Configuração da API (Google Gemini)
Usada apenas no modo Gemini da aba Diagnóstico por foto e no Tutor de dúvidas. Sua chave fica salva apenas no seu navegador, neste computador — nunca é enviada a nenhum servidor além do Google.
Como obter: acesse aistudio.google.com, faça login com uma conta Google e gere uma chave gratuita em "Get API key". Modelo usado neste protótipo: gemini-flash-latest.
Questionário de avaliação de risco de cárie
Pratique a avaliação de risco de um caso clínico simulado. Escore inspirado nos domínios do CAMBRA (indicadores de doença, fatores de risco biológico e fatores protetores) e em fatores de desigualdade documentados na literatura — serve para treinar seu raciocínio de priorização, não substitui avaliação clínica completa (exame, radiografia, teste de fluxo salivar).
Indicadores de doença (achado clínico atual)
Fatores de risco biológico
Fatores protetores
Contexto
Diagnóstico por foto
Envie uma foto intraoral (idealmente com afastador de bochecha, boa iluminação, foco nítido) e registre seu próprio diagnóstico antes de ver o resultado da IA — comparar as duas leituras é o que mais ajuda a treinar seu olhar clínico.
Para habilitar o modelo local, rode o notebook treinar_modelo_carie.ipynb no Google Colab, baixe a pasta exportada e coloque-a como model/ ao lado deste arquivo HTML. Enquanto isso não for feito, o app usa o Gemini automaticamente.
Tutor de dúvidas
Tire suas dúvidas sobre diagnóstico de cárie — critérios ICDAS/ICCMS, mancha branca vs. cavitação, e como interpretar o que a IA mostrou no seu caso. Você pode anexar uma imagem de estudo pra discutir um achado específico. Respostas baseadas em evidência, para apoiar seu raciocínio — não substituem a supervisão do professor.
Ficha do caso — registro de aprendizagem
Resumo do seu raciocínio diagnóstico para validação do professor responsável. Nada aqui constitui diagnóstico até revisão profissional.
Dados de apoio
| Paciente (código) | — |
| Data | — |
| Escore de risco | — |
| Classificação de risco | — |
| Modelo(s) usado(s) na foto | — |
| Achados do diagnóstico por foto | — |
| Seu palpite vs. IA | — |
| Status de validação | Pendente de validação pelo professor responsável |
Manual de Instruções
Este manual reúne, num só lugar: como usar cada parte da plataforma; as tecnologias e metodologias por trás dela — o que são, como foram construídas e por que foram escolhidas para este projeto; as diferenças de usar uma ferramenta aberta e local em vez de uma solução comercial fechada; e um glossário dos termos técnicos usados ao longo do app. Use como referência sempre que tiver dúvida sobre o funcionamento ou o raciocínio por trás de alguma parte do CarIA.
1. Como usar a plataforma
Sobre — apresentação em formato de slides (use as setas ou os pontos para navegar). Os cards de destaque no primeiro slide são clicáveis e abrem explicações rápidas sobre os motores de IA, o CAMBRA e a base científica do feedback elaborado.
Configuração — cole e salve sua chave de API do Gemini (gratuita, obtida em aistudio.google.com). Ela fica salva só no seu navegador — nunca é enviada a nenhum servidor além do Google.
Avaliação de risco — preencha o questionário de fatores de risco (baseado no CAMBRA) para um caso simulado. Ao calcular, você recebe um escore, uma classificação de risco e uma recomendação automática.
Diagnóstico por foto — escolha o motor de análise (modelo local, Gemini, ou os dois), marque o consentimento conforme a LGPD, envie a foto e — antes de clicar em Analisar — registre seu próprio palpite diagnóstico. O botão só libera depois disso: essa ordem é proposital, é o que faz o feedback elaborado funcionar.
Tutor de dúvidas — converse com um tutor de IA sobre critérios diagnósticos, ou anexe uma imagem de estudo para discutir um achado específico.
Ficha do caso — preencha seu nome e o do professor/dentista responsável, gere a conclusão sintetizada do caso, e use "Imprimir ou salvar PDF" para gerar o documento final, com foto, conclusão e espaço de assinatura/carimbo.
2. Tecnologias e metodologias usadas
CAMBRA (Caries Management By Risk Assessment): metodologia clínica que organiza os fatores de risco de cárie em indicadores de doença, fatores de risco biológico e fatores protetores. Escolhida como base do questionário porque é assim que um cirurgião-dentista estrutura o raciocínio de triagem na prática — treinar com essa mesma lógica ensina o hábito clínico correto, não só produz um número.
Modelo local (YOLOv8): rede neural de detecção de objetos, treinada especificamente para este projeto por transfer learning (partindo de pesos pré-treinados no COCO) sobre um dataset público intraoral anotado por dentistas, de Ahmed, Ghori, Khalid et al. (Scientific Data, 2025) — cerca de 2.240 imagens com lesão identificada, divididas em treino/validação/teste (80/10/10). Ao longo do treino, o dataset original passou por uma etapa de correção — a distinção entre cárie em dente decíduo e permanente foi unificada numa única classe, porque o desbalanceamento entre elas (cerca de 9 vezes mais exemplos de dente decíduo no conjunto de teste) prejudicava a precisão do modelo, e essa distinção não é o que importa para o objetivo do app. Na execução de referência, o modelo atingiu precisão de 83,3% e sensibilidade de 85,4% (mAP50 de 87,4%). Foi escolhido por ser leve o bastante para exportar e rodar direto no navegador via TensorFlow.js, sem precisar de servidor.
Gemini: modelo multimodal genérico do Google, usado como alternativa quando o modelo local ainda não está carregado, ou lado a lado com ele no modo "Usar os dois modelos". Não foi treinado especificamente para cárie, mas consegue descrever achados usando os critérios ICDAS/ICCMS quando instruído — por isso serve de complemento, não de substituto ao modelo local.
ICDAS/ICCMS: sistemas de critérios visuais padronizados para estadiar lesões de cárie (mancha branca ativa/inativa, sombra subsuperficial, cavitação). Usados como referência tanto no questionário quanto nos prompts de IA, para que a linguagem do app seja a mesma usada na literatura e na formação odontológica.
Feedback elaborado: o mecanismo central da aba Diagnóstico por foto (registrar o palpite antes de ver o resultado da IA, depois comparar com uma explicação, não só um veredito seco) é baseado em Rampf et al. (2024), que mostrou que esse tipo de feedback melhora mais a competência diagnóstica de estudantes do que o feedback simples de "certo/errado".
SB Brasil 2020/2023: pesquisa nacional de saúde bucal do Ministério da Saúde, usada como referência para os fatores de desigualdade social incluídos no questionário de risco (ex: situação de vulnerabilidade social).
3. Por que uma plataforma aberta e local
O CarIA roda inteiramente no seu navegador: a análise pelo modelo local acontece no seu computador via TensorFlow.js, e nenhuma imagem é enviada a servidor algum nesse caminho. Isso é diferente da maioria das soluções comerciais de IA odontológica, que tipicamente exigem enviar as imagens a um servidor de terceiros para processamento — com implicações de privacidade e, muitas vezes, custo de licença.
Todo o projeto é um único arquivo HTML aberto e inspecionável, junto com o notebook de treino do modelo. Isso significa que qualquer pessoa — estudante, professor, outro desenvolvedor — pode ler exatamente o que o app faz, auditar as métricas do modelo, ou adaptar o código para outro contexto de ensino, sem depender de um fornecedor fechado.
Essa abertura tem uma contrapartida importante: o CarIA é uma ferramenta acadêmica em fase de protótipo, não um produto comercial validado. As limitações estão declaradas no aviso do rodapé e nas notas de cada aba — o uso com pacientes reais sempre exige validação e supervisão profissional.
4. Glossário de termos técnicos
CAMBRA — Caries Management By Risk Assessment; metodologia de estratificação de risco de cárie.
ICDAS / ICCMS — sistemas de critérios visuais padronizados para classificar o estágio de uma lesão de cárie.
YOLO / YOLOv8 — família de redes neurais de detecção de objetos ("You Only Look Once"); localiza e classifica regiões de interesse numa imagem.
Transfer learning — técnica de treinar um modelo partindo de pesos já aprendidos em outra tarefa (aqui, o COCO), em vez de começar do zero.
mAP50 / mAP50-95 — métricas de precisão de modelos de detecção de objetos; medem o quão bem as caixas previstas coincidem com as reais.
Precisão / Sensibilidade (recall) — precisão mede a proporção de detecções corretas entre todas as feitas; sensibilidade mede a proporção de casos reais que o modelo conseguiu detectar.
TensorFlow.js — biblioteca que permite rodar modelos de aprendizado de máquina direto no navegador, sem servidor.
Mancha branca ativa/inativa — critério visual ICDAS para lesão inicial de cárie, antes de haver cavitação.
Cavitação — critério visual ICDAS indicando perda de estrutura dental já visível.
Sobre-amostragem (oversampling) — técnica de repetir exemplos da classe minoritária num dataset desbalanceado, para o modelo aprender melhor com ela.
LLM multimodal — modelo de linguagem capaz de processar mais de um tipo de entrada (aqui, texto e imagem), como o Gemini.
Prompt / instrução de sistema — o texto enviado a um modelo de IA generativa pedindo uma tarefa; a instrução de sistema define o "papel" e as regras gerais do modelo antes da pergunta do usuário.
Veredito de comparação — resultado da comparação entre o palpite do estudante e a IA: concordância, divergência, concordância parcial, ou complementar (quando o estudante registrou incerteza).
LGPD — Lei Geral de Proteção de Dados (Lei 13.709/2018); rege o uso de dados pessoais e de imagens de pacientes no Brasil.
ANVISA RDC 657/2022 / SaMD — resolução que regula "Software como Dispositivo Médico" (Software as a Medical Device) no Brasil; o CarIA não é regularizado sob essa norma, por ser um protótipo acadêmico.