Um estudo publicado em 2026 treinou pombos para diferenciar tomografias com e sem nódulos pulmonares As aves também reconheceram alterações para as quais não haviam sido treinadas, como enfisema e nódulos em vidro fosco A pesquisa se conecta a estudos sobre detecção não consciente em radiologistas e pode orientar modelos de IAUm estudo publicado em fevereiro de 2026 na revista Animal Cognition treinou pombos para analisar vídeos curtos de tomografias computadorizadas e indicar se havia nódulos pulmonares.
A proposta não é usar aves para diagnosticar pacientes, mas entender como sistemas visuais biológicos reconhecem padrões sutis em exames de imagem.
A pesquisa foi feita por Muhammad A. J. Qadri, Reuben R. R. Reyes, Daria Kifjak, Bilal Elkaddouri, Alexander A. Bankier, Max P. Rosen e Gregory J. DiGirolamo. DiGirolamo, pesquisador associado ao College of the Holy Cross e à UMass Chan Medical School, é o autor correspondente do artigo.
O trabalho pode ajudar a desenvolver sistemas de inteligência artificial capazes de apoiar radiologistas na identificação de alterações difíceis de perceber conscientemente, especialmente em exames de pulmão.
Por que isso importa para diagnósticos médicos
Identificar nódulos pulmonares pequenos em tomografias é uma tarefa visual difícil. Em artigo de 2025 publicado na Radiology, DiGirolamo e colegas afirmam que as taxas de erro na detecção desses nódulos continuam altas, apesar dos avanços em tecnologia de imagem e treinamento médico.
Nesse estudo com radiologistas, os participantes olharam para tomografias de tórax enquanto seus movimentos oculares e o tamanho das pupilas eram monitorados.
O resultado mostrou que, mesmo quando os especialistas não relatavam um nódulo, seus olhos ficavam mais tempo sobre a região alterada e suas pupilas se dilatavam.
A conclusão dos pesquisadores é que o cérebro dos radiologistas pode detectar sinais de forma não consciente antes que essa informação vire uma decisão clínica.
O que os pombos revelaram
No estudo com aves, os pesquisadores apresentaram a seis pombos sequências curtas de cortes de tomografia. As imagens mostravam exames com nódulos pulmonares sólidos ou exames sem nódulos.
Metade das aves era recompensada com comida ao responder corretamente a imagens com nódulos. A outra metade era recompensada ao reconhecer exames sem alterações.
Com o treinamento, os pombos aprenderam a diferenciar os dois tipos de imagem e aplicaram esse aprendizado a exames que ainda não tinham visto.
O achado mais importante veio depois: as aves também passaram a identificar alterações diferentes daquelas usadas no treinamento, como enfisema e nódulos em vidro fosco. Para os pesquisadores, isso sugere que pode haver uma assinatura visual comum entre alterações pulmonares que parecem distintas ao olhar humano.
Como isso pode ajudar a inteligência artificial
A ligação com a IA está no uso de sinais não conscientes. O projeto de DiGirolamo financiado pelo National Cancer Institute propõe treinar modelos de aprendizado de máquiina com dados como rastreamento ocular e dilatação pupilar, registrados quando radiologistas observam nódulos que não chegam a relatar.
A ideia é criar ferramentas que “leiam” sinais fisiológicos dos especialistas, em vez de analisar apenas a imagem isoladamente. Assim, a IA poderia avisar o médico sobre uma área que seus olhos e cérebro parecem ter reconhecido como suspeita, mas que não foi marcada no laudo.
Esse tipo de tecnologia ainda está em desenvolvimento. Por isso, a aplicação mais provável não é substituir radiologistas, mas funcionar como apoio para reduzir falhas em exames complexos.
A pesquisa pode ir além da radiologia
A mesma abordagem pode ser testada em outras áreas em que especialistas observam padrões visuais ou fisiológicos difíceis de verbalizar.
Segundo a reportagem da Popular Science, DiGirolamo vê potencial em usos como análise de eletrocardiogramas, identificação de falsificações em obras de arte e inspeção de imagens de bagagens em aeroportos.
Por enquanto, o foco principal é médico: entender como sinais percebidos sem consciência clara podem ser usados para melhorar diagnósticos e reduzir erros.