Google mostra como IA de raio-X e modelos abertos chegam à triagem de tuberculose em áreas remotas
Segundo o Google Research, ferramenta de raio-X com IA já opera em cerca de 40 unidades de saúde em seis países, e modelos abertos como o MedGemma ajudam governos a criar suas próprias soluções.
Em 3 pontos
- Ferramenta de IA lê raio-X de tórax para triar tuberculose em unidades de saúde de seis países.
- Modelos abertos como o MedGemma permitem que governos criem soluções próprias.
- Uma IA que analisa tosse gravada no celular ainda está em pesquisa clínica.
Redação IA Seenup · via Google Research
Em números
- 1,23 mimortes por tuberculose por ano
- 25 milradiografias avaliadas por profissionais
- 45 stempo de resposta, antes de semanas
- 10 midownloads do MedGemma
O que aconteceu
O Google Research publicou um balanço de cinco anos de trabalho com inteligência artificial na triagem de tuberculose (TB). O texto foi divulgado durante o IDWeek 2026, em Washington. A doença, segundo o blog, causa cerca de 1,23 milhão de mortes por ano. Muitos casos não são detectados em regiões onde faltam radiologistas e equipamentos de imagem.
A trajetória começou em 2019, com um estudo na revista Radiology indicando que algoritmos conseguiam detectar TB pulmonar ativa em raio-X de tórax com desempenho comparável ao de radiologistas experientes. Em 2021, uma avaliação da Stop TB Partnership colocou o modelo entre os melhores do mundo, e a OMS passou a recomendar esse tipo de software de detecção assistida. Em 2024, um estudo na NEJM AI validou a abordagem em vários locais.
Para levar a pesquisa à prática, o Google se associou à Nexus AI, empresa de Pretória, na África do Sul. Ela obteve a certificação europeia CE MDR classe IIb e a norma de qualidade ISO 13485. Também assinou acordo com a FIND para buscar a pré-qualificação da OMS e segue um caminho rumo à aprovação da FDA, nos EUA.
Hoje a ferramenta funciona em cerca de 40 unidades de saúde na África do Sul, em Serra Leoa e na Costa do Marfim, com expansão em andamento na República Democrática do Congo, na Zâmbia e em Camarões. Mais de 90 profissionais já avaliaram mais de 25 mil radiografias, e o tempo de resposta caiu de semanas para menos de 45 segundos. A decisão final continua com os profissionais de saúde. Na mina de ouro Mponeng, uma das mais profundas do mundo, kits de raio-X portáteis e IA offline foram levados a quatro quilômetros de profundidade.
Por que importa
Segundo o Google, uma solução feita com um único parceiro não resolve o problema global. Por isso, a empresa abriu modelos que outros podem adaptar: os embeddings (representações numéricas) de raio-X, o MedSigLIP e o MedGemma, que já passou de 10 milhões de downloads. O MedGemma pode rodar no próprio aparelho, sem internet.
Um exemplo é a Indonésia. O Ministério da Saúde quer triar 50 milhões de pessoas por ano e está ajustando esses modelos com radiografias do próprio país. Como tudo roda em infraestrutura local, os dados dos pacientes ficam dentro das fronteiras nacionais.
Há ainda o HeAR, modelo treinado com mais de 300 milhões de trechos de áudio, que busca identificar sinais da doença no som da tosse gravada em um celular comum. Ele é estudado com parceiros na Zâmbia e em Gana, entre outros, e ainda está em fase de pesquisa clínica.
O que muda para quem usa IA
Para o público em geral, o caso mostra a IA em um papel prático: apoiar a triagem, e não substituir o médico. Para desenvolvedores e órgãos de saúde, modelos abertos permitem criar ferramentas locais com poucos exemplos e sem grande poder de computação. A mensagem do Google é que a combinação de triagem por tosse, raio-X portátil e raciocínio clínico por IA pode formar uma cadeia de diagnóstico para populações com menos acesso a serviços de saúde.
O que muda
Antes
- Resultado do raio-X levava semanas
- Triagem e exame de confirmação em visitas separadas
Depois
- Resultado em menos de 45 segundos
- Triagem e confirmação podem ocorrer na mesma visita
Entenda os termos
- Modelo aberto
- Sistema de IA cujos arquivos ficam disponíveis para qualquer equipe baixar, usar e ajustar às suas necessidades.
- Triagem
- Primeira checagem para separar quem precisa de exames de confirmação de quem provavelmente não precisa.
- Ajuste fino
- Treino adicional de um modelo pronto com exemplos locais, para que ele funcione melhor em uma tarefa ou região.
Gostou? Compartilhe
