Aplicação de Tecnologias Multimodais de Aprendizado Profundo e Inteligência Artificial Generativa na Investigação de Novos Aspectos Clínicos e Epidemiológicos do Vírus Zika e Microcefalia

Read full text Summarise with VIRAT
Authors: Onicio Batista Leal-Neto
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Aplicação de Tecnologias Multimodais de Aprendizado Profundo e Inteligência Artificial Generativa na Investigação de Novos Aspectos Clínicos e Epidemiológicos do Vírus Zika e Microcefalia Autoria: Onicio Batista Leal NetoAfiliação: Mel & Enid Zuckerman College of Public Health, University of Arizona Este sub-projeto integra a proposta IATS-CARE, submetida ao edital MCTI/CNPq/SECTICS/MS/CAPES/FAPs Nº 46/2024 – Programa Institutos Nacionais de Ciência e Tecnologia – INCT. Pesquisadores Onicio B. Leal Neto — Mel & Enid Zuckerman College of Public Health, University of Arizona Rodrigo Paiva — CESAR.edu Bolsa de doutorado no exterior (em definição) e possível inclusão de pesquisadora adicional do grupo de pesquisa. Eixo Temático e Linha de Pesquisa Classificação Seleção Eixo temático Saúde digital e IA Linha de pesquisa Doenças negligenciadas Objetivo Desenvolver modelos de aprendizado profundo para classificar e detectar anomalias relacionadas à microcefalia em imagens cerebrais (MRI e tomografia) associadas à exposição ao Zika vírus, além de prever a gravidade da doença com base em metadados clínicos e de imagem. O projeto inclui a geração de dados sintéticos com GANs e VAEs, a detecção e clusterização de outliers e a análise de trajetórias clínicas para intervenções otimizadas nas linhas de cuidado. Método Resumido O método combina aprendizado profundo e IA generativa para investigar microcefalia associada ao Zika. Modelos como CNNs e transformers serão treinados para classificar anomalias em imagens cerebrais e prever a gravidade da doença. GANs e VAEs serão usados para criar dados sintéticos, abordando a escassez de dados reais. Técnicas de detecção de outliers e clusterização identificarão padrões clínicos atípicos, enquanto análises de trajetórias clínicas explorarão a progressão da doença, visando otimizar intervenções em saúde. Resultados Esperados Científico Avanço no entendimento da microcefalia associada ao Zika, com métodos inéditos que integram IA generativa, dados sintéticos e análise multimodal. Novos insights sobre padrões clínicos, epidemiológicos e trajetórias da doença. Inovação Abordagens não-convencionais para detecção de outliers e geração de dados em saúde. Econômico Otimização de diagnósticos e intervenções, com potencial de redução de custos em saúde pública e ampliação da eficácia de políticas preventivas. Metas e Entregas Metas Desenvolver modelos de IA para classificação de imagens e predição da gravidade da microcefalia. Criar datasets sintéticos de alta qualidade com GANs e VAEs. Detectar e clusterizar outliers para otimização de intervenções. Analisar trajetórias clínicas para mapear progressão da doença. Entregas Modelos treinados e validados Banco de dados sintético Relatório sobre padrões clínicos e epidemiológicos Plataforma de inferência para apoiar diagnósticos e decisões em saúde pública

Fields of Study & Subjects

Artificial Intelligence in Healthcare and Education Mosquito-borne diseases and control Artificial Intelligence in Healthcare

Publication details

Journal / source
Zenodo (CERN European Organization for Nuclear Research)
Publication date
27 March 2026
Language
PT