MD.ai

O MD.ai serve como ferramenta de anotação radiológica e visualizador sobre os mesmos dados. A plataforma trata DICOM desde a raiz, não como formato que entra de passagem. Os exames chegam por envio direto, por bucket no Google Cloud, Amazon S3 ou Azure, ou por DICOM C-STORE. JPEG, PNG, TIFF e vídeo também entram por uma estrutura de pastas por paciente, o que ajuda quando um estudo mistura imagens e clipes clínicos.

O visualizador tem aprovação FDA 510(k), então interpretação clínica, revisão e laudo acontecem em ferramenta aprovada, e não em visualizador de pesquisa com aviso legal. Tem zoom, deslocamento e janelamento, protocolos de apresentação, reconstrução multiplanar e ferramentas de medição. As anotações ficam no mesmo ambiente da imagem, então rotular e ler acontecem na mesma tela.

Você publica seu modelo e roda a inferência distribuída na base. O resultado chega como pré-anotação, que o anotador aceita, ajusta ou descarta. Cada projeto pode ter seus próprios modelos e ajustes, e a plataforma registra o desempenho do modelo contra os rótulos humanos. É o ciclo de retorno que quase toda ferramenta de anotação deixa de fora.

A anotação federada permite que várias instituições entrem na avaliação de um mesmo modelo sem juntar dados de pacientes. Cada unidade rotula ou roda inferência localmente, e só os resultados viajam. Para um fornecedor que precisa de validação externa antes de um registro, costuma ser o único caminho para juntar evidência de vários centros sem meses de acordos de compartilhamento.

A anonimização de dados de saúde começa na detecção de PHI embutida, que varre imagens e metadados atrás de informação identificável e a remove antes da exportação. A anonimização em nível de pixel cuida do texto que ficou gravado na própria imagem. É o passo que decide se uma base pode sair do hospital, e tê-lo dentro da plataforma evita um projeto de conformidade à parte.

Como software de laudos de radiologia, o Reporting usa modelos de linguagem nas tarefas que consomem o dia do radiologista: escolher o modelo de laudo certo, distribuir os achados ditados nos campos, redigir a impressão, revisar o texto e gerar os códigos de faturamento na assinatura. Dá para trabalhar no modo guiado por IA ou ficar no ditado tradicional e pedir ajuda só quando quiser.

Os laudos podem seguir a lógica de diretrizes como BI-RADS, LI-RADS ou TI-RADS, e aceitam diretrizes próprias. O sistema também compara o exame novo com os laudos anteriores e aponta o que mudou. As duas funções cortam o vai e vem que faz um laudo demorar mais do que a própria leitura.

Uma ferramenta de linha de comando e uma biblioteca Python permitem criar projetos, enviar dados, extrair anotações e gerenciar usuários por código. O Reporting conecta ao EHR, HIS e RIS por HL7 e DICOM, e pode ser embutido em outro aplicativo com iframe e acesso por token, de forma que o laudo abre dentro do fluxo do próprio hospital.