Autores e Biografia

Biczyk, Marcio (Autor) - Marcio Biczyk: Graduado em Medicina pela Universidade de São Paulo (USP). Doutorado (PhD) em Medical Informatics e Pós-doutorado em Engenharia da Computação, com foco em inteligência artificial (IA), na Universidade de Manchester, Inglaterra. Atua há mais de 30 anos em projetos de pesquisa, desenvolvimento e inovação (PD&I) e em aplicações da ciência da computação à medicina. Atualmente, é diretor técnico do INLAB, Laboratório de Inteligência Artificial INOVAHC, e coordenador do Centro de Ciência e Tecnologia (CC&T ) Fapesp, projeto nº 2021/11905-0. Foi professor universitário por 12 anos. Conta com mais de 300 participações em congressos nacionais e internacionais, incluindo apresentações nos Estados Unidos, Japão, França, Suíça, Alemanha e Canadá, entre outros países. Acredita que a IA vai revolucionar a sociedade.

Sumário

Sumário

Parte I — Fundamentos da inteligência artificial na medicina
Prólogo
1. Introdução à inteligência artificial
A história e o início da inteligência artificial
Os primeiros passos para as máquinas inteligentes
Alguns dos principais objetivos da Conferência de Dartmouth
O inverno da IA
A era moderna
Conceitos fundamentais de IA
Aprendizado profundo e a era contemporânea
O neurônio artificial
Neurônio McCulloch–Pitts (MCP)
Evolução da IA
2. Aprendizado de máquina
Os três tipos principais de aprendizado de máquina
Aprendizado supervisionado
Aprendizado não supervisionado
Aprendizado por reforço
Principais algoritmos de Machine Learning (fórmulas matemáticas)
3. Redes neurais
Arquitetura de redes neurais artificiais (RNAs)
Camada de entrada
Camadas ocultas
Camada de saída
Conexões ponderadas
Função de ativação
Treinamento
Deep Learning
Tipos de redes neurais
Neurocomputação
Em baixa
Os principais modelos de RNAs
Propriedades
Capacidade computacional
Algoritmos
Algoritmo CNN para classificação de imagens
Aplicação na saúde: conectando com o contexto de aplicação de IA em medicina
4. Aprendizado profundo (Deep Learning)
Introdução ao aprendizado profundo
Arquiteturas fundamentais
Treinamento e ajuste de modelos
Aplicações do aprendizado profundo
Top ten algoritmos de aprendizado profundo
Multilayer Perceptron (MLP)
Convolutional Neural Networks (CNNs)
Recurrent Neural Networks (RNNs)
Long Short-Term Memory (LSTM)
Gated Recurrent Unit (GRU)
Autoencoders
Generative Adversarial Networks (GANs)
Transformers
Deep Belief Networks (DBNs)
Deep Reinforcement Learning (DRL)
Resumo
5. Dados em saúde e infraestrutura digital
Big Data em medicina
Tipos de dados médicos
Prontuário eletrônico do paciente (EHR)
Bases de dados clínicas e epidemiológicas
Padronização e interoperabilidade
Arquitetura de dados hospitalares
Governança de dados em saúde
6. Engenharia de dados e ciência de dados
Coleta e preparação de dados
Limpeza e normalização de dados
Anotação de dados clínicos
Feature engineering em saúde
Data augmentation em imagens médicas
Balanceamento de datasets
Validação clínica de dados

Parte II — Aplicações clínicas da IA

7. Sistemas de apoio à decisão clínica
Conceito de CDSS (Clinical Decision Support Systems)
Diagnóstico assistido por computador
Sistemas baseados em regras
Sistemas baseados em aprendizado de máquina
Integração com prontuários eletrônicos
Avaliação clínica dos sistemas
8. IA em radiologia
Radiologia digital
Segmentação de imagens médicas
Detecção automática de lesões
IA em tomografia e ressonância
Diagnóstico assistido em radiologia
Em baixa
Workflow radiológico automatizado
9. IA em patologia clínica
Patologia computacional
Análise de lâminas histopatológicas
IA e detecção automática de lesões nas imagens do tecido nas lâminas
Quantificação de biomarcadores
Patologia baseada em deep learning
10. IA em cardiologia
Análise automática de ECG
Diagnóstico precoce de arritmias
Predição de eventos cardiovasculares
Monitoramento remoto cardíaco
IA em imagens cardíacas
11. IA em genômica e medicina personalizada
Sequenciamento genômico
Bioinformática e IA
Medicina personalizada
Farmacogenômica
Genômica computacional

Parte III — Tecnologias emergentes

12. Robótica em medicina
Robôs cirúrgicos
Automação hospitalar
Robótica assistiva
Robôs de reabilitação
13. Telemedicina, monitoramento remoto, biossensores
Teleconsulta
Monitoramento remoto
Sensores biomédicos
Dispositivos vestíveis (wearables)
14. Assistentes virtuais e chatbots médicos
Chatbots para triagem clínica
Assistentes virtuais para pacientes
NLP em prontuários médicos
Interação humano-máquina em saúde
15. IA na prática clínica
Otimização de fluxo hospitalar
Uso de IA na consulta médica
O relacionamento médico-paciente na era da IA

Parte IV — Ética, segurança e regulamentação

16. Ética da IA em medicina
Responsabilidade clínica
Viés algorítmico
Transparência e explicabilidade
IA explicável (XAI)
17. Privacidade e proteção de dados
Segurança de dados médicos
Anonimização de dados
Governança de dados clínicos, incluindo legislações como Lei Geral de Proteção de Dados e General Data Protection Regulation
18. Regulamentação da IA na medicina
Avaliação clínica de algoritmos
Dispositivos médicos baseados em IA
Certificação regulatória
Exemplos de órgãos reguladores

Parte V — O futuro da medicina com IA

19. Medicina preditiva
Modelos preditivos populacionais
Prevenção baseada em dados
Epidemiologia computacional
20. Medicina autônoma e hospitais inteligentes
Hospitais digitais
Automação clínica
Integração humano-IA
21. Descoberta de novos medicamentos usando IA
Descoberta de alvos terapêuticos (Target Identification)
Triagem virtual de compostos (Virtual Screening)
Design de fármacos de novo (De Novo Drug Design)
Modelagem de estrutura molecular e docking
Otimização de propriedades farmacocinéticas
Reposicionamento de fármacos (Drug Repurposing)
Ensaios pré-clínicos e clínicos assistidos por IA
Automação e integração em plataformas de descoberta de medicamentos
22. Impactos sociais da IA na medicina
Mudanças na prática médica
Novas profissões na saúde
Maior eficiência operacional na saúde
Os benefícios para os pacientes
Os benefícios para os médicos e outros profissionais de saúde”