenta de apoio. O sistema poderia sinalizar regiões que merecem atenção, sugerir medidas, organizar informações ou oferecer uma segunda análise para profissionais treinados.
Essa possibilidade não significa que o algoritmo tenha autoridade própria. Um sistema pode errar por motivos que não são visíveis para o leitor, como imagens fora do padrão usado no treinamento, diferenças entre aparelhos, alterações técnicas, artefatos, variações anatômicas ou apresentações pouco representadas na base de dados.
A revisão de 2023 sobre imagem não invasiva descreveu crescimento rápido da pesquisa em IA e potencial especial para abordagens multimodais, que combinam mais de um tipo de dado. Porém, também ressaltou que o campo ainda estava em evolução. (pubmed.ncbi.nlm.nih.gov)
A combinação de diferentes informações pode aumentar a utilidade
Uma imagem isolada contém apenas parte da informação relevante. Por isso, pesquisadores estudam modelos que combinam imagens, características clínicas, localização anatômica, medidas e outros dados. Em teoria, essa integração poderia ajudar a lidar com a complexidade da endometriose, que apresenta diferentes fenótipos e graus de extensão.
Ainda assim, combinar mais variáveis não garante automaticamente um resultado melhor. Quanto mais dados entram no modelo, maior pode ser o risco de que ele aprenda relações específicas da base original, mas pouco úteis fora dela. Esse fenômeno é relacionado ao sobreajuste, quando o sistema se adapta excessivamente aos exemplos usados no treinamento.
A generalização também depende da diversidade da população estudada. Um modelo desenvolvido com pessoas predominantemente de uma faixa etária, origem ancestral, estágio da doença ou perfil de encaminhamento pode não apresentar o mesmo desempenho em outros grupos.
Há sinais de potencial em endometriomas ovarianos
Uma meta-análise publicada em 2026 comparou modelos de IA aplicados à ultrassonografia com leitores humanos na identificação de endometriomas ovarianos. Os modelos apresentaram resultados agrupados favoráveis para sensibilidade, especificidade e área sob a curva, mas os autores classificaram as conclusões como promissoras e preliminares, sugerindo que a IA poderia atuar como ferramenta complementar. (pubmed.ncbi.nlm.nih.gov)
Esse resultado não deve ser ampliado para toda endometriose. Endometrioma ovariano é uma manifestação específica, com características de imagem que podem ser diferentes das lesões superficiais ou profundas em outras regiões. Além disso, desempenho estatístico em estudos selecionados não equivale a benefício comprovado para decisões clínicas, redução de atrasos diagnósticos ou melhora de desfechos para pacientes.
O que permanece incerto
A IA detecta a doença inicial ou apenas casos mais característicos?
Uma limitação recorrente é o chamado viés de espectro. Ele ocorre quando os estudos incluem muitos casos avançados ou imagens muito típicas, mas poucos casos iniciais, atípicos ou difíceis de distinguir.
Nessa situação, o modelo pode parecer muito preciso porque aprende a reconhecer exemplos marcantes. Na prática, porém, o desempenho pode cair diante de imagens menos evidentes, de pessoas com sintomas variados ou de pacientes que ainda não foram selecionadas por um serviço especializado.
Uma revisão de 2026 sobre prontidão clínica da IA em endometriose apontou que muitos estudos foram retrospectivos e utilizaram populações estreitas, com representação importante de doença avançada. Os autores destacaram a necessidade de validação prospectiva em populações não selecionadas. (pubmed.ncbi.nlm.nih.gov)
Os números de acurácia são comparáveis entre os estudos?
Não necessariamente. Acurácia, sensibilidade, especificidade e área sob a curva dependem da população, da prevalência da doença, do tipo de imagem, do padrão de referência, da seleção dos controles e do ponto de corte utilizado.
Um modelo pode ter bom desempenho em um centro especializado e apresentar resultado diferente em outro serviço. Também é importante saber se o teste foi avaliado em imagens novas, não usadas durante o treinamento, e se houve validação externa em outra instituição.
A comparação com profissionais humanos também exige cuidado. O nível de experiência dos leitores, o tempo disponível, o número de imagens e o modo como o diagnóstico de referência foi definido podem modificar o resultado. Demonstrar que um algoritmo supera um grupo específico de leitores em uma base de dados não prova que ele seja superior a profissionais experientes em todos os contextos.
A IA pode reduzir desigualdades ou ampliá-las?
A tecnologia pode, em tese, ajudar a padronizar análises e apoiar serviços com menor disponibilidade de especialistas. Porém, também pode reproduzir desigualdades presentes nos dados de treinamento.
Se uma base tiver pouca diversidade de equipamentos, populações, fenótipos ou condições de acesso, o sistema poderá funcionar melhor para alguns grupos do que para outros. Por esse motivo, estudos de implementação precisam avaliar desempenho por subgrupos, transparência, segurança, privacidade, possibilidade de auditoria e impacto real no cuidado.
Também é necessário esclarecer quem será responsável quando o sistema produzir uma recomendação incorreta. A existência de uma ferramenta computacional não elimina a necessidade de supervisão profissional, comunicação adequada e registro das limitações do método.
O que está em pesquisa
Ultrassonografia assistida por IA
A ultrassonografia é uma das áreas mais estudadas porque é amplamente utilizada, não envolve radiação ionizante e permite registrar imagens em tempo real. Pesquisadores investigam modelos para classificação, detecção de lesões, segmentação — delimitação automática de uma estrutura — e avaliação de características anatômicas.
Um desafio específico é que a ultrassonografia depende de vários fatores: técnica de aquisição, posição, protocolo, aparelho, qualidade da janela acústica e experiência de quem realiza o exame. Um algoritmo treinado com imagens estáticas pode não representar toda a complexidade de um exame dinâmico.
Ressonância magnética e apoio à leitura
A ressonância pode fornecer informações anatômicas detalhadas e vem sendo estudada com técnicas de aprendizado de máquina, radiômica e análise automatizada. Radiômica é a extração computacional de numerosas características quantitativas de uma imagem, algumas das quais podem não ser percebidas visualmente de forma simples.
Há trabalhos recentes que investigam programas de apoio à leitura de ressonância para endometriose profunda. Esses estudos ainda precisam demonstrar, em diferentes centros e com desenhos prospectivos, se a ferramenta melhora decisões, reduz erros relevantes, economiza tempo sem comprometer a segurança ou acrescenta valor à leitura especializada. (pubmed.ncbi.nlm.nih.gov)
Abordagens multimodais
Outra linha de pesquisa combina ultrassonografia, ressonância, dados clínicos e eventualmente informações moleculares. A ideia é que diferentes fontes possam compensar limitações umas das outras.
Esse caminho é cientificamente interessante, mas aumenta a complexidade. Cada dado adicional pode apresentar erros de medição, diferenças entre centros e informações ausentes. Antes de qualquer uso amplo, os modelos precisam ser testados quanto à reprodutibilidade, calibração e utilidade clínica — isto é, se realmente ajudam a tomar decisões melhores, e não apenas se produzem uma classificação estatisticamente correta.
Como interpretar uma notícia sobre IA e endometriose
Algumas perguntas ajudam a diferenciar uma descoberta inicial de uma tecnologia próxima da prática:
- O estudo foi publicado em periódico revisado por pares ou é apenas um resumo de congresso, preprint ou comunicado?
- Quantas pessoas e imagens foram incluídas?
- O modelo foi testado em dados externos, de outro serviço ou país?
- A população incluía casos leves, atípicos e pessoas ainda não selecionadas por especialistas?
- Qual foi o padrão de referência usado para definir endometriose?
- O estudo avaliou imagens isoladas ou o fluxo completo de atendimento?
- Houve comparação com profissionais experientes?
- Foram informados intervalos de confiança, perdas, conflitos de interesse e financiamento?
- O resultado demonstrou apenas desempenho técnico ou também benefício clínico?
- Existe aprovação regulatória ou incorporação formal para aquela finalidade específica?
O registro de um ensaio clínico também não comprova eficácia ou segurança. É necessário verificar desenho, fase, participantes, desfechos, situação de recrutamento e eventual publicação dos resultados. Um estudo concluído sem resultados disponíveis não deve ser tratado como evidência positiva ou negativa definitiva. (pubmed.ncbi.nlm.nih.gov)
O que isso significa hoje
A inteligência artificial aplicada ao diagnóstico por imagem da endometriose é uma área legítima e ativa de pesquisa. Os dados disponíveis sugerem potencial para apoiar a identificação de padrões, especialmente em algumas manifestações observáveis na ultrassonografia e na ressonância.
Ao mesmo tempo, a evidência ainda apresenta limitações importantes: poucos estudos específicos em algumas aplicações, bases retrospectivas, heterogeneidade de protocolos, validação externa insuficiente, risco de viés de seleção e incerteza sobre o ganho adicional diante de profissionais experientes.
Assim, a formulação mais responsável é que a IA pode vir a complementar a avaliação por imagem, mas ainda não deve ser apresentada como substituta de consulta, exame interpretado por profissional habilitado ou processo diagnóstico individualizado. O PCDT vigente e os documentos oficiais do Ministério da Saúde e da CONITEC continuam sendo referências centrais para o que está incorporado e recomendado no SUS; pesquisas experimentais não alteram, por si só, essas recomendações. (gov.br)
A evolução da área dependerá menos de manchetes com números elevados e mais de estudos transparentes, prospectivos, multicêntricos, reproduzíveis e clinicamente relevantes. O objetivo final não é apenas fazer um algoritmo acertar uma imagem, mas verificar se a ferramenta melhora o cuidado sem criar novos riscos, atrasos ou desigualdades.