Transfer Learning em Visão Computacional para a Classificação de Estágios do Alzheimer com MRI.

doi:10.22167/2675-6528-202602694

Artigo

30 de setembro de 2026

Transfer Learning em Visão Computacional para a Classificação de Estágios do Alzheimer com MRI.

Transfer Learning em Visão Computacional para a Classificação de Estágios do Alzheimer com Mri.

André Pirini Spadaro; Gabriel Gomes de Oliveira

DOI: 10.22167/2675-6528-202602694

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A doença de Alzheimer é um dos maiores desafios da saúde global, sendo o diagnóstico precoce e preciso crucial para o manejo do paciente. Desenvolveu-se e validou-se um modelo de aprendizado profundo para a classificação automática dos quatro estágios da doença, utilizando 6400 imagens de ressonância magnética cerebral (MRI). Empregou-se a metodologia de aprendizado por transferência, com a arquitetura de Rede Neural Convolucional (CNN) ResNet18 pré-treinada. O modelo foi treinado em duas fases, extração de características seguidas de ajuste fino (fine-tuning), sobre um banco de dados público dividido em conjuntos de treino, validação e teste, sem informações adicionais sobre os pacientes. Os resultados no conjunto de teste foram promissores, alcançando uma acurácia geral de 99,3% e um coeficiente Kappa de Cohen de 0,988. O modelo demonstrou notável capacidade de generalização, identificando perfeitamente a classe mais rara, Alzheimer Moderado, com precisão e sensibilidade de 1,000. Concluiu-se que a abordagem é altamente eficaz e possui grande potencial como ferramenta de apoio ao diagnóstico clínico da doença de Alzheimer, contribuindo para a melhoria da qualidade de vida dos pacientes por meio da descoberta precoce.

Palavras-chave: Aprendizado Profundo; Redes Neurais Convolucionais (CNN); ResNet18; Ressonância Magnética Cerebral (MRI); Transfer Learning.

1. Introdução

A doença de Alzheimer (DA) é reconhecida como a principal causa de transtorno neurocognitivo maior em escala global. Com o progressivo envelhecimento da população mundial, a prevalência da DA demonstra uma tendência de aumento exponencial, intensificando o impacto social, econômico e emocional sobre os pacientes, suas famílias e os sistemas de saúde (Organização Mundial da Saúde, 2023). Neste contexto, o diagnóstico precoce e a classificação precisa dos estágios da doença tornam-se cruciais, pois possibilitam a implementação de estratégias terapêuticas que podem retardar a progressão dos sintomas e otimizar o planejamento do cuidado ao paciente (Alzheimer’s Association, 2022).

Fisiopatologicamente, a doença de Alzheimer é caracterizada por dois marcadores neuropatológicos primários: o acúmulo extracelular de placas formadas pelo peptídeo beta-amiloide (Aβ) e a formação de emaranhados neurofibrilares intracelulares, resultantes da hiperfosforilação da proteína Tau (BERTRAM et al., 2005; HAINFELLNER et al., 1998). A agregação da proteína Tau hiperfosforilada compromete a integridade celular e o transporte axonal, culminando em disfunção sináptica e morte neuronal (GUPTA et al., 2010). Esse processo de agressão celular dual leva à atrofia cerebral progressiva, que é macroscopicamente visível em imagens de Ressonância Magnética (MRI) e serve como um dos principais biomarcadores para o diagnóstico e estadiamento da doença, justificando o emprego de métodos computacionais para sua detecção.

Os métodos de diagnóstico atuais frequentemente integram imagens de MRI com o histórico clínico do paciente e testes neuropsicológicos. Contudo, a interpretação dessas imagens depende da experiência do radiologista e do médico, o que pode ser particularmente desafiador nos estágios iniciais da doença, onde as alterações cerebrais são sutis (Jack Jr. et al., 2018). Estudos clínico-patológicos indicam que a sensibilidade diagnóstica dos clínicos varia entre 70,9% e 87,3%, e a especificidade entre 44,3% e 70,8% (BEACH et al., 2012), evidenciando a necessidade de ferramentas complementares que melhorem a precisão e a objetividade do diagnóstico.

A inteligência artificial (IA), e mais especificamente a visão computacional, emergiu como uma aliada promissora na medicina diagnóstica. Com o desenvolvimento de modelos de aprendizado profundo (deep learning), como as redes neurais convolucionais (CNNs), tornou-se viável criar sistemas capazes de identificar padrões complexos em imagens médicas com um nível de precisão que pode ser comparável ou superior ao de especialistas humanos (Litjens et al., 2017). A aplicação de CNNs na análise de imagens de MRI para a detecção e classificação da DA tem sido documentada em diversos trabalhos, demonstrando o potencial desses algoritmos para auxiliar no diagnóstico (Jo et al., 2019).

Entretanto, o treinamento de uma CNN de alta acurácia a partir do zero exige um volume substancial de dados, o que é frequentemente uma limitação no contexto médico devido à escassez de dados publicamente disponíveis. Para contornar essa restrição, a metodologia de aprendizado por transferência (transfer learning) é reconhecida como uma abordagem padrão-ouro. Essa técnica envolve a utilização de uma rede neural pré-treinada em um grande conjunto de dados, como o ImageNet, e sua adaptação para uma nova tarefa específica (SHIN et al., 2016). Arquiteturas como a ResNet, que incorporam conexões residuais para otimizar o fluxo de gradientes, têm se mostrado eficazes nesta aplicação, permitindo o treinamento de redes profundas (HE et al., 2016; RAMALHO et al., 2024).

Diante da crescente prevalência da doença de Alzheimer e das limitações inerentes aos métodos diagnósticos tradicionais, a aplicação de técnicas avançadas de inteligência artificial, como o aprendizado por transferência, apresenta um caminho promissor para o aprimoramento do diagnóstico. Este trabalho teve como objetivo o desenvolvimento, treinamento e validação de um modelo de aprendizado profundo, baseado na metodologia de Transfer Learning com a arquitetura ResNet18, para a classificação automática dos quatro estágios da doença de Alzheimer: Sem Alzheimer, Alzheimer Muito Leve, Alzheimer Leve e Alzheimer Moderado, a partir de MRI, visando a criação de uma ferramenta computacional de alta acurácia para o apoio ao diagnóstico clínico.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa de natureza aplicada, com abordagem metodológica quantitativa, focada no desenvolvimento e validação de um modelo de aprendizado profundo. O objetivo central foi a classificação automática dos quatro estágios da doença de Alzheimer, a saber: Sem Alzheimer, Alzheimer Muito Leve, Alzheimer Leve e Alzheimer Moderado, utilizando imagens de ressonância magnética cerebral (MRI) como objeto empírico.

O conjunto de dados empregado foi obtido da plataforma de ciência de dados Kaggle, intitulado “Alzheimer’s Dataset (4 class of Images)” (SINGH, 2019). Este dataset público compreendeu um total de 6.400 imagens de MRI cerebral. A distribuição das imagens por classe foi a seguinte: 3.200 imagens para Sem Alzheimer (50%), 2.240 para Alzheimer Muito Leve (35%), 896 para Alzheimer Leve (14%) e 64 para Alzheimer Moderado (1%). A distribuição desbalanceada das classes foi um fator considerado na estratégia de divisão e avaliação dos dados.

Para o pré-processamento e estruturação dos dados, a totalidade das 6.400 imagens foi dividida programaticamente em três conjuntos independentes: treino, validação e teste. Utilizou-se a função `train_test_split` da biblioteca Scikit-learn (versão 1.3.2) com estratificação (70/10/20), garantindo a preservação da proporção original de cada classe em todos os subconjuntos. Os conjuntos foram compostos por 4.480 imagens para treino (70%), 640 para validação (10%) e 1.280 para teste (20%). Para assegurar a reprodutibilidade, uma semente de aleatoriedade global (seed = 42) foi aplicada.

Adicionalmente, técnicas de aumento de dados (data augmentation) foram aplicadas dinamicamente ao conjunto de treino para mitigar o sobreajuste e aprimorar a capacidade de generalização do modelo. As transformações incluíram rotações aleatórias de até 15 graus e espelhamentos horizontais. Todas as imagens foram redimensionadas para 224×224 pixels. Posteriormente, os valores dos pixels foram convertidos para o intervalo [0, 1] e normalizados utilizando a média e o desvio padrão dos canais de cor do dataset ImageNet, procedimento padrão em aprendizado por transferência.

O ambiente de desenvolvimento utilizado foi a plataforma Google Colaboratory (Colab), na versão Pro, que disponibilizou uma Unidade de Processamento Gráfico (GPU) NVIDIA A100-SXM4-80GB. O desenvolvimento foi realizado na linguagem de programação Python (versão 3.10.12), com o suporte de bibliotecas de código aberto. As principais bibliotecas incluíram PyTorch (versão 2.3.0+cu121) para construção e treinamento da rede neural, Torchvision (versão 0.18.0+cu121) para acesso a datasets e arquiteturas pré-treinadas, Pandas (versão 2.0.3) para manipulação de dados tabulares, Matplotlib (versão 3.7.1) e Seaborn (versão 0.13.1) para visualizações gráficas, e Numpy (versão 1.25.2) para computação numérica.

A metodologia central do projeto foi o aprendizado por transferência (transfer learning), uma estratégia consolidada para cenários com conjuntos de dados limitados (SHIN et al., 2016). Um modelo pré-treinado em uma tarefa de classificação de milhares de objetos distintos do dataset ImageNet foi reutilizado como ponto de partida. Essa abordagem permitiu aproveitar a capacidade da rede de extrair características visuais genéricas, acelerando o aprendizado para a nova tarefa e combatendo o sobreajuste em um dataset limitado.

A arquitetura base selecionada foi a ResNet18, uma rede neural convolucional de 18 camadas (HE et al., 2016). A família ResNet, ou Residual Networks, introduziu as conexões residuais (skip connections), que permitem que a saída de uma camada anterior seja somada diretamente à saída de uma camada posterior. Esse mecanismo cria um “atalho” para o fluxo de informações, otimizando o fluxo de gradientes e possibilitando o treinamento de redes muito profundas sem o problema do desaparecimento do gradiente.

A arquitetura original da ResNet18 foi modificada para a tarefa específica. A camada de classificação original, projetada para as 1000 categorias do ImageNet, foi removida. Em seu lugar, adicionou-se uma “cabeça” de classificação customizada, adaptada para as quatro classes da doença de Alzheimer. Esta “cabeça” foi composta por uma camada densa com 512 neurônios de entrada e 128 de saída, utilizando a função de ativação ReLU. Seguiu-se uma camada de dropout com probabilidade de 0,20 (SRIVASTAVA et al., 2014) para regularização, e uma camada densa final com 128 neurônios de entrada e 4 de saída, correspondendo ao número de classes, com função de ativação Softmax.

O treinamento do modelo foi realizado em duas fases distintas. Na Fase 1, denominada Extração de Características (10 épocas), a base ResNet18 foi mantida “congelada” (seus pesos pré-treinados não foram alterados), e o treinamento focou exclusivamente na “cabeça” de classificação customizada. Utilizou-se o otimizador Adam (KINGMA; BA, 2014) com uma taxa de aprendizado inicial de 0.001. Na Fase 2, de Ajuste Fino (fine-tuning, 15 épocas), todas as camadas do modelo (base ResNet e cabeça customizada) foram “descongeladas”, permitindo ajustes em todos os pesos com uma taxa de aprendizado drasticamente menor de 0.0001. Essa estratégia visou refinar o modelo para a tarefa específica, evitando o “esquecimento catastrófico” do conhecimento pré-treinado.

A função de perda empregada para quantificar o erro do modelo durante o treinamento foi a Entropia Cruzada Categórica (CrossEntropyLoss no PyTorch). O otimizador Adam (Adaptive Moment Estimation) foi responsável por ajustar os pesos do modelo, adaptando a taxa de aprendizado para cada parâmetro da rede, o que contribuiu para uma convergência mais rápida e estável do modelo.

A performance do modelo final foi avaliada rigorosamente no conjunto de teste, que consistiu em dados inéditos para o modelo. As métricas de avaliação calculadas incluíram acurácia global, precisão, sensibilidade (recall), especificidade, F1-Score, curva ROC, AUC (área sob a curva), índice de Youden, coeficiente Kappa de Cohen e coeficiente de correlação de Matthews (MCC). A matriz de confusão também foi utilizada para sumarizar a performance do algoritmo de classificação.

3. Resultados e Discussão

A avaliação do modelo de aprendizado profundo para a classificação dos estágios da doença de Alzheimer, utilizando imagens de ressonância magnética cerebral (MRI), revelou um desempenho excepcional, validando a abordagem de aprendizado por transferência com a arquitetura ResNet18. O processo de desenvolvimento foi realizado no ambiente Google Colaboratory, que, com o auxílio de uma GPU NVIDIA A100-SXM4-80GB, permitiu um tempo de treinamento notavelmente eficiente de 2 minutos e 48 segundos. O modelo final incorporou um total de 11.178.564 parâmetros treináveis, demonstrando a complexidade e a capacidade de aprendizado da rede neural convolucional adaptada.

O treinamento do modelo foi estruturado em duas fases distintas, visando otimizar a extração de características e o ajuste fino. Na primeira fase, que compreendeu as dez primeiras épocas, a base ResNet18 foi mantida “congelada”, ou seja, seus pesos pré-treinados não foram alterados. Este estágio inicial focou no ajuste da “cabeça” de classificação customizada, permitindo que ela se adaptasse de forma estável às características genéricas já aprendidas pela ResNet. Observou-se um rápido aprendizado, com a acurácia de validação apresentando uma ascensão consistente e a perda diminuindo progressivamente, indicando uma adaptação eficaz do classificador.

A segunda fase, iniciada a partir da décima época, envolveu o “descongelamento” de todas as camadas do modelo, incluindo a base ResNet e a cabeça customizada, e o prosseguimento do treinamento com uma taxa de aprendizado drasticamente reduzida (0.0001). Essa estratégia de fine-tuning resultou em um salto significativo na performance, com as curvas de acurácia de treino e validação convergindo para níveis acima de 95%. A proximidade entre essas curvas ao final do processo é um indicativo robusto de que o modelo alcançou um excelente ponto de generalização, mitigando o risco de sobreajuste (overfitting), um desafio comum em modelos de aprendizado profundo com conjuntos de dados limitados.

A análise da evolução da acurácia e da perda durante o treinamento confirmou a correlação inversa esperada: à medida que a perda diminuía, a acurácia aumentava, tanto nos conjuntos de treino quanto de validação. A estratégia de duas fases para a taxa de aprendizagem, com uma taxa mais alta na fase inicial e uma redução drástica na fase de ajuste fino, foi crucial para essa convergência suave e eficaz. Embora a classe Alzheimer Leve tenha exibido maior variabilidade inicial no F1-Score durante o fine-tuning, todas as classes demonstraram melhoria significativa e convergência para alta performance, refletindo a robustez do método.

A avaliação final do modelo foi conduzida em um conjunto de teste composto por 1.280 imagens, que eram completamente inéditas para o modelo, garantindo uma aferição imparcial de sua capacidade preditiva. Os resultados quantitativos obtidos foram excepcionais, com uma acurácia global de 99,3%. Este valor elevado, juntamente com uma média ponderada do F1-Score de 0,993, confirma o excelente equilíbrio do modelo em todas as classes, indicando que o sistema é capaz de manter alta precisão e sensibilidade simultaneamente, mesmo em um cenário de classes desbalanceadas.

A especificidade, com uma média ponderada de 0,994, demonstrou a alta capacidade do modelo em identificar corretamente os casos negativos, ou seja, pacientes sem Alzheimer, minimizando a ocorrência de falsos positivos. Este aspecto é particularmente relevante no contexto clínico, onde um diagnóstico incorreto pode gerar ansiedade desnecessária e procedimentos invasivos. O índice de Youden, que integra sensibilidade e especificidade, também apresentou um valor elevado de 0,987 na média ponderada, reforçando a excelente capacidade diagnóstica geral do modelo e sua utilidade como ferramenta de apoio.

O coeficiente Kappa de Cohen, que corrige a concordância que ocorreria por acaso, atingiu 0,988, indicando uma concordância quase perfeita entre as predições do modelo e os rótulos reais. Este valor é significativamente alto e superior ao limite de 0,80, que já denota uma concordância quase perfeita, atestando a robustez do aprendizado do modelo e que seus resultados não são meramente aleatórios ou influenciados pelo desbalanceamento das classes. Complementarmente, o Coeficiente de Correlação de Matthews (MCC) de 0,988, considerado uma das métricas mais informativas para datasets desbalanceados, também apontou para uma predição quase perfeita, levando em conta todos os tipos de resultados (verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos).

A análise detalhada por classe revelou que a classe “Sem Alzheimer” obteve uma precisão de 0,988 e sensibilidade de 1,000, com F1-Score de 0,994. Para “Alzheimer Muito Leve”, a precisão foi de 1,000 e sensibilidade de 0,982, resultando em F1-Score de 0,991. A classe “Alzheimer Leve” apresentou precisão de 0,994 e sensibilidade de 0,994, com F1-Score de 0,994. Um achado particularmente notável foi a performance perfeita para a classe “Alzheimer Moderado”, que alcançou precisão, sensibilidade, especificidade, F1-Score, índice de Youden e AUC de 1,000 para todas as métricas, mesmo sendo a classe mais rara no conjunto de dados, representando apenas 1% do total de imagens.

Os valores de AUC (Área Sob a Curva ROC) para todas as classes foram extremamente próximos de 1,0000, com “Alzheimer Leve” e “Alzheimer Moderado” atingindo 1,0000, e “Sem Alzheimer” e “Alzheimer Muito Leve” alcançando 0,9999. Estes resultados indicam uma capacidade de discriminação quase perfeita entre as classes, sugerindo que o modelo é altamente eficaz em distinguir os diferentes estágios da doença. A proximidade das curvas ROC ao canto superior esquerdo do gráfico reforça visualmente a alta sensibilidade e especificidade do modelo em todas as categorias.

A análise visual da matriz de confusão corroborou os resultados numéricos, exibindo uma forte diagonal principal e valores muito baixos fora dela. Isso demonstra a alta precisão do modelo em todas as classes. Os poucos erros identificados na matriz confirmaram uma dificuldade ligeiramente maior em distinguir entre os estágios “Alzheimer Leve” e “Alzheimer Muito Leve”, o que é um comportamento esperado e reflete a natureza contínua da progressão da doença. A performance perfeita para a classe “Alzheimer Moderado”, apesar de sua representatividade minoritária no dataset, é um resultado particularmente significativo, indicando a robustez da ResNet18 e a eficácia do fine-tuning em aprender características distintivas mesmo com poucas amostras.

Em comparação com a literatura existente, o desempenho alcançado por este modelo superou muitos resultados reportados para a classificação da doença de Alzheimer utilizando aprendizado por transferência em datasets de MRI. Estudos anteriores que aplicaram abordagens baseadas em CNNs profundas e transfer learning em conjuntos de dados como OASIS e ADNI, frequentemente reportaram acurácias na faixa de 85% a 96% (ISLAM; ZHANG, 2020; SALEHI; ERDOGMUS; GHOLIPOUR, 2020). A acurácia de 99,3%, o Kappa de 0,988 e o MCC de 0,988 obtidos neste estudo representam uma melhoria substancial.

A superioridade do modelo pode ser atribuída à combinação estratégica da arquitetura ResNet18, que é reconhecida por sua eficiência e capacidade de lidar com o problema do desaparecimento do gradiente através de conexões residuais, e a metodologia de fine-tuning em duas fases. Essa abordagem permitiu que o modelo se especializasse na tarefa de classificação de imagens de MRI para Alzheimer, aproveitando o conhecimento pré-treinado em um vasto dataset e adaptando-o de forma refinada. A estabilidade do treinamento e a ausência de overfitting significativo, evidenciadas pelas curvas de aprendizagem, são pontos fortes que contribuíram para a alta capacidade de generalização do modelo final.

A capacidade de classificar com perfeição a classe “Alzheimer Moderado”, apesar de sua extrema raridade no conjunto de dados de treino, é um resultado particularmente relevante. Muitos trabalhos na literatura enfrentam desafios significativos com classes minoritárias, onde a representatividade reduzida pode levar a um viés no treinamento. A robustez da ResNet18, aliada à eficácia do fine-tuning, permitiu que o modelo aprendesse características distintivas com poucas amostras, demonstrando um potencial significativo para o diagnóstico precoce e preciso, especialmente em estágios mais avançados, onde a identificação é crucial para o manejo do paciente.

Em síntese, os resultados obtidos demonstram que o modelo de aprendizado profundo desenvolvido é altamente eficaz na classificação dos quatro estágios da doença de Alzheimer a partir de imagens de MRI. A alta acurácia, Kappa de Cohen e MCC, juntamente com a excelente capacidade de discriminação entre as classes, validam a metodologia empregada e posicionam o modelo como uma ferramenta promissora para auxiliar o diagnóstico clínico, contribuindo para a detecção precoce e o planejamento do cuidado dos pacientes.

4. Conclusão

O presente estudo visou ao desenvolvimento, treinamento e validação de um modelo de aprendizado profundo, empregando a metodologia de Transfer Learning com a arquitetura ResNet18, para a classificação automática dos quatro estágios da doença de Alzheimer a partir de imagens de ressonância magnética cerebral (MRI). Verificou-se um desempenho excepcional do modelo, que alcançou uma acurácia global de 99,3% e um coeficiente Kappa de Cohen de 0,988 no conjunto de teste. A estratégia de treinamento em duas fases, com extração de características seguida de ajuste fino, demonstrou-se altamente eficaz, permitindo que o modelo aprendesse padrões complexos e generalizasse com robustez. Notavelmente, identificou-se uma capacidade perfeita de classificação para a classe Alzheimer Moderado, mesmo sendo a mais rara no conjunto de dados, com precisão e sensibilidade de 1,000. Estes achados posicionam o modelo como uma ferramenta computacional de alta acurácia, com grande potencial para apoiar o diagnóstico clínico da doença de Alzheimer, contribuindo para a detecção precoce e o planejamento do cuidado dos pacientes.

Contudo, o estudo apresenta algumas limitações que devem ser consideradas. A avaliação do modelo foi realizada em um único dataset público, o que sugere a necessidade de validação em conjuntos de dados externos, provenientes de diferentes centros de imagem e protocolos de aquisição, para confirmar sua generalização no mundo real. Adicionalmente, a análise foi conduzida em imagens 2D, enquanto a ressonância magnética é uma modalidade 3D, o que pode implicar na perda de informações contextuais. Para estudos futuros, recomenda-se a construção de modelos capazes de processar diretamente volumes 3D e a integração de dados multimodais, como tomografia computadorizada e biomarcadores sanguíneos, visando um diagnóstico ainda mais abrangente e preciso. É fundamental ressaltar que o modelo desenvolvido constitui uma ferramenta de apoio ao diagnóstico, e não um substituto para a avaliação clínica especializada.

Referências Bibliográficas

ALZHEIMER’S ASSOCIATION. 2022 Alzheimer’s disease facts and figures. Alzheimer’s & Dementia, 18(4): 700-789, 2022.

BEACH, Thomas G. et al. Accuracy of the clinical diagnosis of Alzheimer disease at National Institute on Aging Alzheimer Disease Centers, 2005–2010. Journal of neuropathology and experimental neurology, v. 71, n. 4, p. 266-273, 2012.

BERTRAM, L. et al. The genetic epidemiology of neurodegenerative disease. The Journal of clinical investigation, v. 115, n. 6, p. 1449-1457, 2005.

GUPTA, S. et al. Alzheimer’s disease: Genes, proteins, and therapy. Physiological Reviews, v. 81, n. 2, p. 741-766, 2001.

HAINFELLNER, J. A. et al. Coexistence of Alzheimer-type neuropathology in Creutzfeldt-Jakob disease. Acta neuropathologica, v. 96, n. 2, p. 116-122, 1998.

HE, K.; ZHANG, X.; REN, S.; SUN, J. Deep Residual Learning for Image Recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), p. 770-778, 2016.

ISLAM, J.; ZHANG, Y. Brain MRI analysis for Alzheimer’s disease diagnosis using an ensemble system of deep convolutional neural networks. Brain Informatics, v. 7, n. 1, art. 2, 2020.

JACK JR., C. R.; BENNETT, D. A.; BLENNOW, K.; CARRILO, M. C.; FELDMAN, H. H.; FRISONI, G. B.; HAMPEL, H.; JEGATHEESAN, A.; PETERSEN, R. C.; SNYDER, P. J.; SPERLING, R. A.; TEPPA, F. A NIA-AA Research Framework: Toward a biological definition of Alzheimer’s disease. Alzheimer’s & Dementia, 14(4): 535-562, 2018.

JO, T.; NHO, K.; SAYKIN, A. J. Deep Learning in Alzheimer’s Disease: Diagnostic Classification and Prognostic Prediction Using Neuroimaging Data. Frontiers in Aging Neuroscience, 11(220): 1-18, 2019.

KINGMA, D. P.; BA, J. Adam: A Method for Stochastic Optimization. In: Proceedings of the 3rd International Conference on Learning Representations (ICLR), 2015.

LITJENS, G.; KOOI, T.; BEJINARIU, B. E.; SETIO, A. A. A.; CIOMPI, F.; GHAFOORIAN, M.; VAN DER LAAR, J. A. W. M.; VAN GINNEKEN, B.; SÁNCHEZ, C. I. A survey on deep learning in medical image analysis. Medical Image Analysis, 42(1): 60-88, 2017.

ORGANIZAÇÃO MUNDIAL DA SAÚDE (OMS). Global status report on the public health response to dementia. Genebra: World Health Organization, 2021.

RAMALHO, B. A. C. et al. The impact of the orientation of MRI slices on the accuracy of Alzheimer’s disease classification using convolutional neural networks (CNNs). Journal of Medical Artificial Intelligence, v. 7, art. 35, 2024.

SALEHI, A. W.; ERDOGMUS, D.; GHOLIPOUR, A. Auto-Transfer Learning for Alzheimer’s Disease Diagnosis Using Structural MRI. In: International Workshop on Machine Learning in Medical Imaging (MLMI 2020), Springer, Cham, p. 193-201, 2020.

SHIN, H. C. et al. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning. IEEE Transactions on Medical Imaging, v. 35, n. 5, p. 1285-1298, 2016.

SINGH, P. P. Alzheimer’s Dataset (4 class of Images). Kaggle, 2019. Disponível em: https://www.kaggle.com/datasets/preetpalsingh25/alzheimers-dataset-4-class-of-images. Acesso em: 14 out. 2025.

SRIVASTAVA, N. et al. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research, v. 15, n. 1, p. 1929-1958, 2014.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Mais recentes

09 de outubro de 2026

Baixa Produção de Conteúdo Gerado Pelo Usuário em Colaborações de Cosméticos nas Plataformas Digitais

09 de outubro de 2026

Previsão de vendas por produto e cliente com modelos da família ARIMA

09 de outubro de 2026

Automação e Curadoria de Séries Históricas Hidrometeorológicas da ANA via Pipeline Computacional em Linguagem R

09 de outubro de 2026

Ferramentas e técnicas de gestão do tempo utilizadas por técnicos da capacitação profissional rural e promoção social

09 de outubro de 2026

Análise de Correspondência Aplicada a Dados Periciais: Identificação de Padrões Para Melhoria dos Serviços de Atendimento

09 de outubro de 2026

Predição do MVP da NBA com Técnicas de Aprendizado de Máquina

09 de outubro de 2026

O comportamento das gerações de consumidores digitais de materiais para construção: análise da Geração X

Digital Business

09 de outubro de 2026

Experiência do cliente digital e satisfação do consumidor em plataformas online

Neurociência E Aprendizagem Na Educação

09 de outubro de 2026

Fundamentos para estruturação de currículos baseados em habilidades de raciocínio

Você também pode gostar

09 de outubro de 2026

Baixa Produção de Conteúdo Gerado Pelo Usuário em Colaborações de Cosméticos nas Plataformas Digitais

Este estudo analisou a relação entre colaborações de marcas, conhecidas como “collabs”, no setor de cosméticos e a produção de conteúdo gerado pelo usuário (UGC) em plataformas digitais. A pesquisa abordou a relevância do tema diante do crescimento do mercado de beleza e da intensificação das estratégias de “co-branding” como ferramenta de diferenciação e inovação. O objetivo principal foi compreender de que forma essas colaborações influenciaram o comportamento do consumidor digital, com foco na criação de UGC e na intenção de compra. Para isso, a metodologia adotada foi exploratória e descritiva, com a aplicação de um questionário online a 493 respondentes da região Sudeste do Brasil. Os dados coletados foram analisados por meio de estatística descritiva. Os resultados indicaram que, embora as “collabs” gerassem engajamento entre os consumidores, a produção de UGC ativo foi baixa, predominando interações passivas como curtidas, salvamentos e reações rápidas. Adicionalmente, as colaborações demonstraram influência limitada na intenção de compra e na disposição a pagar mais pelos produtos. Concluiu-se que, apesar do potencial estratégico das “collabs” para o mercado de cosméticos, sua efetividade dependeu de fatores como a relevância percebida, a identificação com a marca e a presença de estímulos adicionais para a criação de conteúdo pelo usuário.

Palavras-chave: Comportamento online; Co-branding; Engajamento do consumidor; Intenção de compra; Interação digital.

09 de outubro de 2026

Previsão de vendas por produto e cliente com modelos da família ARIMA

O planejamento de vendas e estoques mostrou-se relevante para a tomada de decisão empresarial. O trabalho teve como objetivo desenvolver um modelo de previsão de vendas por produto, cliente e loja para os 12 meses subsequentes, utilizando dados históricos mensais. A metodologia baseou-se na aplicação de modelos da família ARIMA a 5.669 registros de vendas, abrangendo 745 combinações únicas de produto, cliente e loja, de janeiro de 2021 a dezembro de 2024. Realizou-se análise exploratória da série agregada, decomposição sazonal, testes de estacionariedade, análise de autocorrelação e identificação de modelos candidatos. A seleção dos modelos foi apoiada por procedimento stepwise e comparação walk-forward com estimador uniforme (SARIMAX). Os resultados indicaram que o modelo SARIMA(1,1,0)(1,0,0,12) apresentou desempenho superior ao ARIMA(1,1,1), com um MAPE de 13,51% e melhor aderência ao comportamento sazonal. Na aplicação granular, 122 séries receberam SARIMA, 247 receberam ARIMA e 376 utilizaram média histórica. Concluiu-se que a incorporação da componente sazonal fortaleceu a consistência metodológica e a utilidade prática do modelo para a previsão de vendas.

Palavras-chave: planejamento de estoques; SARIMA; sazonalidade; séries temporais.

09 de outubro de 2026

Automação e Curadoria de Séries Históricas Hidrometeorológicas da ANA via Pipeline Computacional em Linguagem R

A disponibilidade de dados ambientais consistentes é fundamental para o avanço das pesquisas em climatologia e gestão de recursos hídricos. Desenvolveu-se e implementou-se um algoritmo computacional em linguagem R para a aquisição automatizada, padronização e organização de séries históricas diárias de precipitação, nível e vazão, provenientes do WebService da Agência Nacional de Águas e Saneamento Básico (ANA). O método baseou-se em um pipeline de dados estruturado, operando conforme as janelas temporais de 1961–1990, 1991–2020 e 2021–2024. A implementação utilizou processamento paralelizado, o que garantiu ganho de desempenho em relação a métodos sequenciais. Como resultado, o algoritmo qualificou o inventário de estações e gerou dados estruturados em formato Parquet com compressão gzip, assegurando alta performance e economia volumétrica. Concluiu-se que a solução automatizada superou as limitações operacionais de ferramentas manuais e preexistentes, provendo datasets curados e de alta granularidade, aptos para aplicações avançadas de modelagem hidrológica e algoritmos de Machine Learning.

Palavras-chave: Automação; Ciência de dados; Hidrologia; Linguagem R; Séries temporais.

09 de outubro de 2026

Ferramentas e técnicas de gestão do tempo utilizadas por técnicos da capacitação profissional rural e promoção social

A gestão do tempo configura-se como um elemento essencial para a melhoria da produtividade e da qualidade das entregas, ao permitir a organização, priorização e execução eficiente das atividades, contribuindo diretamente para o alcance de metas e a otimização dos resultados no contexto profissional e pessoal. Objetivou-se compreender como práticas, ferramentas e técnicas de gestão do tempo, adotadas por instrutores de formação profissional rural e de promoção social, se associaram a dois desfechos centrais: a realização das atividades diárias planejadas e a percepção do impacto dessas práticas no bem-estar e produtividade. Os dados foram coletados por meio de questionário on-line estruturado, composto por 18 questões, e as análises foram realizadas no ambiente Python com bibliotecas estatísticas. Os resultados revelaram que a elevada formação acadêmica e maturidade profissional não se traduziu em maior eficácia na gestão do tempo. Observou-se amplo conhecimento sobre ferramentas e técnicas, mas sua utilização prática foi limitada e desigual. Ferramentas mais simples e intuitivas, como listas de tarefas, apresentaram maior adesão, enquanto técnicas que exigem transformações comportamentais, como a Técnica Pomodoro, tiveram baixa aplicação. Houve predominância do uso de soluções digitais, com destaque para o Google Agenda. Evidenciou-se uma percepção quase unânime de que a gestão do tempo influencia diretamente a produtividade e o bem-estar. Concluiu-se que a melhoria da gestão do tempo não dependeu exclusivamente da adoção de ferramentas e técnicas, mas, sobretudo, do desenvolvimento de habilidades práticas e comportamentais, aliado a ajustes nas condições de trabalho.

Palavras-chave: 5W2H; Matriz de Eisenhower; Matriz GUT; Multitarefa; Procrastinação.

09 de outubro de 2026

Análise de Correspondência Aplicada a Dados Periciais: Identificação de Padrões Para Melhoria dos Serviços de Atendimento

A necessidade de otimizar recursos e compreender a complexa dinâmica criminal motivou a exploração de dados periciais, frequentemente subutilizados em laudos textuais. Aplicou-se a Análise de Correspondência Múltipla (ACM) em atendimentos periciais na Macrorregião de Bauru, SP. O objetivo foi investigar e identificar padrões de associação entre o tipo de ocorrência, o período do dia, o dia da semana e a localização, visando subsidiar decisões operacionais. Utilizaram-se dados da Superintendência da Polícia Técnico-Científica (SPTC), coletados entre maio de 2023 e janeiro de 2026. A metodologia englobou a limpeza, transformação e categorização das variáveis, além da construção de matrizes de contingência processadas em Python. A análise descritiva inicial revelou que furtos e colisões predominaram no volume total de ocorrências, enquanto crimes violentos, como homicídios, estupros e feminicídios, representaram uma parcela menor, mas demandaram tempos de resposta significativamente maiores. A ACM mapeou visualmente as correlações estruturais, demonstrando associações claras entre crimes noturnos e de finais de semana com regiões específicas. Identificaram-se dois agrupamentos principais: um perfil noturno e de fim de semana, associado a choques, atropelamentos e suicídios, com destaque para Bauru; e um perfil diurno em dias úteis, dominado por furtos e danos à propriedade. Demonstrou-se que o uso de técnicas exploratórias de aprendizado de máquina transformou dados periciais brutos em informações estratégicas vitais, fornecendo subsídios para a alocação eficiente de equipes e fundamentando a elaboração de políticas públicas baseadas em evidências.

Palavras-chave: Crimes violentos; Matriz de contingência; Priorização de serviços; Python; Tempos de resposta.

09 de outubro de 2026

Predição do MVP da NBA com Técnicas de Aprendizado de Máquina

O prêmio de Most Valuable Player (MVP) da NBA possui grande relevância no basquete profissional, refletindo o reconhecimento de atletas e os padrões de votação. Um estudo desenvolveu e avaliou modelos de aprendizado de máquina supervisionado para prever o prêmio MVP da NBA, tratando o problema como uma tarefa de ordenação baseada na estimação do valor de “Share” da votação. Foram treinados e avaliados cinco algoritmos – Random Forest, LightGBM, XGBoost, CatBoost e NGBoost – utilizando dados históricos da NBA de 1996 a 2025, coletados do portal “Basketball Reference”. Os modelos foram testados nas temporadas de 2019 a 2025. O CatBoost alcançou o melhor desempenho na acurácia Top-5 (77,14%), identificando consistentemente os cinco principais candidatos. Random Forest, LightGBM e NGBoost empataram na acurácia Top-1 (42,86%), prevendo corretamente o vencedor em três das sete temporadas avaliadas. A análise de importância das variáveis indicou que o desempenho ofensivo individual, especialmente pontos por partida, e o desempenho coletivo da equipe, representado pelo percentual de vitórias, foram os principais determinantes das previsões. Os resultados demonstraram a viabilidade da abordagem proposta e seu elevado potencial para estudos futuros.

Palavras-chave: Aprendizado de máquina; Boosting; NBA; Predição esportiva; Random Forest.

09 de outubro de 2026

O comportamento das gerações de consumidores digitais de materiais para construção: análise da Geração X

Analisou-se o comportamento da Geração X na compra de materiais para construção, considerando a articulação entre canais digitais e físicos e as percepções de varejistas e indústrias sobre esse processo. O objetivo foi investigar como esse público utiliza os canais digitais e físicos no processo decisório e relacionar os achados às respostas de varejistas e indústrias. Realizou-se uma pesquisa descritiva e exploratória, com abordagem quantitativa e interpretação qualitativa, por meio de três questionários aplicados a 37 consumidores, 25 varejistas e 25 representantes da indústria. Os dados de cada grupo foram analisados separadamente e, em seguida, relacionados por eixos temáticos. Os resultados indicaram que os consumidores da Geração X utilizam meios digitais para pesquisa e comparação, mas valorizam a loja física para contato com o produto, confiança e atendimento consultivo. Os varejistas reconheceram a transformação, mas apresentaram diferentes níveis de adaptação, enquanto as indústrias relataram uso heterogêneo de tecnologias e reconheceram seu papel de apoio ao varejo. Concluiu-se que o comportamento da Geração X se caracteriza por uma jornada híbrida, que exige maior integração entre os canais e os agentes da cadeia de materiais para construção.

Palavras-chave: Comportamento do consumidor; Geração X; Jornada de compra híbrida; Transformação digital; Varejo de materiais para construção.

Digital Business

09 de outubro de 2026

Experiência do cliente digital e satisfação do consumidor em plataformas online

Um estudo analisou como as dimensões da experiência do cliente digital (controle percebido, conveniência do serviço, atendimento ao cliente e cumprimento dos serviços) influenciam a satisfação do consumidor em plataformas online para aquisição de produtos e serviços. Adotou-se uma abordagem quantitativa e descritiva, com dados primários coletados entre 02 e 13 de fevereiro de 2026, por meio de escalas validadas aplicadas a consumidores de e-commerce. A amostra, definida por conveniência, contemplou diversos perfis de usuários. Realizou-se análise descritiva para caracterização dos respondentes, seguida de análises de correlação e regressão linear múltipla para verificar as relações entre as variáveis. Os resultados evidenciaram que as dimensões Conveniência do Serviço, Cumprimento dos Serviços e Atendimento ao Cliente apresentaram associação positiva e estatisticamente significativa com a satisfação do consumidor. O Controle Percebido, contudo, não demonstrou influência significativa no modelo estimado. Esses achados contribuíram para a compreensão das relações entre a experiência digital e a satisfação do consumidor em plataformas de e-commerce.

Palavras-chave: Análise multivariada; Comércio eletrônico; Comportamento do consumidor; Experiência do usuário; Qualidade do serviço.

Neurociência E Aprendizagem Na Educação

09 de outubro de 2026

Fundamentos para estruturação de currículos baseados em habilidades de raciocínio

Nas últimas décadas, observou-se uma transição educacional de modelos focados em conteúdo para o desenvolvimento de competências, impulsionada pela ubiquidade da informação. Nesse contexto, as habilidades de raciocínio tornaram-se pedagogicamente cruciais por embasarem a compreensão, relação e adaptação de conteúdos em cenários complexos. Com base nessa perspectiva, buscou-se consolidar um modelo detalhado das habilidades que compõem o raciocínio cognitivo, visando servir de base para a elaboração de currículos e programas pedagógicos. Para tanto, realizou-se uma pesquisa qualitativa e exploratória, que envolveu uma síntese multidisciplinar de conhecimentos da filosofia da mente, epistemologia, semiótica, psicologia cognitiva e neurociência. Essa abordagem proporcionou uma visão abrangente da natureza e das funções do raciocínio humano. O modelo resultante classificou as habilidades em quatro funções cognitivas principais, subdivididas em níveis crescentes de complexidade, que acompanharam o desenvolvimento cognitivo humano. A estrutura final mostrou-se bem fundamentada e aplicável à elaboração de currículos e programas pedagógicos, oferecendo uma taxonomia de habilidades do raciocínio diretamente utilizável no sequenciamento instrucional e na avaliação de competências cognitivas.

Palavras-chave: Currículo baseado em competências; Desenvolvimento cognitivo; Habilidades cognitivas; Pensamento crítico; Raciocínio cognitivo.

Marketing

09 de outubro de 2026

Bitcoin ou pets: o que a Inteligência Artificial não veria

Um caso real de consumer intelligence mostra o que fica fora do briefing Há alguns anos, uma seguradora americana contratou uma empresa especializada em consumer intelligence para responder a três perguntas: A seguradora também avaliava lançar seguros pagos em bitcoin. Na época, o processo de trabalho da consultoria funcionava assim: o analista criava uma query […]

Gestão Escolar

06 de outubro de 2026

A escola não é um cassino: quando figurinhas viram moeda no pátio

Por que, para determinados estudantes, a escola consegue oferecer tão poucas experiências de conquista? A Copa do Mundo acabou. O Brasil deixou a competição, vieram as férias escolares, a final foi disputada e o calendário do futebol seguiu adiante. Seria razoável imaginar que, com o fim do torneio e o retorno às aulas, também começasse […]

Transição Energética

30 de setembro de 2026

Energias renováveis: a vantagem brasileira

Brasil precisa investir na capacidade de transformar recursos naturais em inovação, produtividade e desenvolvimento Falar sobre energia é falar sobre desenvolvimento. Por trás da indústria, dos transportes, dos serviços, das cidades e, cada vez mais, da inteligência artificial, existe uma infraestrutura energética que sustenta a economia. Compreender a matriz energética de um país é compreender […]

Análise De Dados

30 de setembro de 2026

Quando o dado muda, a realidade mudou?

Análise de quase 20 milhões de vínculos-ano docentes entre 2020 e 2025 mostra como mudanças na composição da população e na produção dos registros podem alterar a interpretação de série histórica Entre 2020 e 2025, o número de vínculos formais de trabalho docente identificados na RAIS (Relação Anual de Informações Sociais), do Ministério do Trabalho, […]

Inteligência Artificial

28 de setembro de 2026

Inteligência artificial e as trends

Por que tantas pessoas aderem às brincadeiras com o ChatGPT? Nunca fui a pessoa da trend. Continuo não sendo. Algumas passam pela minha timeline, vejo, acho interessante mas não a ponto de experimentar. Foi assim, inclusive, com algumas ondas recentes de imagens feitas por inteligência artificial, como a trend dos anos 80, aquela que nos […]

Gestão De Projetos

25 de setembro de 2026

A IA acelera as respostas; quem assume as decisões?

Velocidade da tecnologia só vira vantagem quando acompanha a capacidade de compreender, verificar e assumir a responsabilidade pelos resultados Imagine uma equipe que passa a produzir em uma tarde as análises que antes exigiam uma semana. A mudança parece justificar o investimento em inteligência artificial. Mas, antes de contabilizar o ganho, cabe perguntar quem examinou […]

Inovação

14 de setembro de 2026

Não lemos apenas palavras

Como novos códigos, tecnologias e formas de comunicação ampliam aquilo que precisamos aprender a interpretar Ser alfabetizado costuma ser entendido inicialmente como: reconhecer letras, formar palavras, compreender frases e produzir textos. Durante muito tempo, foi principalmente a partir desse domínio que definimos o que significava saber ler e, consequentemente, participar de diferentes espaços da sociedade. […]

Redes Sociais

14 de setembro de 2026

O efeito da influência no consumo

O que a pesquisa Youpix/Nielsen 2026 mostra sobre o avanço da Creator Economy Em 2025, 80% dos consumidores brasileiros compraram algum produto recomendado por influenciadores. Em 2026, o índice chegou a 81%. A estabilidade em um patamar tão elevado indica que a compra por influência deixou de ser um comportamento restrito a determinados públicos. O […]

Chamada De Artigos

11 de setembro de 2026

Chamada de artigos – Edição Temática Gestão de Pessoas

Submissões abertas de 11/09/2026 a 30/09/2026 Estão abertas as submissões para a Chamada Temática Gestão de Pessoas 2026, da Revista Estratégias & Soluções (E&S). A chamada será organizada em dois fluxos editoriais: Fluxo 1 – Trabalhos finais de destaque do MBA USP/EsalqDestinado aos TCCs do curso de Gestão de Pessoas do MBA USP/Esalq que obtiveram […]

Gestão Tributária

01 de setembro de 2026

Reforma tributária e planejamento patrimonial no campo

Eficiência para gerenciar os impostos facilita a governança e permite organizar a sucessão familiar A organização patrimonial rural virou uma medida estratégica diante da reforma tributária no Brasil, que entrou em vigor neste ano. O planejamento das atividades e da gestão do patrimônio rural, por meio de ferramentas como a transição da Pessoa Física para […]

Renata de Gaspari Valdejão Almeida

Inteligência Artificial

05 de agosto de 2026

Dentro da empresa e fora do radar: os riscos da Shadow AI

Segundo a Microsoft, 75% dos profissionais já utilizam inteligência artificial no trabalho sem homologação da empresa O uso da inteligência artificial generativa já faz parte da rotina corporativa. Ferramentas como ChatGPT, Copilot e outras plataformas ajudam profissionais a produzir textos, analisar dados, criar apresentações e acelerar tarefas em praticamente todos os setores. Mas esse avanço […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julho de 2026

O futuro como competência

Interesse acadêmico reforça a projeção de cenários como ferramenta essencial para a tomada de decisões Enquanto algumas empresas ainda tentam acertar o próximo passo, outras já trabalham com múltiplos futuros possíveis — e se preparam para todos eles. Mas afinal, o que significa “pensar o futuro”? É tendência, é estratégia ou uma nova competência que […]

Renata de Gaspari Valdejão Almeida

Inovação

Tecnologia

21 de maio de 2026

Corredor Agro SP: inovação, articulação institucional e futuro

Pecege comanda operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educação

27 de abril de 2026

Como transformar um TCC em negócio

Nova gestão do Parque Tecnológico de Piracicaba oferece consultoria a egressos de MBAs O novo diretor de projetos do Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, costuma dizer que uma das maiores recompensas que já teve na vida foi ver seus orientandos do MBA USP/Esalq estruturarem empresas a partir de seus trabalhos de conclusão de […]

Tecnologia

20 de março de 2026

O repertório humano na era da IA

Pensamento crítico e criatividade são insubstituíveis no trabalho do profissional de marketing A Inteligência Artificial (IA) é capaz de feitos incríveis, mas ainda não possui a capacidade de julgamento, empatia, intuição e criatividade estratégica necessárias para fazer o trabalho de um bom profissional de marketing. Nessa área, é importante saber usar a ferramenta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

23 de fevereiro de 2026

ESG como estratégia de crescimento em uma cooperativa do RS

Santa Clara equilibra responsabilidade social e ambiental com inovação Fundada em 1911 por imigrantes italianos em Carlos Barbosa, na serra gaúcha, a Cooperativa Santa Clara é um exemplo de que é possível equilibrar o crescimento econômico com a responsabilidade social e ambiental. De uma pequena empresa de produção de queijos, a organização evoluiu para um […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

22 de janeiro de 2026

Brasil livre de febre aftosa: o que muda para a carne brasileira?

Com um rebanho de mais de 200 milhões de cabeças de gado, o país é atualmente o líder em exportações O Brasil recebeu recentemente, pela primeira vez, a certificação de país livre de febre aftosa sem vacinação, conferida pela Organização Mundial de Saúde Animal (OMSA). O selo fortalece a posição do país como fornecedor de carne confiável para o […]

Renata de Gaspari Valdejão Almeida

Inovação

09 de dezembro de 2025

Inovação: o novo ciclo do Parque Tecnológico de Piracicaba

Instituto Pecege assume a gestão apostando na criação de novos negócios A partir de 2026, o Instituto Pecege assumirá a gestão do Parque Tecnológico de Piracicaba (PTP). Entre suas responsabilidades estarão a administração, operação, manutenção e expansão do parque, além do fomento de atividades de inovação, empreendedorismo e ciência e tecnologia. A escolha foi feita […]

Renata de Gaspari Valdejão Almeida

06 de julho de 2026

Arquitetura de Grande Porte: Gestão de Mudanças DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A arquitetura e o urbanismo configuram-se como bases imprescindíveis em um espaço urbano cada vez mais complexo e desafiador, onde a intrínseca conexão entre questões sociais, ambientais e tecnológicas […]