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.

Prefácio 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) 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.