Aplicações e desafios do aprendizado de máquina em biologia
Gravado no evento X-Meeting XPerience 2021 · 3 h 8 min de gravação
Trechos em vídeo

O papel do machine learning no cotidiano e a valorização do tempo humano
Trecho de a da gravação

Como o machine learning aprende regras e lida com a complexidade na saúde
Trecho de a da gravação

Aplicações de sensores, drones e visão computacional na agricultura
Trecho de a da gravação
Sobre o conteúdo
O vídeo registra uma mesa-redonda multidisciplinar sobre aprendizado de máquina aplicada à biologia, saúde e agronegócio, associada ao evento anual da Associação Brasileira de Bioinformática e Biologia Computacional (AB3C). O moderador Fábio Patroni abre o encontro apresentando o formato da sessão, composta por quatro palestras temáticas de trinta minutos seguidas por um bloco de debate e respostas às dúvidas do público.
Leonardo Tomazeli Duarte inicia apresentando o Centro de Pesquisa Aplicada em Inteligência Artificial (Brazilian Institute of Data Science - BI0S) e delineia as definições fundamentais que diferenciam inteligência artificial de aprendizado de máquina. Ele explica os paradigmas de aprendizado supervisionado — focando em problemas de regressão e classificação — e discute modelos lineares frente a redes neurais profundas, engenharia de atributos e a necessidade de capacidade de generalização. Também aborda o aprendizado não supervisionado por agrupamento (clustering) e decomposição em variáveis latentes com autoencoders, pontuando desafios emergentes como inferência causal, explicabilidade e modelos multitarefa.
Em seguida, Alexandre Chiavegatto Filho discute o papel do aprendizado de máquina na tomada de decisão em saúde, contrastando o objetivo preditivo dessas abordagens com os modelos estatísticos tradicionais de inferência. Ele exemplifica pesquisas do LabDaps (FSP-USP), como algoritmos preditivos de mortalidade neonatal com dados do SINASC e ferramentas de triagem e prognóstico durante a pandemia de COVID-19. O foco central de sua exposição volta-se para os desafios éticos, ressaltando que algoritmos refletem e potencializam vieses humanos presentes nos dados históricos, além dos riscos provocados pela sub-representação de populações de menor renda nos prontuários eletrônicos.
Na terceira apresentação, Tavvs Alves expõe a transformação digital no agronegócio. Ele discute os desafios mundiais de alimentação e sustentabilidade até 2050 e mostra como sensores de baixo custo, drones, visão computacional e internet das coisas (IoT) viabilizam o manejo de precisão, o controle localizado de pragas como o bicudo-do-algodoeiro e a previsão de produtividade de safras. Alves destaca também a necessidade de reestruturação do ensino e da extensão rural com perfil multidisciplinar.
Encerrando as palestras individuais, André Kazuo Takahata apresenta a história e os mecanismos técnicos dos sistemas conversacionais (chatbots e healthbots). Ele revisita desde pioneiros como o programa ELIZA e o teste de Turing até as arquiteturas modernas de processamento de linguagem natural (PLN), reconhecimento de voz e modelos baseados em corpus. Takahata destaca aplicações práticas no auxílio ao cuidado de idosos e triagem de pacientes, além de apontar desafios sociotécnicos brasileiros, como o analfabetismo funcional e as variações linguísticas regionais.
Na parte final, os palestrantes reúnem-se com o professor Marcelo Brandão para debater questões enviadas pelos espectadores. São abordados temas como os requisitos para a implementação clínica regulada de algoritmos preditivos no Brasil, conselhos e linguagens essenciais (como Python) para quem deseja ingressar na área, métodos de curadoria e mitigação de vieses em bases de dados e as limitações das plataformas low-code ou point-and-click em projetos biomédicos complexos.
O que é abordado
- Abertura e apresentação dos participantes
- Fundamentos e fronteiras do aprendizado de máquina (Leonardo Tomazeli Duarte)
- Desafios éticos e aplicações de machine learning em saúde (Alexandre Chiavegatto Filho)Trecho de 1 min 54 sTrecho de 1 min 58 s
- Transformação digital e IA no agronegócio (Tavvs Alves)Trecho de 1 min 56 s
- Criação e adoção de healthbots na saúde (André Kazuo Takahata)
- Mesa-redonda: aplicações clínicas e primeiros passos em IA
- Discussão: controle de vieses, dados de treinamento e low-code
- Considerações finais e encerramento
Dúvidas que o conteúdo responde
Qual é a diferença central entre inferência estatística tradicional e aprendizado de máquina na saúde?
Na bioestatística e nos estudos clássicos de inferência, o foco analítico está em estimar os parâmetros da função (os coeficientes beta) para entender a associação isolada de fatores e causalidade. Em machine learning, a prioridade principal está no valor preditivo do desfecho (y), permitindo modelar a complexidade multifatorial do mundo real sem se restringir a explicações simplistas da relação entre variáveis.
Como o viés algorítmico surge nos modelos de machine learning em saúde?
Os algoritmos aprendem padrões diretamente de dados gerados por humanos e sistemas sociais. Se os dados históricos contêm discriminações ou se certas populações são sub-representadas — como ocorre quando grande parte dos prontuários eletrônicos provém apenas de hospitais e pacientes de alta renda —, o modelo pode reproduzir essas disparidades e ter desempenho inferior para grupos vulneráveis.
Quais passos os professores recomendam para iniciantes na área de ciência de dados e machine learning?
Recomenda-se iniciar o aprendizado prático com linguagens de programação amplamente adotadas na área, como Python, aproveitando bibliotecas abertas como Scikit-learn e tutoriais gratuitos online. Além disso, destacou-se a importância de manter uma sólida base em estatística e álgebra linear, exercitar o diálogo multidisciplinar com especialistas do domínio de estudo e atentar-se às questões éticas.
O uso de ferramentas low-code ou point-and-click é indicado para projetos profissionais na área biológica?
Os especialistas apontam que ferramentas visuais ou automatizadas podem servir como porta de entrada educacional para testes preliminares, mas apresentam desvantagens em projetos avançados. A falta de controle fino sobre hiperparâmetros, reamostragens e arquiteturas complexas costuma limitar a solução, tornando a programação explícita (em Python ou R) a abordagem mais robusta e segura para a pesquisa científica e aplicação prática.
Assuntos
Outros conteúdos deste evento
Gravados no evento X-Meeting XPerience 2021
Liga Brasileira de Bioinformática
Gravado no evento X-Meeting XPerience 2021
A transmissão apresenta um panorama da 2ª Edição da Liga Brasileira de Bioinformática (LBB), abordando suas fases, dados de adesão nacional e os desafios promovidos em parceria…
Ver resumo e capítulos