Aplicações da Inteligência Artificial na detecção e classificação de fraturas em radiografias musculoesqueléticas: revisão da literatura
DOI:
https://doi.org/10.54899/dcs.v23i88.4885Palavras-chave:
Inteligência Artificial, Radiografia, Fraturas Ósseas, OrtopediaResumo
Mapear e discutir as aplicações de inteligência artificial (IA) na detecção, classificação e localização de fraturas em radiografias musculoesqueléticas. O estudo baseia-se em uma revisão da literatura conduzida com buscas ativas nas bases PubMed/MEDLINE, Scopus, Cochrane Library, LILACS e SciELO, englobando o período de 2016 a junho de 2025, analisando artigos originais e de revisão sobre redes neurais aplicadas ao trauma ortopédico. As evidências apontam que arquiteturas profundas, como ResNet, DenseNet e detectores como YOLO, atingem altos níveis de acurácia, sensibilidade e especificidade (frequentemente entre 80% e 95%) para detecção de fraturas. Observou-se que a IA atua extraindo características complexas das imagens, reduzindo o tempo de emissão de laudos e minimizando a variabilidade interobservador em ambientes de emergência, prestando auxílio vital em fraturas de difícil visualização. Entretanto, persistem limitações metodológicas na literatura atual, como viés de espectro, bases de dados de centro único e escassez de avaliações multicêntricas com validação externa. Conclui-se que a IA apresenta elevado potencial como ferramenta de suporte à decisão clínica e triagem radiológica de fraturas. A transição para a prática ortopédica, no entanto, requer maior transparência algorítmica e explicabilidade para garantir a segurança do paciente.
Downloads
Referências
ANDERSON, P. G. et al. Deep learning assistance closes the accuracy gap in fracture detection across clinician types. Clinical Orthopaedics and Related Research, v. 481, n. 3, p. 580-588, 2023.
ANTTILA, T. T. et al. Detecting distal radius fractures using a segmentation-based deep learning model. Journal of Digital Imaging, v. 36, n. 2, p. 679-687, 2023.
BAI, J. et al. Construction and application of rib fracture diagnosis model based on YOLOv3 algorithm. Fa Yi Xue Za Zhi, v. 39, n. 4, p. 343-349, 2023.
BRADY, A. P.; NERI, E. Artificial intelligence in radiology—ethical considerations. Diagnostics, v. 10, n. 4, p. 231, 2020.
CHARTRAND, G. et al. Deep learning: a primer for radiologists. RadioGraphics, v. 37, n. 7, p. 2113-2131, 2017.
CHUNG, S. W. et al. Automated detection and classification of the proximal humerus fracture by using deep learning algorithm. Acta Orthopaedica, v. 89, n. 4, p. 468-473, 2018.
ELBAHI, M. K. et al. Artificial intelligence in fracture diagnosis on radiographs: evidence, pitfalls, and pathways for clinical integration (2020-2025). Cureus, v. 17, n. 1, p. e12551796, 2025.
GONZÁLEZ, G. et al. Classification and segmentation of hip fractures in X-rays: highlighting fracture regions for interpretable diagnosis. Insights into Imaging, v. 16, p. 86, 2025.
HOSNY, A. et al. Artificial intelligence in radiology. Nature Reviews Cancer, v. 18, n. 8, p. 500-510, 2018.
KIM, M. W. et al. Application of convolutional neural networks for distal radio-ulnar fracture detection on plain radiographs in the emergency room. Clinical and Experimental Emergency Medicine, v. 8, n. 2, p. 120-127, 2021.
KUO, R. X. et al. Artificial intelligence in fracture detection: a systematic review and meta-analysis. Radiology, v. 304, n. 1, p. 50-62, 2022.
LEE, S. H. et al. Automated AO/OTA classification of pelvic fractures on pelvic radiographs using deep learning. Scientific Reports, v. 14, p. 20548, 2024.
LINDSEY, R. V. et al. Deep neural network improves fracture detection by clinicians. Proceedings of the National Academy of Sciences, v. 115, n. 45, p. 11591-11596, 2018.
MAGNÉLI, M. et al. Deep learning classification of shoulder fractures on plain radiographs of the humerus, scapula and clavicle. PLOS ONE, v. 18, n. 8, p. e0289808, 2023.
MELLON, M. et al. Artificial intelligence interpretation of upper extremity trauma radiographs: a systematic review and meta-analysis. JSES Reviews, Reports and Techniques, v. 5, n. 3, p. 435-443, 2025.
MURATA, K. et al. Artificial intelligence for the detection of vertebral fractures on plain spinal radiography. Scientific Reports, v. 10, p. 20031, 2020.
NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST). Artificial Intelligence Risk Management Framework (AI RMF). Gaithersburg: U.S. Department of Commerce, 2024a. Disponível em: https://www.nist.gov/artificial-intelligence. Acesso em: 25 fev. 2026.
NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST). Glossary of Artificial Intelligence Terms. Gaithersburg: U.S. Department of Commerce, 2024b. Disponível em: https://www.nist.gov. Acesso em: 25 fev. 2026.
OLCZAK, J. et al. External validation of an artificial intelligence multi-label deep learning model capable of ankle fracture classification. BMC Musculoskeletal Disorders, v. 25, p. 788, 2024.
SATO, Y. et al. Artificial intelligence improves the accuracy of residents in the diagnosis of hip fractures: a multicenter study. BMC Musculoskeletal Disorders, v. 22, p. 407, 2021.
TEJANI, A. S. et al. Integrating and adopting AI in the radiology workflow: a primer for standards and IHE profiles. Radiology, v. 311, n. 3, p. e232653, 2024.
THIAN, Y. L. et al. Convolutional neural networks for automated fracture detection and localization on wrist radiographs. Radiology: Artificial Intelligence, v. 1, n. 1, p. e180001, 2019.
YANG, T. H. et al. Detection and classification of scaphoid fractures in radiograph by using a convolutional neural network. Diagnostics, v. 14, n. 21, p. 2425, 2024.
YILMAZ, A. et al. An automated hip fracture detection and classification system on pelvic radiographs and comparison with 35 clinicians. Scientific Reports, v. 15, p. 16001, 2025.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Revista DCS
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
