O câncer de pulmão é a principal causa de morte por câncer em todo o mundo, e devido à natureza oculta dos sintomas iniciais, o diagnóstico frequentemente ocorre em estágios avançados. A triagem com tomografia computadorizada de baixa ou dose padrão (computed tomography, CT) aumentou a taxa de detecção precoce, mas questões relacionadas à exposição à radiação ionizante impulsionaram o interesse pela ressonância magnética (magnetic resonance imaging, MRI) como método de imagem sem radiação. Novas sequências de MRI demonstram excelente resistência a artefatos, alta resolução e capacidade de identificar pequenos nódulos pulmonares. No entanto, essas sequências enfrentam desafios em sua implementação clínica, como falta de parâmetros padronizados, alta dependência do equipamento e pouca experiência na interpretação das imagens, o que limita sua aplicação no mundo real. Este artigo concentra-se nos gargalos na tradução dessas sequências para a triagem precoce e o diagnóstico qualitativo de nódulos pulmonares, tentando construir uma estrutura de avaliação tripartida baseada em “desempenho—adaptabilidade—interpretação”. Além disso, o artigo explora a possibilidade de combinar a imagem funcional de MRI com modelos de diagnóstico baseados em inteligência artificial (artificial intelligence, AI), apontando problemas-chave dos modelos de IA atuais no processamento de dados de MRI, como a escassez de dados de treinamento, heterogeneidade das sequências e barreiras na transferência de características. Em resumo, o artigo analisa sistematicamente os avanços tecnológicos da MRI na triagem e diagnóstico de nódulos pulmonares, enfatizando especialmente os desafios para a implementação de novas sequências e as lacunas nas estruturas de análise de IA, visando fornecer ideias de pesquisa direcionadas e insights práticos para caminhos de triagem de câncer de pulmão sem radiação.

nódulos pulmonares;ressonância magnética;sequências de MRI;radiômica;medicina de precisão