Agente de IA para Interpretação de Exames de Imagem

22 de December de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que analisa exames de imagem, como raios-X e ressonâncias magnéticas.

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para um agente de IA que analisa exames de imagem, como raios-X e ressonâncias magnéticas, para identificar padrões e anomalias, auxiliando no diagnóstico médico. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é transformar exames de imagem em relatórios interpretativos padronizados, que aceleram diagnósticos e garantem a padronização na interpretação de imagens entre diferentes profissionais de saúde.

2. Contexto e Problema

Cenário Atual

A interpretação de exames de imagem, como raios-X e ressonâncias magnéticas, enfrenta desafios significativos:

  • Dificuldade em detectar anomalias sutis em exames de imagem devido à grande quantidade de dados e detalhes.
  • Necessidade de reduzir o tempo de análise de imagens para acelerar diagnósticos.
  • Falta de padronização na interpretação de imagens entre diferentes profissionais.

Atualmente, o processo de análise é manual, requerendo tempo e experiência significativos dos profissionais de saúde, o que pode levar a variações na qualidade e precisão dos diagnósticos.


Problemas Identificados

  • Consumo de tempo: A análise manual de exames de imagem consome um tempo valioso dos radiologistas, que poderia ser usado para atender mais pacientes.
  • Inconsistência: Diferentes profissionais podem interpretar as mesmas imagens de maneiras variadas, resultando em diagnósticos inconsistentes.
  • Risco de erros: A possibilidade de passar despercebidas anomalias sutis em exames de imagem é alta, especialmente em casos complexos.

3. Impactos Esperados

A implementação deste agente de IA visa alcançar os seguintes resultados:

  • Reduzir o tempo de análise de imagens em pelo menos 50%.
  • Padronizar a interpretação de exames de imagem entre diferentes profissionais de saúde.
  • Aumentar a precisão na detecção de anomalias sutis em exames de imagem.
  • Melhorar a eficiência dos processos de diagnóstico, permitindo que os profissionais de saúde atendam a mais pacientes.

4. Visão Geral da Solução

O agente de IA para interpretação de exames de imagem utiliza técnicas de aprendizado profundo para analisar exames como raios-X e ressonâncias magnéticas, identificando padrões e anomalias para auxiliar no diagnóstico médico. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo na interpretação de exames de imagem.

A solução consiste em um fluxo de automação composto por 4 agentes de IA. O processo inicia com a validação e normalização dos exames de imagem e termina com a geração de um relatório radiológico padronizado.

A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo.

Agentes Função Principal
Agente de Validação e Normalização de Entrada de Exames de Imagem (RF 1) Validar e normalizar o pacote de exame para garantir padronização mínima antes da extração de achados.
Agente de Extração Estruturada de Achados em Imagem (RF 2) Extrair, descrever e mensurar achados relevantes na imagem de forma padronizada.
Agente de Priorização Clínica e Padronização de Classificações (RF 3) Classificar achados por criticidade, sugerir hipóteses diferenciais e definir urgência.
Agente de Geração de Relatório Radiológico Padronizado (RF 4) Produzir relatório interpretativo padronizado e consistente.

5. Protótipos

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram tanto o fluxo de trabalho dos agentes quanto o resultado final que o cliente receberá. Explore os links abaixo para entender melhor a solução em ação.

6. Requisitos Funcionais

RF 1. Agente de Validação e Normalização de Entrada de Exames de Imagem

1.1 Tarefa do Agente

Validar e normalizar o pacote de exame (imagens e metadados) para garantir padronização mínima antes da extração de achados.

1.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um pacote de exame contendo imagens e metadados. Este pacote precisa ser validado e normalizado para garantir que está em conformidade com os padrões necessários para a extração de achados.

# 2. Objetivo
Validar e normalizar o pacote de exame para garantir padronização mínima antes da extração de achados.

# 3. Regras que você deve seguir para gerar sua resposta
- Priorize o formato DICOM para imagens; aceite JPEG/PNG somente se a resolução mínima for >= 1024 px no menor lado.
- Confirme a ausência de PHI em cabeçalhos e overlays; se identificadores pessoais forem detectados, marque lista_inconformidades e reprove.
- Normalize a modalidade em {CR, DX, MG, CT, MR, US, NM, PET} e a região anatômica em taxonomia clínica comum (ex.: tórax, crânio, abdome).
- Para CR/DX tórax, idealmente 2 projeções (PA/LL ou AP/LL); para CT tórax, espessura de corte <= 2 mm; para MR encéfalo, incluir T1, T2, FLAIR.
- Capture pixel_spacing e slice_thickness quando disponíveis; se ausentes, registre como desconhecido.
- Valide a presença de texto objetivo na indicação clínica; se ausente, anote como “indicação não informada”.
- Se houver estudos anteriores, marque estudos_anteriores_disponiveis = sim e liste datas.

# 4. Exemplo de Output que você deve produzir
input_normalizado com: status_validacao (aprovado/reprovado), lista_inconformidades, modalidade_padronizada, regiao_anatomica_padronizada, orientacao_padronizada, resumo_parametros_tecnicos (resolucao, pixel_spacing, slice_thickness, contraste: sim/nao), estudos_anteriores_disponiveis (sim/nao), pronto_para_extracao (true/false). 
1.3 Configurações do Agente

1.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de um pacote de exame de imagem via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: O input inicial para o fluxo é um pacote de exame que contém imagens e metadados.
  • Formatos Suportados: Esse agente deve ser capaz de receber imagens nos formatos: .dcm, .jpg, .png.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 50.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON estruturado contendo o status de validação, lista de inconformidades, modalidade padronizada, entre outros.
  • Exemplo de Estrutura de Output:
     {
      "status_validacao": "aprovado",
      "lista_inconformidades": [],
      "modalidade_padronizada": "CR",
      "regiao_anatomica_padronizada": "tórax",
      "pronto_para_extracao": true
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 800 caracteres.

1.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

1.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

1.3.5 Memória

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Extração Estruturada de Achados em Imagem (RF 2).

RF 2. Agente de Extração Estruturada de Achados em Imagem

2.1 Tarefa do Agente

Extrair, descrever e mensurar achados relevantes na imagem de forma padronizada, preparando base objetiva para priorização clínica.

2.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um input normalizado que está pronto para a extração de achados. Este input contém imagens normalizadas e metadados técnicos.

# 2. Objetivo
Extrair, descrever e mensurar achados relevantes na imagem de forma padronizada, preparando base objetiva para priorização clínica.

# 3. Regras que você deve seguir para gerar sua resposta
- Descreva a localização anatômica em termos padronizados (ex.: lobos pulmonares, segmentos hepáticos).
- Sempre reporte o maior eixo em mm e, quando possível, dois eixos adicionais perpendiculares.
- Para CT, inclua HU médios do achado e do parênquima adjacente quando útil; para MR, qualifique sinal como hipo/iso/hiper em T1/T2/FLAIR.
- Qualifique morfologia: bordos (lisos/lobulados/espiculados), forma (redonda/oval/irregular), padrão interno (sólido/parte-sólido/vidro-fosco/cístico).
- Atribua confianca_achado entre 0 e 1 conforme clareza visual e suporte por múltiplas séries/projeções.
- Estime qualidade_imagem_score (1–5) com base em ruído, artefatos, colimação, posicionamento e adequação de contraste.

# 4. Exemplo de Output que você deve produzir
achados_brutos: lista de objetos com campos {estrutura_anatomica, lado (D/E/NA), localizacao_descritiva, coordenadas/referencia_serie_corte (quando aplicável), medidas {maior_eixo_mm, eixos_adicionais_mm}, caracteristicas_por_modalidade, padroes_morfologicos, qualidade_imagem_score (1–5), observacoes_tecnicas, confianca_achado (0–1)} e resumo_tecnico. 
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 1).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON estruturado contendo as imagens normalizadas e metadados técnicos.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 10.000 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON estruturado contendo a lista de achados brutos com suas respectivas medidas e características.
  • Exemplo de Estrutura de Output:
     {
      "achados_brutos": [
        {
          "estrutura_anatomica": "pulmão direito",
          "maior_eixo_mm": 15,
          "confianca_achado": 0.9
        }
      ]
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 2.000 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

2.3.5 Memória

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Priorização Clínica e Padronização de Classificações (RF 3).

RF 3. Agente de Priorização Clínica e Padronização de Classificações

3.1 Tarefa do Agente

Classificar achados por criticidade, sugerir hipóteses diferenciais e definir urgência com base em regras clínicas consolidadas e thresholds objetivos.

3.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma lista de achados brutos extraídos de imagens. Esses achados precisam ser classificados por criticidade e urgência.

# 2. Objetivo
Classificar achados por criticidade, sugerir hipóteses diferenciais e definir urgência com base em regras clínicas consolidadas e thresholds objetivos.

# 3. Regras que você deve seguir para gerar sua resposta
- Notifique urgência imediata para: pneumotórax moderado/grande, derrame pericárdico com sinais de tamponamento, hemorragia intracraniana aguda.
- Urgência 24h para: nódulo pulmonar sólido > 8 mm sem estudo prévio, massa intracraniana com efeito de massa.
- Eletivo para achados incidentais de baixo risco (cistos simples, calcificações distróficas).
- Classifique nódulos tireoidianos, mamografias e nódulos pulmonares conforme mapeamentos padronizados (TI-RADS, BI-RADS, Lung-RADS).
- Gere de 1 a 3 hipóteses diferenciais por achado, priorizando coerência com localização, morfologia e contexto clínico.

# 4. Exemplo de Output que você deve produzir
achados_priorizados: lista com {achado_id, classificacao_criticidade, nivel_urgencia, hipoteses_diferenciais_ordem, recomendacoes_iniciais} e sumario_de_risco do estudo. 
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 2).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON estruturado contendo a lista de achados brutos extraídos das imagens.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 15.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON estruturado contendo a classificação dos achados, urgência e recomendações iniciais.
  • Exemplo de Estrutura de Output:
     {
      "achados_priorizados": [
        {
          "achado_id": 1,
          "classificacao_criticidade": "critico",
          "nivel_urgencia": "imediato",
          "hipoteses_diferenciais_ordem": ["pneumonia", "tuberculose"]
        }
      ]
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 2.500 caracteres.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

3.3.5 Memória

3.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Geração de Relatório Radiológico Padronizado (RF 4).

RF 4. Agente de Geração de Relatório Radiológico Padronizado

4.1 Tarefa do Agente

Produzir relatório interpretativo padronizado, claro e consistente, com estrutura fixa e variáveis preenchidas a partir dos achados priorizados.

4.2 Prompt ou Instruções do Agente
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo uma lista de achados priorizados a partir dos quais deve gerar um relatório radiológico padronizado.

# 2. Objetivo
Produzir relatório interpretativo padronizado, claro e consistente, com estrutura fixa e variáveis preenchidas a partir dos achados priorizados.

# 3. Regras que você deve seguir para gerar sua resposta
- Siga a estrutura obrigatória: Identificação do exame, Técnica, Limitações, Achados, Conclusão/Impressão, Categorizações padronizadas, Recomendações.
- Use linguagem objetiva, sem ambiguidade; use termos padronizados e evite inferências não suportadas pelos achados.
- Priorize achados críticos na conclusão; explicite necessidade_de_comunicacao_imediata = sim quando aplicável.
- Referencie cada conclusão ao achado correspondente (id) e localização exata (série/corte/projeção).

# 4. Exemplo de Output que você deve produzir
relatorio_final estruturado em dois formatos: a) JSON com campos {identificacao_exame, tecnica, limitacoes, achados_detalhados, impressao/Conclusao, categorizacoes, recomendacoes, necessidade_de_comunicacao_imediata}; b) Texto padronizado pronto para prontuário. 
4.3 Configurações do Agente

4.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 3).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON estruturado contendo a lista de achados priorizados.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json (JSON).
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 15.000 caracteres.

4.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON estruturado e um texto padronizado pronto para prontuário, ambos contendo a interpretação dos achados.
  • Exemplo de Estrutura de Output:
     {
      "relatorio_final": {
        "identificacao_exame": "ID12345",
        "achados_detalhados": "Achados críticos identificados...",
        "necessidade_de_comunicacao_imediata": "sim"
      }
    } 
  • Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 3.000 caracteres.

4.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

4.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

4.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente é o entregável final e não é passada para outros agentes internos.

4.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. O relatório gerado é o resultado que deve ser disponibilizado ao usuário.

© 2025 prototipe.ai. Todos os direitos reservados.