Generative Artificial Intelligence for Opportunistic Osteoporosis Screening Using Lumbar Spine Imaging: Diagnostic Performance, Reproducibility, Effects of Few-Shot Prompting, and Comparison with Physicians

Resumo Técnico: IA Generativa para Rastreamento Oportunista de Osteoporose

Definição do Problema
A osteoporose permanece significativamente subdiagnosticada e subtratada, apesar da disponibilidade de terapias eficazes e da aquisição rotineira de radiografias lombares e tomografias computadorizadas (TC) para outras indicações. Embora a densitometria óssea por absorciometria de raio-X de dupla energia (DXA) seja o padrão-ouro para o diagnóstico, muitos pacientes não realizam a avaliação da densidade mineral osa (DMO) durante o cuidado de rotina. Embora os médicos formem impressões intuitivas sobre a qualidade óssea a partir de imagens da coluna, estudos anteriores indicam que a precisão de tais avaliações visuais é apenas moderada, mesmo entre cirurgiões ortopédicos experientes. Enquanto algoritmos de aprendizado profundo mostraram-se promissores, eles exigem desenvolvimento específico para cada tarefa. Em contraste, a inteligência artificial (IA) generativa multimodal oferece uma alternativa amplamente acessível, capaz de interpretar imagens médicas sem treinamento dedicado de modelo. No entanto, o desempenho diagnóstico desses modelos para o rastreamento oportunista de osteoporose, sua reprodutibilidade e o impacto do "few-shot prompting" (fornecer casos de exemplo para guiar as respostas) permanecem pouco compreendidos.

Metodologia
Este estudo comparativo baseado em imagens avaliou o desempenho diagnóstico da IA generativa multimodal em comparação com médicos, utilizando um conjunto de dados de 45 radiografias lombares laterais e 45 imagens de reconstrução sagital de TC lombar.

• Padrão de Referência: Osteoporose e baixa massa óssea foram definidas utilizando os limiares de T-score da OMS de −2,5 e −1,0, respectivamente.
• Participantes:
  • Médicos: 42 cirurgiões ortopédicos certificados e 50 médicos não especialistas (dados derivados de um estudo anterior).
  • Modelos de IA: Três sistemas de IA generativa multimodal publicamente disponíveis: ChatGPT (OpenAI, GPT-5, acessado em janeiro de 2026), Claude 4 Opus e Gemini 3.1 Pro.
• Protocolo de Avaliação:
  • Zero-shot vs. Few-shot: Os modelos de IA avaliaram as imagens sob condições zero-shot (apenas instruções) e condições few-shot (fornecidas com 20 casos de referência rotulados, incluindo imagens, classificações e valores YAM).
  • Reprodutibilidade: Cada modelo de IA avaliou o conjunto de dados completo cinco vezes em sessões de chat independentes. As classificações finais foram determinadas por votação majoritária (≥3 de 5 respostas).
  • Combinação Humano-IA: Uma análise pós-hoc exploratória combinou os votos majoritários de especialistas com os votos majoritários do Claude usando as regras "OU" (positivo se qualquer um for positivo) e "E" (positivo apenas se ambos forem positivos) para avaliar erros diagnósticos complementares.
• Métricas: Os desfechos primários incluíram acurácia diagnóstica, sensibilidade, especificidade e reprodutibilidade intra-modelo (Kappa de Cohen).

Principais Resultados

• Acurácia Diagnóstica:
  • No limiar de T-score de −1,0 para radiografias, o Claude alcançou a maior acurácia (73,3%), seguido pelo Gemini (64,4%), especialistas (57,4%), ChatGPT (55,6%) e não especialistas (44,0%). Especialistas superaram significativamente os não especialistas (P<0,001).
  • No limiar convencional de −2,5, não foi encontrada diferença significativa entre especialistas e não especialistas para radiografias, embora os especialistas tenham sido significativamente mais precisos para imagens de TC (P<0,001).
  • Os modelos de IA mostraram acurácia amplamente semelhante aos especialistas em comparações descritivas para imagens de TC.
• Impacto do Prompting:
  • Acurácia: O prompting few-shot não melhorou consistentemente a acurácia diagnóstica para médicos ou modelos de IA. As mudanças variaram por modelo e condição, variando de uma diminuição de 24,4 pontos percentuais a um aumento de 11,1 pontos percentuais.
  • Reprodutibilidade: O prompting few-shot melhorou a reprodutibilidade intra-modelo em vários modelos, mais notavelmente no Claude (κ aumentou de 0,543 para 0,855 para radiografias). Essa dissociação entre a melhoria na consistência e a acurácia inalterada foi um achado fundamental.
• Complementaridade Humano-IA:
  • A regra "OU" (combinando especialista e Claude) aumentou a sensibilidade para radiografias no limiar de −1,0 para 66,7% para 80,0% e para TC de 83,3% para 90,0%, embora a especificidade tenha diminuído.
  • A análise de resgate de erro confirmou erros parcialmente não sobrepostos: o Claude classificou corretamente 40–50% dos casos de falsos negativos dos especialistas, e os especialistas corrigiram uma parte dos erros do Claude.

Principais Contribuições

1. Desempenho Comparativo: O estudo fornece evidências diretas de que modelos de IA generativa selecionados podem alcançar desempenho diagnóstico comparável, ou em algumas condições superior, ao de médicos para o rastreamento oportunista de osteoporose usando imagens lombares.
2. Efeitos do Prompting: Demonstra que o prompting few-shot não garante a melhoria da acurácia diagnóstica, mas pode aumentar significativamente a reprodutibilidade intra-modelo (consistência), um fator crítico para a integração no fluxo de trabalho clínico.
3. Complementaridade: A pesquisa oferece evidências quantitativas de complementaridade diagnóstica, mostrando que os erros humanos e de IA são parcialmente não sobrepostos. Isso sugere que a combinação de julgamentos poderia reduzir os casos perdidos (falsos negativos) em cenários de rastreamento, embora ao custo de um aumento nos falsos positivos.
4. Variabilidade de Modelos: Os achados destacam a substancial variabilidade de desempenho e reprodutibilidade entre diferentes modelos de IA generativa, indicando que eles não são ferramentas diagnósticas intercambiáveis.

Significância e Alegações
O artigo conclui que a IA generativa deve ser vista como uma potencial ferramenta de suporte à decisão em vez de um sistema autônomo para o rastreamento oportunista de osteoporose. Os autores afirmam que, embora a IA possa não superar universalmente os médicos, sua capacidade de fornecer julgamentos diagnósticos complementares pode ajudar a identificar pacientes que necessitam de avaliação formal de DMO, abordando assim o problema do subdiagnóstico.

O estudo enfatiza que o valor clínico da IA generativa reside em sua integração nos fluxos de trabalho clínicos junto ao julgamento médico. Os autores alertam que regras simples de combinação envolvem um compromisso entre sensibilidade e especificidade e que os efeitos complementares aparentes requerem validação prospectiva em coortes independentes. Além disso, o estudo observa que a melhoria da reprodutibilidade via prompting few-shot não equivale necessariamente a uma melhoria da validade diagnóstica, ressaltando a necessidade de avaliar acurácia e consistência como dimensões distintas do desempenho da IA.