Geoffrey Hinton, cientista da computação canadense e um dos criadores do Deep Learning, deu uma declaração em Toronto, em 2016, que ainda ecoa na radiologia. A frase no artigo “Radiology Is an Infinite Game”, do radiologista brasileiro Felipe Soares Torres, publicado na Radiologia Brasileira: “people should stop training radiologists now” e “it is just completely obvious that within five years deep learning will do better than radiologists”. Parem de formar radiologistas agora. Em cinco anos, a inteligência artificial seria melhor que eles.
Dez anos se passaram. Não sobra radiologista no mundo. Falta. A escassez global da especialidade é hoje um dos problemas centrais da medicina de imagem e Torres registra algo que qualquer professor de medicina reconhece: parte considerável dos estudantes foi desencorajada a escolher radiologia justamente por causa da fala de Hinton, não por falta de vocação para a área.
Vejo esse efeito de perto, na sala de aula. Aluno de medicina decide especialidade também pela leitura de manchete. Se a manchete diz que a profissão vai acabar, poucos apostam mais 4, 5 anos de formação numa carreira que parece condenada. Parte da escassez que a radiologia enfrenta hoje tem origem retórica, não clínica.
O erro de Hinton foi confundir tarefa com profissão. Ele olhou para a radiologia e viu um problema de classificação de imagem: distinguir tumor de tecido saudável, como uma rede neural distingue gato de cachorro. Ignorou o resto do trabalho: o histórico clínico que o radiologista cruza com o exame, a conversa com o cirurgião que pediu a tomografia, o julgamento sobre um exame mal executado, a decisão numa zona cinzenta que nenhum dataset resolve sozinho.
Hoje, esse erro voltou, só que de cabeça para baixo. A reportagem “Stretched Too Thin”, publicada pela Radiology Today em julho de 2026, descreve um quadro que qualquer radiologista americano reconhece: volume de exame subindo, quadro de pessoal encolhendo, radiologista trocando de sistema o dia inteiro. Segundo dados da American Medical Association citados na reportagem, 45,2% dos radiologistas relataram pelo menos um sintoma de burnout em 2025, contra 41,9% dos médicos em geral. Um estudo do Neiman Health Policy Institute, publicado em fevereiro no Journal of the American College of Radiology, acompanhou quase 40 mil radiologistas entre 2013 e 2022 e encontrou um aumento de 61% na rotatividade da especialidade.
A resposta mais repetida para esse quadro é: adiciona mais uma IA.
Morris Panner, presidente da Intelerad, companhia do grupo GE HealthCare, chama o problema real de interoperabilidade de cadeira giratória. O radiologista devia interpretar exame. Em vez disso, loga num sistema, troca pra outro. O que devia estar junto, ele reconstrói na cabeça, todos os dias. Abhishek Gupta, vice-presidente sênior de saúde e ciências da vida na Mastek, empresa global de transformação digital, concorda: se uma nova IA gera mais alerta, mais etapa de verificação, mais clique, ela aumenta a carga cognitiva em vez de reduzir. “O patchwork não funciona”, resume Panner. Ferramenta isolada empilhada sobre sistema antigo pode piorar o que deveria resolver.
Os dois erros nascem da mesma simplificação. Em 2016, Hinton achava que bastava automatizar a tarefa mais visível da especialidade. Em 2026, parte do mercado acha que basta empilhar tecnologia sobre um fluxo de trabalho que já está quebrado.
Nenhum dos dois toca o problema de fundo, que também não é só tecnológico. Brent Murphy e Anthony Mungo, fundadores respectivamente da John Patrick University of Health and Applied Sciences e do Center for Radiology Education, apontam um déficit de mais de 85 mil técicos em radiologia só nos Estados Unidos. Marissa Mangrum, presidente eleita da American Society of Radiologic Technologists, lembra que o esgotamento não é só do médico. Atinge tecnólogo, terapeuta e equipe de suporte do mesmo jeito. Sem pipeline de formação, incentivo financeiro e programa de bem-estar resolvem por um tempo, mas não tocam no descompasso entre oferta e demanda.
O que muda o jogo não é ter mais IA. É orquestrar o que já existe. Um sistema que direcione o caso certo, ao radiologista certo, na hora certa, dentro da mesma tela, em vez de espalhar a decisão por cinco portais diferentes. Modelos de teleradiologia flexível, como descreve Stephen Champlin, diretor de interoperabilidade da CIVIE, permitem cobertura de 24 horas sem empilhar plantão sobre o mesmo grupo de sempre. Isso é orquestração. Não é mais uma ferramenta. É menos fricção.
Tecnologia resolve problema bem definido. Prática médica bagunçada é outra categoria de problema. Hinton errou ao achar que a primeira solucionava a segunda em 2016. O mercado de tecnologia em saúde corre o risco de repetir o erro em 2026, na direção contrária: multiplicando ferramentas em vez de multiplicar previsões.
Dez anos depois de Toronto, a radiologia continua precisando de gente. Só que de gente sustentada por um sistema que funcione, não de mais uma tela pra abrir entre um exame e outro.
#SaúdeDigital #Radiologia #EducaçãoMédica #BurnoutMédico #AI #IA
Fontes
- Torres, Felipe Soares. “When Discussing the Impact of AI on Radiology, Just Remember: Radiology Is an Infinite Game.” Radiologia Brasileira, PMC7720669. Fonte primária da citação de Geoffrey Hinton (2016).
- Orenstein, Beth W. “Stretched Too Thin.” Radiology Today, v. 27, n. 4, jul. 2026.
- Matos, David. “Em 2016 Disseram Que a IA Substituiria os Radiologistas. Ainda Estamos Esperando…” Ciência e Dados, nov. 2025.
- Dans, Enrique. “The Radiologist Paradox: How AI Made Them More Valuable, Not Obsolete.” Medium, set. 2025.
