Luiz Otavio Murta Junior.

Os sistemas de Saúde formam uma estrutura complexa cuja compreensão e modelagem envolve múltiplos fatores e suas relações. A diversidade demográfica do Brasil compõe um cenário ainda mais desafiador para a Gestão em Saúde. Por outro lado, a superação deles pode produzir avanços significativos para a Saúde no Brasil e no mundo. Métodos avançados em Inteligência Artificial (IA) têm gerado descobertas significativas e de impacto socioeconômico para diversos problemas complexos. Essa proposta de Centro busca catalisar o conhecimento de grupos de excelência da USP e de outras instituições de pesquisa do estado de SP para desenvolver métodos avançados de IA capazes de superar tais desafios. Para isso, os projetos do Centro devem inovar nas principais frentes de pesquisa de IA, como Aprendizado Profundo (Graph Neural Networks, Large Language Models e Diffusion Models), Modelos Estruturais Interpretáveis e Causais, e Tomada de Decisão Multicritério, de forma a lidar com múltiplas modalidades de dados, com a demanda por interoperabilidade dos sistemas e com dados de saúde não-estruturados, buscando melhorar a eficiência, o custo-benefício e a qualidade dos serviços em Saúde, para a micro- e a macro-gestão (hospitais públicos, privados e instituições de saúde) gerando modelos consistentes e interpretáveis que possibilitem a tomada de decisão confiável.

Decisões precisas de gerenciamento de produção para a soja são cruciais para aumentar a produtividade e melhorar a qualidade da colheita. No entanto, a complexa estrutura do dossel das plantas de soja, caracterizada pelo sombreamento mútuo, complica a aquisição precisa de dados fenotípicos. Além disso, o crescimento da soja está intimamente ligado a fatores ambientais, que são cada vez mais variáveis devido às mudanças climáticas. A diversidade de dados de monitoramento da produção, juntamente com cenários variados e complexos em diferentes regiões, apresenta desafios significativos para a modelagem do gerenciamento e tomada de decisões na produção de soja. Para enfrentar esses desafios, este projeto aproveita um esforço colaborativo entre equipes de pesquisa chinesas e brasileiras, focando na utilização de dados multimodais coletados durante o processo de produção de soja e empregando reconstrução 3D, análise fenotípica, modelagem de redes complexas em múltiplas camadas e aprendizado adaptativo de domínio como base teórica e técnica. A pesquisa visa desenvolver tecnologias-chave que utilizam aprendizado de máquina e fusão de dados multimodais para aumentar a produtividade da soja e melhorar a qualidade da colheita. As principais tarefas incluem: 1) Desenvolver métodos para reconstrução 3D de alta qualidade das plantas de soja usando imagens esparsas de múltiplas vistas para alcançar modelagem estrutural precisa; 2) Avançar a tecnologia de fenotipagem para plantas de soja com base em dados multimodais, como imagens, nuvens de pontos e informações espectrais, para melhorar a precisão dos fenótipos; 3) Criar um modelo inteligente de decisão de gerenciamento da soja que integre fusão de dados multimodais para otimizar o gerenciamento da produção; e 4) Projetar modelos adaptativos de domínio para previsão de produtividade e análise de plantas para melhorar a generalização das estratégias de gerenciamento em ambientes diversos. Ao integrar aprendizado de máquina com fusão de dados multimodais, este projeto colaborativo Brasil-China visa elevar o nível de gerenciamento da produção de soja e fornecer conhecimentos para a aplicação dessas tecnologias.

Proposal Summary
To empower the biomedical research community in Latin America by localizing 3D Slicer to Spanish and Portuguese, improving tutorial localization infrastructure, and holding outreach events.
3D Slicer
3D Slicer is an open source software platform for medical imaging data analysis, 3D visualization, and image-guided therapy used in clinical research worldwide. However, the platform is only available in English. Building on our current 3D Slicer internationalization effort, this project will localize 3D Slicer for Spanish- and Portuguese-speaking biomedical researchers, develop new infrastructure and software tools for 3D Slicer tutorial workflows, and organize outreach events in Latin America.

Esta proposta descreve um Centro de Pesquisa de Engenharia em Inteligência Artificial (IA) empenhado em conduzir pesquisas em tópicos centrais de IA e em aplicar técnicas de IA em áreas de aplicação selecionadas --- a saber, indústria de óleo e gás, agronegócios e saúde. O Centro também dará suporte a estudos sobre o impacto social e econômico da IA e conduzirá atividades de transferência de tecnologia e difusão do conhecimento. O Centro será construído com a convicção de que os próximos dez anos trarão avanços sem precedentes em IA, os quais dependerão da colaboração tanto entre áreas centrais da IA como destas áreas com as aplicações. O "Center for Artificial Intelligence" consistirá de dois grupos interligados de pesquisadores, ambos distribuídos na instituição anfitriã e em instituições associadas. Um grupo de pesquisadores, com significativa projeção internacional na comunidade de IA, cobrirá tópicos centrais de IA, de representação de conhecimento a aprendizado de máquina, com ênfase em processamento de texto e linguagem natural, particularmente em Português. Tendências da pesquisa internacional corrente sugerem que a próxima década testemunhará uma interação crescente entre representação de conhecimento, tomada de decisão e aprendizado de máquina; o "Center for Artificial Intelligence" focará sua atenção na combinação destas áreas da IA, já que elas não são tão intimamente conectadas quanto deveriam ser --- o Centro se posicionará como um participante fundamental na colaboração entre os principais tópicos da IA. Um segundo grupo de pesquisadores do Centro focará em três áreas de aplicação onde existe significativa experiência na instituição anfitriã: óleo e gás, agronegócio, e saúde. A conexão entre pesquisa em tópicos centrais da IA e áreas de aplicação ocorrerá em dupla direção: pesquisa em IA básica abordará problemas de grande escala nas áreas de aplicação selecionadas, e será direcionada pelos desafios nestas áreas de aplicação. Um pequeno grupo de pesquisadores da área de humanas está incluído no "Center for Artificial Intelligence" para conduzir pesquisa sobre o impacto social da IA e para identificar caminhos que garantam o uso da IA para o bem. O Coordenador de Educação e Difusão do Conhecimento organizará produção de vídeos contendo resultados de pesquisa e trabalhará através de feiras e escolas para educar o público em sentido amplo. O Coordenador de Transferência de Tecnologia trabalhará com órgãos bem estabelecidos na instituição anfitriã para fomentar iniciativas que transferirão resultados para as entidades financiadoras e para esforços de empreendedorismo.

As imagens médicas vêm sendo utilizadas extensivamente como base ou apoio diagnóstico, e a partir do diagnóstico é definido o tratamento. Apesar da análise ser reconhecidamente fundamental para o processo diagnóstico, a pesquisa dedicada à sistematização e integração das imagens médicas como apoio ao planejamento, monitoramento, acompanhamento e avaliação de intervenções cirúrgicas e terapêuticas é emergente e um campo de pesquisa promissor. A presente proposta pretende criar uma coleção de métodos computacionais de processamento de imagens, i.e. pre-processamento, segmentação, corregistro, e análise de imagens médicas dedicados à terapia guiada por imagens (IGT). Espera-se com este projeto, contribuir, colaborar, e adicionar novos métodos à plataforma 3DSlicer criada no Laboratório de Planejamento Cirúrgico (SPL) da Harvard Medical School (HMS) e desenvolvida e mantida por uma comunidade internacional. Tais métodos e ferramentas computacionais a serem desenvolvidos neste projeto serão validados em situações reais, com casuísticas adequadas, permitindo publicações em periódicos e eventos especializados selecionados, bem como serão escolhidos alguns métodos cujas características e resultados permitam submissão de patentes. Em suma, esta está focada em criar novas metodologias em computação de imagens médicas tridimensionais para apoio ao planejamento, monitoramento, acompanhamento e avaliação de cirurgias e terapias dentro da plataforma colaborativa de tratamento de imagens volumétricas e realidade médica aumentada 3D Slicer.

A displasia cortical (DC) é o tipo mais frequente de causa para a epilepsia refratária. Diferentes achados são usados para caracterizar e localizar o foco epileptogênico, porém nenhum método é autossuficiente no sentido de evidenciar a presença e local original das crises. Embora haja relatos na literatura indicando alterações no padrão de distribuição de tons de cinza e morfologia dos voxels decorrentes da DC, nenhum estudo sistemático foi realizado propondo uma metodologia eficaz para tipos sutis de DC. Neste sentido, esta proposta investigará a presença e localização do foco epileptogênico através de análise de: espessura cortical, padrões de textura, e morfologia wavelets de voxels em imagens de ressonância magnética (MRI) após segmentação usando corregistro com atlas padrão filtros de difusão anisotrópica anômala e contorno ativo geodésico seguido de detecção da DC. Este método será validado utilizando uma base de imagens retrospectiva multicêntrico de avaliação cirúrgica, cujo tecido epileptogênico extraído tenha sido avaliado contendo achados histopatológicos documentados. Investigaremos a eficácia da detecção da DC em diferentes condições: para diferentes classes de displasias; diferentes escalas de observação das regiões de interesse; o ganho de eficácia para scanners de 3 T, em relação ao de 1,5 T. Espera-se ao fim do projeto, validar o método proposto respondendo diferentes perguntas a respeito da detecção de DC, e obter uma ferramenta funcional para a investigação clínica e apoio à cirurgia pronta para ser estendida com outros métodos de apoio à cirurgia de epilepsia e investigação da DC.

A epilepsia de lobo temporal (ELT) é o tipo mais frequente de epilepsia refratária em adultos. Diferentes achados são usados para caracterizar e localizar o foco epileptogênico, porém nenhum método é autossuficiente no sentido de evidenciar a preseça e local original das crises. Embora haja relatos na literatura indicando a lateralização do padrão de tons de cinza entre lobos temporais esquerdos e direitos, nenhum estudo sistemático foi realizado, talvez devido à falta de ferramentas para tanto. Neste sentido, esta proposta investigará a presença e localização do foco epileptogênico através de análise de padrões de textura em imagens de ressonância magnética (IRM) após segmentação usando filtros de difusão anisotrópica anômala e contorno ativo geodésico. Este método será validado utilizando uma base de imagens retrospectiva do centro de cirurgia em epilepsia (CIREP) da Faculdade de Medicina de Ribeirão Preto (FMRP / USP). Espera, ao fim do projeto, validar o método prposto, e obter uma ferramenta funcional para a investigação clínica.

As imagens de ecocardiografia com contraste vem sendo exploradas como ferramenta diagnóstica na avaliação de viabilidade miocádica. Este visa a avaliação de ferramentas de processamento de imagens para explorar o potencial diagnóstico do imageamento de ecocardiografia com contraste, prevendo a criação, implementação, e validação de método de segmentação baseada em difusão anisotrópica anômala das imagens de ecocardiografia com contraste do miocárdio. Um objetivo deste projeto é fazer uma introdução aos estudos das equações diferenciais de difusão, filtros bidimensionais derivados, e as suas aplicações em processamento de imagens em geral. A equação de difusão anômala é conhecida, porem ainda não tão aplicada quanto a equação de difusão clássica. Como metodologia pretende-se implementar computacionalmente as equações de difusão bidimensional e aplicar a imagens de ecocardiografia com contraste do miocárdio para avaliar o poder de segmentação nas imagens. Os resultados esperados é chegar a métodos que melhorem a qualidade em segmentação das imagens aplicando-se iterativamente o filtro de difusão anisotrópica anômala.