Se uma câmera encontra mais lesões do que o inspetor, ela é melhor do que o inspetor? A pergunta parece simples, e a resposta intuitiva é “sim”. Mas, na linha de abate, a resposta certa começa com outra pergunta: melhor em quê, para quê e a que custo? Um estudo dinamarquês com mais de 85 mil carcaças de suínos mostra, com números, por que essa conversa não se resolve olhando apenas para quem “acertou mais”.
A lesão em questão é a pleurisia crônica, uma inflamação antiga da pleura, a membrana que reveste os pulmões e a cavidade torácica. Ela não é um perigo clássico para quem come a carne. É, sobretudo, um sinal do que aconteceu com a saúde respiratória do animal na granja. E é justamente por isso que o caso é tão instrutivo: ele permite discutir o que a inteligência artificial faz bem, o que faz de menos e quem deveria decidir o limite aceitável de erro.
O que a ciência encontrou
O trabalho foi conduzido por Daniel Hjorth Lund, do Instituto Tecnológico Dinamarquês, com Lis Alban, Matt Denwood e Abbey Olsen, da Universidade de Copenhague (Alban também é ligada ao Conselho Dinamarquês de Agricultura e Alimentos). O artigo saiu na revista Preventive Veterinary Medicine, publicado on-line em 30 de setembro de 2025, no volume 246 (fascículo de janeiro de 2026).
Os pesquisadores compararam três modelos de redes neurais convolucionais, o tipo de algoritmo mais usado para reconhecer padrões em imagens, integrados a um sistema de visão computacional instalado na linha de abate. O desempenho desses modelos foi confrontado com os registros da inspeção oficial de carnes em 85.413 carcaças, ao longo de 15 dias de abate.
Há um detalhe metodológico importante. Em estudos assim, quase nunca existe um “gabarito” perfeito: não dá para levar cada uma das 85 mil carcaças a um patologista. Por isso, além das estatísticas tradicionais de concordância, os autores usaram modelagem bayesiana de classes latentes, uma técnica que estima a sensibilidade e a especificidade de cada “avaliador” (humano ou máquina) sem precisar de um padrão-ouro, a partir dos padrões de concordância e discordância entre eles.
Os principais números, como relatados no resumo do artigo:
- Concordância entre inspetores e modelos: kappa de Cohen entre 0,72 e 0,77, considerada moderada; após o ajuste para prevalência e viés, entre 0,86 e 0,89, considerada quase perfeita.
- Sensibilidade (capacidade de encontrar a lesão quando ela existe): de 84,7% a 90,3% nos modelos, contra 79,4% a 83,0% nos inspetores.
- Especificidade (capacidade de não acusar lesão quando ela não existe): de 99,7% a 99,9% nos inspetores, contra 97,6% a 98,8% nos modelos.
- Melhor desempenho geral: a arquitetura ResNeXt-101 operando com imagens de 1.024 pixels.
- Combinação de modelos: agregar as respostas de vários modelos num “consenso” elevou a especificidade sem sacrificar a sensibilidade.
Em resumo: a máquina encontra mais pleurisia do que o inspetor, mas também aponta pleurisia onde ela não está com mais frequência. O inspetor deixa passar mais lesões, mas quase nunca “inventa” uma.
O que esses percentuais significam na linha
Diferenças de um ou dois pontos percentuais parecem pequenas no papel. Numa linha de abate, não são. Um exemplo ilustrativo, que não está no artigo e serve apenas para dar escala: imagine 10.000 carcaças sem pleurisia. Com especificidade de 99,8%, o avaliador gera cerca de 20 alarmes falsos. Com 98%, gera cerca de 200. Cada alarme falso pode significar uma carcaça desviada, um registro errado repassado ao produtor ou um custo operacional que ninguém previu.
Do outro lado, a sensibilidade maior dos modelos significa menos lesões verdadeiras passando despercebidas. Qual dos dois erros pesa mais depende inteiramente do uso que se dá ao dado. É aqui que o estudo deixa de ser sobre tecnologia e passa a ser sobre decisão.
Os limites do estudo
O próprio resumo traz o contexto que impede leituras apressadas. Na Dinamarca, a autoridade competente deixou de considerar prioritário o registro da pleurisia crônica; o abatedouro usa esses dados principalmente para garantia da qualidade. Ou seja, a máquina foi comparada ao inspetor numa tarefa que o serviço oficial já não trata como central. Os dados vêm de um único abatedouro e de 15 dias de abate, num país com sistema de produção e de inspeção próprios. A modelagem de classes latentes, embora elegante, depende de pressupostos estatísticos que o leitor precisa conhecer antes de tratar as estimativas como verdade absoluta. E os autores não encontraram associação significativa entre a detecção de pleurisia pelo sistema e outros achados de inspeção, exceto pequenos defeitos de abate. Por fim, esta análise se baseia no resumo publicado e nos metadados do artigo; o texto completo, de acesso restrito, pode detalhar limitações adicionais.
O mais importante: os autores concluem que o sistema pode fazer registros uniformes de forma independente e que os achados apoiam seu uso dentro de uma inspeção de carnes baseada em risco, mas ressalvam que ainda é preciso estabelecer limiares de desempenho e enfrentar as questões regulatórias antes de uma adoção comercial ampla. O estudo não diz que a câmera substitui o inspetor. Diz que ela registra uma lesão específica de forma mais sensível e mais padronizada, com um custo em falsos positivos.
O que já se sabia
O resultado conversa com um movimento mais amplo. Em 2011, a Autoridade Europeia para a Segurança dos Alimentos (EFSA) publicou um parecer sobre os perigos de saúde pública que a inspeção de carne suína deveria cobrir. A mensagem central foi que os principais perigos para o consumidor, como Salmonella, Yersinia enterocolitica, Toxoplasma gondii e Trichinella, não são detectados pelo exame visual, pela palpação e pela incisão tradicionais, e que a inspeção deveria se reorganizar com base em risco. Lesões como a pleurisia continuam relevantes, mas mais para a saúde e o bem-estar animal e para a qualidade do que para a segurança do consumidor.
O padrão “a câmera vê mais e erra mais por excesso” também não é novo neste blog. Ele apareceu em outro estudo dinamarquês, sobre contaminação fecal em carcaças suínas, no qual o sistema de visão computacional detectou mais contaminação real que os inspetores, mas gerou mais alarmes falsos. Dois estudos, duas lesões diferentes, a mesma lição: sensibilidade e especificidade puxam em direções opostas, e alguém precisa escolher o ponto de equilíbrio.
O que isso pode mudar na prática — e a lacuna brasileira
Se a evidência se confirmar em outros contextos, sistemas desse tipo podem cumprir três papéis. O primeiro é a padronização: uma câmera não se cansa no fim do turno nem muda de critério de um dia para outro. O segundo é a pré-triagem: sinalizar carcaças para que o olhar humano se concentre onde há maior probabilidade de achado. O terceiro é o retorno à granja: registros de lesões respiratórias feitos no abate são uma fonte valiosa de informação sobre a saúde do rebanho, e um registro mais completo pode orientar melhor o produtor.
Nada disso, porém, responde à pergunta que o próprio estudo deixa em aberto: qual desempenho mínimo é aceitável, e para qual finalidade? Um sistema usado apenas para devolver informação ao produtor pode tolerar mais falsos positivos do que um sistema cujo alerta leva a uma decisão sobre o destino da carcaça. No Brasil, a inspeção post mortem segue o Regulamento da Inspeção Industrial e Sanitária de Produtos de Origem Animal (RIISPOA, Decreto nº 9.013/2017), e a decisão sobre a carcaça é atribuição do serviço oficial. Ainda não há, até onde este blog pôde verificar, uma definição regulatória de critérios de desempenho para sistemas de visão computacional na linha de inspeção. Antes de importar a tecnologia, será preciso validá-la em plantas brasileiras, com nossas genéticas, nossas condições de iluminação e velocidade de linha, e nossos padrões de registro.
O algoritmo vê o que foi treinado para ver. Quem define o que ele deve ver, e quanto erro se aceita, continua sendo uma decisão humana e institucional.
Conclusão
O estudo dinamarquês não é a história de uma máquina que venceu o inspetor. É a história de dois avaliadores com perfis de erro diferentes, comparados com rigor estatístico, numa tarefa específica. A câmera é mais sensível; o inspetor, mais específico; a combinação de modelos reduz o ruído. O que falta não é tecnologia, é régua: limiares de desempenho definidos antes da compra, validação local e clareza sobre quem responde pela decisão. O consumidor vê o alimento. A inspeção vê o caminho que ele percorreu, e cada vez mais precisará entender também o caminho que o algoritmo percorreu até chegar ao seu alerta.
Referências
- Lund DH, Alban L, Denwood M, Olsen A (2025). Comparing computer vision models for detecting chronic pleurisy in pigs. Preventive Veterinary Medicine, 246, 106701. DOI 10.1016/j.prevetmed.2025.106701 — https://doi.org/10.1016/j.prevetmed.2025.106701
- Registro PubMed do artigo (PMID 41056660) — https://pubmed.ncbi.nlm.nih.gov/41056660/
- EFSA Panels on Biological Hazards, Contaminants in the Food Chain and Animal Health and Welfare (2011). Scientific Opinion on the public health hazards to be covered by inspection of meat (swine). EFSA Journal 9(10):2351. DOI 10.2903/j.efsa.2011.2351 — https://doi.org/10.2903/j.efsa.2011.2351
- Decreto nº 9.013, de 29 de março de 2017 (RIISPOA) — https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2017/decreto/d9013.htm
Leia também no Além do Carimbo: “A câmera viu mais sujeira que o inspetor — e errou mais também: o que um estudo dinamarquês ensina sobre IA na linha de abate”; “99% de acerto, metade dos alertas errados: a conta de prevalência que decide se um algoritmo serve para a inspeção”.
Deixe um comentário