abcic ABC Imagem Cardiovascular ABC Imagem Cardiovasc. 2675-312X 2318-8219 Departamento de Imagem Cardiovascular da Sociedade Brasileira de Cardiolodia (DIC/SBC) 00202 10.36660/abcimg.20260001i Editorial Top 1 Vascular Ultrasound in 2025: From Anatomy to Autonomy – Artificial Intelligence and Carotid Ultrasound Santos Simone Nascimento dos 1 Dannenhauer Gustavo 2 ECCOS Brasília DF Brazil ECCOS, Brasília, DF – Brazil Clínica Biocor Caxias do Sul RS Brazil Clínica Biocor, Caxias do Sul, RS – Brazil Simone Nascimento dos Santos • ECCOS Diagnóstico Cardiovascular. SMDB Conj 16 Lote 5 Casa A. Postal code: 71680-160. Brasília, DF – Brazil E-mail: simone.eccos@gmail.com 24 03 2026 2026 39 1 e20260001 This is an open-access article distributed under the terms of the Creative Commons Attribution License Keywords Doenças das Artérias Carótidas Ultrassonografia Inteligência Artificial Introduction

In recent years, we have witnessed a universal and unprecedented advancement of artificial intelligence (AI) across diverse medical scenarios, with a particularly relevant impact on diagnostic imaging, especially ultrasonography.

Ultrasonography is a widely available, low-cost, real-time method with rapid image acquisition and no exposure to ionizing radiation. Despite these advantages, ultrasonography remains limited by its operator- and equipment-dependent nature, which contributes to significant interobserver and interinstitutional variability, in addition to hindering large-scale standardization.1,2

In this editorial for ABC Imagem Cardiovascular, we discuss the revolutionary findings of the UltraBot system, as described in the article "Towards expert-level autonomous carotid ultrasonography with large-scale learning-based robotic system" by Jiang et al., published in Nature Communications in 2025.3 The study illustrates a structural shift in the field, demonstrating the transition from rigid rule-based robotic systems to a fully autonomous model, driven by large-scale deep learning and imitation learning (Figure 1).

Autonomous robotic ultrasound examination. Employing a model based on deep learning and imitation learning, the robotic system automatically performs vascular scanning, biometric measurements, and atherosclerotic plaque screening, generating reports and demonstrating potential clinical applicability. Source: Adapted from Jiang et al.3 Discussion

Ultrasound examination traditionally depends on manual operation by a professional. This process requires not only prolonged technical training, but also a high capacity for motor and visual coordination, combined with clinical reasoning, to define the ideal positioning of the transducer in real time. Each examination requires individualized strategies adjusted to patients’ anatomical and clinical variations.

This strong dependence on the operator's experience results in greater variability between examinations, compromising the standardization of results, with a potentially negative impact on diagnostic accuracy. In contrast, the advancement of highly autonomous medical robots has emerged as a promising solution, reducing the direct influence of human examiners and promoting greater uniformity in the diagnostic process.

In this context, the study by Jiang et al.3 aimed to develop and validate a fully autonomous vascular ultrasound robot capable of operating at a level comparable to that of human specialists, which dynamically analyzes ultrasound signals collected from patients, adjusts probe trajectories and poses in real time, and accomplishes scanning and measurement tasks in real clinical scenarios. The authors opted for carotid artery ultrasonography due to its strong clinical relevance in detecting atherosclerotic plaques and its association with risk factors for cardiovascular diseases, which are responsible for the highest mortality rates worldwide.4,5

UltraBot differs from previous approaches by adopting a large-scale imitation learning framework trained on real examinations performed by specialists.6–8 Unlike approaches based on predefined rules or simulated environments, the system simultaneously learns anatomy, navigation, and decision-making during acquisition, thus constituting a truly end-to-end model, from perception to action, with a high capacity for clinical generalization. The authors believe that their study not only highlights the system's potential but also charts a viable path to bridge the gap between theoretical research and real-world clinical adoption.

Large-scale data were collected from carotid artery examinations performed on real individuals, comprising 247,297 pairs of ultrasound images and encompassing a wide range of structural tissue variations observed in the real world as well as adaptation actions by expert operators.

The scanning success rate was greater than 90% in a diverse population (age: 19 to 70 years; body mass index: 16.5 to 30.8; both sexes), confirming strong generalization performance across anatomical variations, including successful scanning of patients with plaques.

UltraBot controls the transducer in six degrees of freedom, continuously adjusting its trajectory based solely on visual ultrasound signals, in a process that mimics sonographers’ "hand-eye-brain" coordination. In addition, the system automatically measures intima-media thickness and lumen diameter, as well as screening for atherosclerotic plaques. It is interesting to note that the robot uses force sensors and external cameras, thus guaranteeing patient comfort and safety during the procedure.

Prior studies have also demonstrated the automatic processing of arterial segmentation, extracting parameters in a standardized, fast, and reproducible manner. He et al.9 used a database with more than 3,000 three-dimensional images of carotid arteries, training a multitasking model for automatic wall segmentation, plaque detection, and vulnerability classification. Accuracy was 94%, with an area under the curve of 0.94, and a reduction of more than 80% in analysis time compared to manual review, demonstrating that AI was functional within real clinical workflows. Another relevant study is a follow-up of the UK database, the UK Biobank, which brings together images, genetic analyses, and clinical data, making it possible to correlate plaque phenotype with these variables.10

These findings pave the way for a truly integrated risk assessment, in which carotid ultrasound, for example, integrates with predictive models based on multimodal AI.

Deep learning is breaking down the cost and hardware complexity barriers.

Traditionally, measuring arterial stiffness and plaque morphological characteristics requires the use of high-resolution equipment, dedicated elastography devices, ultrasound enhancing agents, and three-dimensional transducers. With the advancement of deep learning algorithms, it is now possible to extract this information directly from conventional two-dimensional images.

A very interesting example is the concept of virtual elastography. AI analyzes subtle patterns of movement and pixel dispersion in conventional ultrasound videos and estimates tissue stiffness non-invasively, without requiring dedicated elastography hardware. In a recent study, Tang et al.11 showed a correlation of 0.85 between the virtual technique and real elastography, with an average error of < 10%. This allows us to infer that we are close to transforming any ultrasound device into a tool capable of measuring arterial stiffness based on AI.

Modern deep learning models are able to run on simple hardware, such as clinical laptops, because they have been optimized for low computational demand. This allows advanced image analysis to be employed in clinical settings and even portable examinations.

Perhaps we are already part of an era in which deep learning can democratize high technology, in which AI not only assesses a single variable, but understands how each "layer" is related to risk of vascular events. This is a new concept known as "imaging at scale," which may be the next step in revolutionizing cardiovascular prevention.

 Conclusion

UltraBot signals that high-precision autonomous ultrasound has ceased to be a distant promise and become a viable technical reality. For the cardiovascular imaging community, this advancement suggests a future in which technology does not replace physicians, but rather enhances their expertise, raising the standard of care through standardization, reproducibility, and democratization of access to accurate diagnoses.

 References Won D Walker J Horowitz R Bharadwaj S Carlton E Gabriel H Sound the Alarm: The Sonographer Shortage Is Echoing Across Healthcare J Ultrasound Med 2024 43 7 1289 1301 10.1002/jum.16453 1 Won D, Walker J, Horowitz R, Bharadwaj S, Carlton E, Gabriel H. Sound the Alarm: The Sonographer Shortage Is Echoing Across Healthcare. J Ultrasound Med. 2024;43(7):1289-301. doi: 10.1002/jum.16453. Shah S Bellows BA Adedipe AA Totten JE Backlund BH Sajed D Perceived Barriers in the Use of Ultrasound in Developing Countries Crit Ultrasound J 2015 7 1 28 28 10.1186/s13089-015-0028-2 2 Shah S, Bellows BA, Adedipe AA, Totten JE, Backlund BH, Sajed D. Perceived Barriers in the Use of Ultrasound in Developing Countries. Crit Ultrasound J. 2015;7(1):28. doi: 10.1186/s13089-015-0028-2. Jiang H Zhao A Yang Q Yan X Wang T Wang Y Towards Expert-Level Autonomous Carotid Ultrasonography with Large-Scale Learning-Based Robotic System Nat Commun 2025 16 1 7893 7893 10.1038/s41467-025-62865-w 3 Jiang H, Zhao A, Yang Q, Yan X, Wang T, Wang Y, et al. Towards Expert-Level Autonomous Carotid Ultrasonography with Large-Scale Learning-Based Robotic System. Nat Commun. 2025;16(1):7893. doi: 10.1038/s41467-025-62865-w. Song P Fang Z Wang H Cai Y Rahimi K Zhu Y Global and Regional Prevalence, Burden, and Risk Factors for Carotid Atherosclerosis: A Systematic Review, Meta-Analysis, and Modelling Study Lancet Glob Health 2020 8 5 e721 e729 10.1016/S2214-109X(20)30117-0 4 Song P, Fang Z, Wang H, Cai Y, Rahimi K, Zhu Y, et al. Global and Regional Prevalence, Burden, and Risk Factors for Carotid Atherosclerosis: A Systematic Review, Meta-Analysis, and Modelling Study. Lancet Glob Health. 2020;8(5):e721-e729. doi: 10.1016/S2214-109X(20)30117-0. Global Burden of Cardiovascular Diseases and Risks 2023 Collaborators Global, Regional, and National Burden of Cardiovascular Diseases and Risk Factors in 204 Countries and Territories, 1990-2023 J Am Coll Cardiol 2025 86 22 2167 2243 10.1016/j.jacc.2025.08.015 5 Global Burden of Cardiovascular Diseases and Risks 2023 Collaborators. Global, Regional, and National Burden of Cardiovascular Diseases and Risk Factors in 204 Countries and Territories, 1990-2023. J Am Coll Cardiol. 2025;86(22):2167-243. doi: 10.1016/j.jacc.2025.08.015. Huang D Bi Y Navab N Jiang Z Motion Magnification in Robotic Sonography: Enabling Pulsation-Aware Artery Segmentation arXiv 2023 arXiv:2307.03698 10.48550/arXiv.2307.03698 6 Huang D, Bi Y, Navab N, Jiang Z. Motion Magnification in Robotic Sonography: Enabling Pulsation-Aware Artery Segmentation. arXiv. 2023; arXiv:2307.03698. doi: 10.48550/arXiv.2307.03698. Yanwei H Xiao W Wang C Liu H Huang R Sun Z Towards Fully Autonomous Ultrasound Scanning Robot With Imitation Learning Based on Clinical Protocols IEEE Robot Autom Lett 2021 6 2 3671 3678 10.1109/LRA.2021.3064283 7 Yanwei H, Xiao W, Wang C, Liu H, Huang R, Sun Z. Towards Fully Autonomous Ultrasound Scanning Robot With Imitation Learning Based on Clinical Protocols. IEEE Robot Autom Lett. 2021;6(2):3671-8. doi: 10.1109/LRA.2021.3064283. Huang Q Gao B Wang M Robot-Assisted Autonomous Ultrasound Imaging for Carotid Artery IEEE Trans Instrum Meas 2024 73 1 9 10.1109/TIM.2024.3353836 8 Huang Q, Gao B, Wang M. Robot-Assisted Autonomous Ultrasound Imaging for Carotid Artery. IEEE Trans Instrum Meas. 2024.73:1-9. doi: 10.1109/TIM.2024.3353836. He L Yang Z Wang Y Chen W Diao L Wang Y A Deep Learning Algorithm to Identify Carotid Plaques and Assess their Stability Front Artif Intell 2024 7 1321884 1321884 10.3389/frai.2024.1321884 9 He L, Yang Z, Wang Y, Chen W, Diao L, Wang Y, et al. A Deep Learning Algorithm to Identify Carotid Plaques and Assess their Stability. Front Artif Intell. 2024;7:1321884. doi: 10.3389/frai.2024.1321884. Omarov M Zhang L Jorshery SD Malik R Das B Bellomo TR Automated Deep Learning-Based Detection of Early Atherosclerotic Plaques in Carotid Ultrasound Imaging medRxiv 2025 2024.10.17.24315675 10.1101/2024.10.17.24315675 10 Omarov M, Zhang L, Jorshery SD, Malik R, Das B, Bellomo TR, et al. Automated Deep Learning-Based Detection of Early Atherosclerotic Plaques in Carotid Ultrasound Imaging. medRxiv. 2025:2024.10.17.24315675. doi: 10.1101/2024.10.17.24315675. Tang X Zhang L He D Hu B Jia C Gu S Automatic Generation and Risk Stratification of Carotid Plaque in Virtual Shear Wave Elastography Using a Generative Adversarial Network Comput Med Imaging Graph 2025 124 102600 102600 10.1016/j.compmedimag.2025.102600 11 Tang X, Zhang L, He D, Hu B, Jia C, Gu S, et al. Automatic Generation and Risk Stratification of Carotid Plaque in Virtual Shear Wave Elastography Using a Generative Adversarial Network. Comput Med Imaging Graph. 2025;124:102600. doi: 10.1016/j.compmedimag.2025.102600. 10.36660/abcimg.20260001 Editorial Top 1 da Ecografia Vascular em 2025: Da Anatomia à Autonomia – Inteligência Artificial e Ultrassonografia das Carótidas Santos Simone Nascimento dos 1 Dannenhauer Gustavo 2 Brasília DF Brasil ECCOS, Brasília, DF – Brasil Caxias do Sul RS Brasil Clínica Biocor, Caxias do Sul, RS – Brasil Simone Nascimento dos Santos • ECCOS Diagnóstico Cardiovascular. SMDB Conj 16 Lote 5 Casa A. CEP: 71680-160. Brasília, DF – Brasil E-mail: simone.eccos@gmail.com Palavras-chave Doenças das Artérias Carótidas Ultrassonografia Inteligência Artificial Introdução

Nos últimos anos, estamos vivenciando um avanço universal e sem precedentes da inteligência artificial (IA) em diversos cenários médicos, com impacto particularmente relevante no diagnóstico por imagem e, em especial, na ultrassonografia.

O exame ultrassonográfico é um método amplamente disponível, de baixo custo, realizado em tempo real, com aquisição rápida de imagens e sem exposição à radiação ionizante. Apesar dessas vantagens, a ultrassonografia permanece limitada por sua natureza operador e equipamento dependente, o que contribui para significativa variabilidade interobservador e interinstitucional, além de dificultar sua padronização em larga escala.1,2

Neste editorial da ABC Imagem Cardiovascular, discutimos os achados revolucionários do sistema UltraBot, descritos no artigo "Towards expert-level autonomous carotid ultrasonography with large-scale learning-based robotic system", publicado por Jiang et al. na Nature Communications em 2025.3 O estudo ilustra uma mudança estrutural no campo, ao demonstrar a transição de sistemas robóticos baseados em regras rígidas para um modelo de autonomia completa, impulsionado por aprendizado profundo (deep learning) e aprendizado por imitação (imitation learning) em larga escala (Figura 1).

Exame ultrassonográfico robótico autônomo. Por meio de um modelo baseado em aprendizado profundo e aprendizado por imitação, o sistema robótico realiza automaticamente a varredura vascular, as medições biométricas e a triagem de placas ateroscleróticas, gerando o laudo e demonstrando potencial aplicabilidade clínica. Fonte: Adaptado de Jiang et al.3 Discussão

A realização do exame ultrassonográfico depende, tradicionalmente, da operação manual do profissional. Esse processo exige não apenas treinamento técnico prolongado, mas também uma elevada capacidade de coordenação motora e visual, associada ao raciocínio clínico, para definir, em tempo real, o posicionamento ideal do transdutor. Cada exame requer estratégias individualizadas, ajustadas às variações anatômicas e clínicas do paciente.

Essa forte dependência da experiência do operador resulta em maior variabilidade entre exames, comprometendo a padronização dos resultados e podendo impactar negativamente a acurácia diagnóstica. Em contrapartida, o avanço dos robôs médicos de alto grau de autonomia surge como uma solução promissora, ao reduzir a influência direta do examinador humano e promover maior uniformidade no processo diagnóstico.

Nesse contexto, o estudo de Jiang et al.3 teve como objetivo desenvolver e validar um robô de ultrassonografia vascular totalmente autônomo, capaz de operar em nível comparável ao de especialistas humanos, que analisa dinamicamente os sinais de ultrassom coletados de pacientes, ajusta as trajetórias e posições da sonda em tempo real e realiza tarefas de escaneamento e medição em cenários clínicos reais. Os autores optaram pelo estudo ultrassonográfico das artérias carótidas devido à sua forte relevância clínica na detecção de placas ateromatosas e à associação com fatores de risco para doenças cardiovasculares, responsáveis pelas maiores taxas de mortalidade no mundo.4,5

O UltraBot se diferencia de abordagens anteriores por adotar um arcabouço de aprendizado por imitação em larga escala, treinado com base em exames reais realizados por especialistas.6–8 Diferentemente de abordagens baseadas em regras pré-definidas ou em ambientes simulados, o sistema aprende simultaneamente anatomia, navegação e tomada de decisão durante a aquisição do exame, configurando um modelo verdadeiramente end-to-end, da percepção à ação, com elevada capacidade de generalização clínica. Os autores acreditam que o estudo não apenas destaca o potencial do sistema, mas também traça um caminho viável para preencher a lacuna entre a pesquisa teórica e a adoção clínica no mundo real.

Foram coletados dados em larga escala de exames de artérias carótidas realizados em indivíduos reais, compreendendo 247.297 pares de imagens de ultrassom e abrangendo uma ampla gama de variações estruturais de tecidos observadas no mundo real e de ações de adaptação de especialistas operadores.

A taxa de sucesso de escaneamento foi superior a 90% em uma população diversificada (idade: 19 a 70 anos; índice de massa corporal: 16,5 a 30,8; de ambos os sexos), confirmando seu forte desempenho de generalização em variações anatômicas, incluindo o escaneamento bem-sucedido de pacientes com placas.

O UltraBot controla o transdutor em seis graus de liberdade, ajustando continuamente sua trajetória com base exclusivamente nos sinais visuais do ultrassom, em um processo que mimetiza a coordenação "mão–olho–cérebro" do médico. Além disso, o sistema realiza automaticamente a mensuração da espessura íntima-média e do diâmetro luminal, bem como a triagem de placas ateroscleróticas. É interessante ressaltar que o robô utiliza sensores de força e câmeras externas, o que assegura conforto e segurança ao paciente durante o procedimento.

Estudos anteriores também demonstraram o processamento automático da segmentação arterial, extraindo parâmetros de forma padronizada, rápida e reprodutível. He et al.9 utilizaram uma base com mais de 3 mil imagens tridimensionais de artérias carótidas, treinando um modelo multitarefa para a segmentação automática da parede, detecção da placa e classificação de vulnerabilidade. A acurácia foi de 94%, com área sob a curva de 0,94, e redução de mais de 80% no tempo de análise, em comparação à revisão manual, demonstrando o funcionamento da IA no fluxo clínico real. Outro estudo relevante é um seguimento do banco de dados do Reino Unido — o UK Biobank — que reúne imagens, análises genéticas e dados clínicos, e permite correlacionar o fenótipo de placa com essas variáveis.10

Esses achados abrem caminho para uma avaliação de risco verdadeiramente integrada, em que o ultrassom de carótidas, por exemplo, integra-se a modelos preditivos baseados em IA multimodal.

O aprendizado profundo está quebrando as barreiras de custo e de complexidade do hardware.

Tradicionalmente, para medir a rigidez arterial e características morfológicas da placa, é necessária a utilização de equipamentos de alta resolução, elastógrafos dedicados, agentes realçadores ultrassonográficos e transdutores tridimensionais. Com o avanço dos algoritmos de aprendizado profundo, já é possível extrair essas informações diretamente da imagem bidimensional convencional.

Um exemplo muito interessante é o conceito da elastografia virtual. A IA analisa padrões sutis de movimento e dispersão de pixels no vídeo de ultrassom convencional e estima a rigidez tecidual de forma não invasiva, sem necessidade de hardware dedicado de elastografia. Em estudo recente, Tang et al.11 mostraram correlação de 0,85 entre a técnica virtual e a elastografia real, com erro médio < 10%. Podemos inferir que estamos perto de transformar qualquer aparelho de ultrassom em uma ferramenta capaz de medir rigidez arterial com base em IA.

Os modelos de aprendizado profundo modernos conseguem rodar em hardware simples, como laptops clínicos, porque foram otimizados para baixo consumo computacional. Isso permite levar a análise avançada de imagens para o consultório — e até para exames portáteis.

Talvez já façamos parte de uma era em que o aprendizado profundo possa democratizar a alta tecnologia, em que a IA não avalia apenas uma variável, mas entende como cada "camada" se relaciona com o risco de eventos vasculares. Trata-se de um conceito novo, chamado "imaging at scale", que pode ser o próximo passo para revolucionar a prevenção cardiovascular.

 Conclusão

O UltraBot sinaliza que a ultrassonografia autônoma de alta precisão deixou de ser uma promessa distante para se tornar uma realidade técnica viável. Para a comunidade da imagem cardiovascular, esse avanço sugere um futuro em que a tecnologia não substitui o médico, mas amplia sua expertise, elevando o padrão de cuidado por meio da padronização, da reprodutibilidade e da democratização do acesso a diagnósticos precisos.