Usei o Claude Code para obter uma segunda opinião sobre a minha ressonância magnética

Limites dos LLMs para Imagem Médica

• Muitos comentadores argumentam fortemente que os LLMs generalistas atuais não são confiáveis para diagnóstico baseado em imagem, especialmente modalidades 3D complexas como MRI.
• Pesquisadores de radiologia e MRI observam que os modelos de fronteira não são treinados nem validados para interpretação sutil de imagens médicas e tendem a alucinar achados plausíveis.
• Várias referências a trabalhos que mostram “mirage reasoning”: modelos descrevem e raciocinam com confiança sobre imagens que nunca foram realmente fornecidas.
• Praticantes relatam testar modelos de fronteira em conjuntos de dados médicos reais de imagem (por exemplo, otoscopia, lâminas de patologia) e encontrar má calibração e erros com alta confiança.

Nuances de Radiologia e Imagem

• Detalhes de MRI: protocolos comuns de cortes “2D” com espaços vs. varreduras isotrópicas 3D verdadeiras; trade-offs entre resolução, velocidade e artefatos de movimento.
• Ultrassom em ortopedia é útil para tecidos moles e tendões, mas ruim para osso e pequenas calcificações; radiografias simples ou MRI podem detectar calcificações que o ultrassom não vê.
• Radiologistas enfatizam que achados negativos são sempre condicionais à modalidade e à técnica; “não há X” no ultrassom não significa “não há X” de forma absoluta.

IA como Segunda Opinião / Ferramenta para Pacientes

• Alguns usuários compartilham relatos positivos em que LLMs ajudaram a identificar diagnósticos errados ou sugerir condições/tratamentos negligenciados, especialmente a partir de laudos textuais e dados laboratoriais.
• Outros relatam resultados flagrantemente errados ou internamente inconsistentes em suas próprias MRI/radiografias, ou falhas óbvias como ler mal tabuleiros de xadrez e imagens básicas.
• Um padrão recorrente de “melhor uso”: usar LLMs para entender laudos, gerar perguntas ou destacar diretrizes e diagnósticos diferenciais, e então discutir com um clínico humano.

Confiança, Autodiagnóstico e “Psicose de IA”

• Clínicos se preocupam com pacientes tratando saídas de IA como autoritativas, corroendo a confiança e consumindo o escasso tempo de consulta para desmentir absurdos confiantes.
• Vários comentários comparam isso a um problema amplificado de “Dr. Google”, com perigo extra porque as respostas soam especializadas e personalizadas.
• Alguns descrevem uma autoconfiança quase religiosa na IA (“psicose de IA”), em que feedback contrário de especialistas é descartado como falta de visão.

Problemas do Sistema de Saúde e Incentivos

• Muitas histórias de diagnóstico errado, opiniões conflitantes, excesso de tratamento (por exemplo, exames de imagem desnecessários, procedimentos, injeções homeopáticas), tratamento insuficiente e consultas apressadas de 5 a 15 minutos.
• Isso leva pacientes a recorrerem aos LLMs por frustração e falta de acesso, não apenas por tecnoutopismo.
• Vários argumentam que a IA poderia ser poderosa como ferramenta interna para médicos (consulta de diretrizes, geração de hipóteses, listas de verificação), mas não como diagnosticador autônomo, especialmente para imagem.