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

Economia, Investimentos E Banking

23 de outubro de 2026

Educação Financeira, Comportamentos e Vieses na Tomada de Decisão Financeira

22 de outubro de 2026

Desafios e Possibilidades do Primeiro Ano Escolar de Crianças com Tea para o Trabalho Docente

22 de outubro de 2026

Jornada do Consumidor na Decisão de Compra de Infoprodutos no Ambiente Digital

22 de outubro de 2026

Riscos Psicossociais e Saúde Mental no Trabalho em uma Instituição Bancária

22 de outubro de 2026

Observatório Digital da Amazônia: Ciência de Dados Aplicada à Análise de Indicadores Sociais, Econômicos, Ambientais e de Saúde

22 de outubro de 2026

Aprendizado Contínuo como Fator de Crescimento Organizacional na Percepção dos Colaboradores

22 de outubro de 2026

Regressão Estatística em Microrredes para Estimativa de Desempenho Operacional: Caso Campusgrid

22 de outubro de 2026

Previsão da Inadimplência Agregada no Sistema Financeiro Brasileiro por Modelo Sarimax com Variáveis Macroeconômicas

22 de outubro de 2026

Fatores de Engajamento das Partes Interessadas na Transferência Internacional de Tecnologia para um Hospital Público

Você também pode gostar

Economia, Investimentos E Banking

23 de outubro de 2026

Educação Financeira, Comportamentos e Vieses na Tomada de Decisão Financeira

A gestão financeira pessoal representa um desafio crescente, influenciada por vieses cognitivos que afetam a tomada de decisão, mesmo em indivíduos com alto conhecimento. O presente estudo analisou a relação entre o nível de educação financeira e a ocorrência de vieses comportamentais na tomada de decisão financeira de adultos residentes no Brasil. Realizou-se um levantamento de campo de natureza aplicada, quantitativa e descritivo-correlacional, por meio da aplicação de um questionário estruturado a 163 respondentes. O instrumento contemplou variáveis sociodemográficas, conhecimento e hábitos financeiros, e situações hipotéticas para identificar vieses cognitivos. Os resultados indicaram que níveis mais elevados de educação financeira associaram-se a melhores práticas de controle financeiro, poupança e investimento, com correlações significativas com renda e escolaridade. Contudo, a presença de vieses comportamentais (ancoragem, aversão à perda, escassez, otimismo/negatividade, viés do presente, status quo, excesso de confiança e contabilidade mental) persistiu mesmo entre indivíduos com maior escolaridade e renda, sem associação estatisticamente significativa com as variáveis sociodemográficas analisadas. Concluiu-se que a educação financeira, embora essencial para a organização e o controle financeiro, não foi suficiente para neutralizar a influência de vieses cognitivos. Sugere-se a incorporação de abordagens comportamentais aos programas de educação financeira.

Palavras-chave: Comportamento financeiro; Economia comportamental; Finanças pessoais; Heurísticas cognitivas; Vieses cognitivos.

22 de outubro de 2026

Desafios e Possibilidades do Primeiro Ano Escolar de Crianças com Tea para o Trabalho Docente

A inserção de crianças com Transtorno do Espectro Autista (TEA) na Educação Infantil apresenta desafios significativos, dada a dificuldade de adaptação em novos ambientes e a intensidade de estímulos. O objetivo foi analisar a atuação docente na Educação Infantil no processo de escolarização inicial de crianças com TEA. Realizou-se um estudo de caso, utilizando a entrevista narrativa como técnica de produção de dados. Os resultados revelaram que a atuação docente caracterizou-se por práticas de mediação e afeto, com a flexibilização da rotina e o uso de recursos lúdicos como estratégias essenciais para o desenvolvimento e organização sensorial da criança. Destacou-se também a importância da profissional de apoio escolar para o êxito do trabalho pedagógico. O desenvolvimento integral da criança foi promovido por meio de ações docentes intencionais que priorizaram a adaptação ambiental, o fortalecimento de vínculos e o atendimento às necessidades específicas do TEA. Como contribuição, elaborou-se um guia de estratégias pedagógicas voltado ao acolhimento de crianças com TEA em creches públicas.

Palavras-chave: Educação Infantil; Inclusão Escolar; Narrativas Docentes; Práticas Pedagógicas Inclusivas; Transtorno do Espectro Autista.

22 de outubro de 2026

Jornada do Consumidor na Decisão de Compra de Infoprodutos no Ambiente Digital

A expansão do comércio eletrônico e a transformação tecnológica impulsionaram a necessidade de compreender o comportamento do consumidor de infoprodutos, cuja experiência percebida tornou-se crucial para o desenvolvimento profissional. O estudo objetivou analisar os fatores que influenciaram a decisão de compra de infoprodutos no ambiente digital, considerando as etapas da jornada do consumidor. Realizou-se uma pesquisa aplicada, quantitativa e descritiva, por meio de um levantamento de campo com 100 consumidores da Serra Gaúcha. A coleta de dados ocorreu via questionário estruturado, utilizando amostragem não probabilística. Os resultados revelaram um público qualificado e com forte comportamento “mobile-first”. Constatou-se que a disponibilidade de informações detalhadas e a aprovação social foram os principais gatilhos de atração na fase de pré-compra. Nas etapas transacionais e posteriores, a minimização de atritos operacionais, a agilidade do acesso imediato e a segurança sistêmica mostraram-se cruciais para a conversão e satisfação, embora lacunas na eficiência do suporte humano tenham sido identificadas. A retenção fundamentou-se na confiança gerada por experiências anteriores positivas, superando o fator preço. Concluiu-se que a jornada do consumidor de infoprodutos opera como um sistema integrado, exigindo alinhamento entre infraestrutura tecnológica, curadoria de conteúdo e humanização do suporte para assegurar o engajamento.

Palavras-chave: Comércio eletrônico; Comportamento do consumidor; Experiência do consumidor; Fidelização; Negócios virtuais.

22 de outubro de 2026

Riscos Psicossociais e Saúde Mental no Trabalho em uma Instituição Bancária

A saúde mental no ambiente de trabalho é um tema de crescente relevância, impactando o desenvolvimento profissional e o bem-estar dos colaboradores. Um estudo foi realizado para identificar aspectos e situações que podem influenciar os níveis de absenteísmo em uma instituição bancária. A pesquisa envolveu 108 participantes e utilizou um questionário estruturado, baseado na versão curta do COPSOQ II de Gonçalves (2021), que continha 45 questões fechadas em escala Likert e duas perguntas abertas. Os dados foram coletados por meio de plataforma online e analisados com abordagem descritiva e quantitativa. Os resultados revelaram um cenário que indicou a necessidade de ajustes na distribuição das atividades e na percepção dos gestores sobre comportamentos e sinais de transtornos. Foram identificadas evidências importantes nas respostas abertas dos participantes. Concluiu-se que o estudo contribuiu para a promoção da percepção de um ambiente seguro para a saúde mental na organização.

Palavras-chave: Afastamentos por transtornos; Desenvolvimento profissional; Liderança operacional; Licença médica; Saúde mental.

22 de outubro de 2026

Observatório Digital da Amazônia: Ciência de Dados Aplicada à Análise de Indicadores Sociais, Econômicos, Ambientais e de Saúde

O estado do Amazonas enfrentou desafios históricos na consolidação do Sistema Único de Saúde (SUS), decorrentes de barreiras geográficas, desigualdades socioeconômicas e limitações estruturais. Descreveu-se, neste estudo, o desenvolvimento e a implementação de um geoportal de informações em saúde, concebido para apoiar o monitoramento, a avaliação e o planejamento no contexto amazônico. Adotou-se uma abordagem de estudo de caso descritivo, baseada em análise documental e dados secundários, abrangendo o mapeamento de funcionalidades, a infraestrutura técnica e as etapas de validação da ferramenta. O Portal foi desenvolvido com tecnologias abertas e integrou múltiplas bases de dados nacionais, oferecendo dashboards interativos, mapas temáticos e repositório digital de documentos. Entre os resultados, destacaram-se a visualização georreferenciada de indicadores-chave, a possibilidade de análises comparativas temporais e a utilização da plataforma na revisão de planos de saúde e no redirecionamento de ações estratégicas. O portal pode representar um avanço na governança digital e na gestão baseada em evidências, com potencial de replicabilidade para outros territórios de alta complexidade, desde que acompanhada de investimentos em infraestrutura tecnológica, capacitação profissional e articulação interinstitucional.

Palavras-chave: Amazônia; Avaliação em Saúde; Saúde Digital; Sistemas de Informação em Saúde.

22 de outubro de 2026

Aprendizado Contínuo como Fator de Crescimento Organizacional na Percepção dos Colaboradores

O impacto do aprendizado contínuo e da gestão do conhecimento no crescimento das organizações foi estudado em um cenário de globalização e constantes mudanças. O objetivo do estudo foi analisar a percepção dos colaboradores sobre a cultura de aprendizagem e sua importância para o desenvolvimento pessoal e profissional. Os dados foram obtidos por meio de uma pesquisa anônima, de abordagem quantitativa, utilizando um formulário com questões do tipo “survey” aplicado a 87 profissionais dos setores de tecnologia, saúde, educação, comércio e serviços. Os resultados indicaram que os colaboradores possuíam uma percepção positiva sobre a contribuição do aprendizado contínuo para o crescimento pessoal e organizacional, reconhecendo seus benefícios para o desenvolvimento de novas habilidades, inovação e competitividade. Contudo, observou-se que o incentivo à troca de conhecimento interno e a oferta de treinamentos práticos ainda apresentavam médias moderadas de concordância. Concluiu-se que o aprendizado contínuo contribui significativamente para o desenvolvimento individual e organizacional, sugerindo que as empresas devem desenvolver políticas estratégicas de aprendizado direcionado para novas habilidades, visando maior vantagem competitiva e inovação.

Palavras-chave: Aprendizagem contínua; Autodesenvolvimento; Crescimento organizacional; Gestão do conhecimento; Inovação.

22 de outubro de 2026

Regressão Estatística em Microrredes para Estimativa de Desempenho Operacional: Caso Campusgrid

Um modelo de regressão estatística múltipla foi proposto para estimar o desempenho operacional da microrrede CampusGrid da UNICAMP, com base em grandezas elétricas internas. A microrrede integra geração fotovoltaica, baterias e um gerador a gás. Dados do sistema de gerenciamento de energia foram coletados em intervalos de cinco minutos durante um mês. O Índice de Confiabilidade Operacional, definido como a razão entre energia atendida e demandada, foi estabelecido como variável dependente. O modelo foi ajustado para o modo de operação ilhado, avaliando o impacto da demanda, estado de carga, geração solar e energia suprida. Os resultados revelaram elevado poder explicativo, indicando que a confiabilidade operacional depende da interação entre suprimento e demanda. Observou-se que o período noturno concentrou a maior taxa de atendimento parcial, atribuída à redução da geração solar. Concluiu-se que a regressão múltipla oferece uma estrutura interpretável e útil para o monitoramento de microrredes e o apoio a estratégias de controle.

Palavras-chave: Armazenamento em baterias; Geração fotovoltaica; Índice de Confiabilidade; Operação ilhada; Sistema de Gerenciamento de Energia.

22 de outubro de 2026

Previsão da Inadimplência Agregada no Sistema Financeiro Brasileiro por Modelo Sarimax com Variáveis Macroeconômicas

A inadimplência agregada no sistema financeiro brasileiro é um indicador crucial de risco de crédito, cuja previsão é regulamentada pelas Resoluções CMN n.° 4.557/2017 e 4.966/2021 para a mensuração prospectiva de perdas esperadas. Modelou-se e previu-se a inadimplência agregada por meio do modelo SARIMAX, projetando sua trajetória até dezembro de 2026 sob cenários otimista, base e pessimista. Utilizaram-se 164 observações mensais (julho/2012 a fevereiro/2026) e variáveis macroeconômicas como desemprego, Selic, IPCA, IBC-Br e endividamento das famílias. A especificação com variáveis contemporâneas foi selecionada com base em critérios de informação e estabilidade dos coeficientes, e o diagnóstico dos resíduos confirmou adequação estatística, com MAPE de 3,12%. A inadimplência histórica variou entre 4,33% e 7,64%. A estimação identificou o desemprego (β = 0,2534; p < 0,001) e a Selic (β = 0,2128; p < 0,001) como principais determinantes positivos, com forte persistência temporal (AR(1) = 0,8965). A Selic exibiu correlação crescente com a inadimplência (r = 0,62 no lag 12), enquanto o desemprego demonstrou efeito contemporâneo (r = 0,33). As projeções indicaram inadimplência entre 6,30% e 7,98% em dezembro de 2026, com uma amplitude de 1,68 ponto percentual, evidenciando implicações diretas para o dimensionamento de provisões nas instituições financeiras. Palavras-chave: Desemprego; Modelagem preditiva; Política monetária; Provisão de perdas; Séries temporais.

22 de outubro de 2026

Fatores de Engajamento das Partes Interessadas na Transferência Internacional de Tecnologia para um Hospital Público

Este estudo descreveu os fatores críticos percebidos para o engajamento das partes interessadas na transferência internacional de tecnologia em um hospital público, com foco no planejamento. O objetivo foi descrever esses fatores condicionantes, conforme a percepção de profissionais. Realizou-se um estudo de caso único, aplicando um questionário a 25 profissionais e utilizando análise de conteúdo, complementada por tabulações descritivas. Os principais obstáculos identificados foram resistência à mudança (72%), financiamento (64%), falta de comunicação (60%) e burocracia (40%). Apenas 28% dos respondentes reconheceram a existência de ferramentas adequadas para gestão de stakeholders, enquanto 48% negaram e 24% não souberam informar. Cruzamentos exploratórios indicaram variações na avaliação de influência conforme o tempo de atuação, mas não estabeleceram relações causais. A falta de engajamento foi associada a atrasos, baixa adesão, desperdício de recursos, falhas de comunicação, comprometimento da absorção de conhecimento e riscos à segurança do paciente. As conclusões restringiram-se às percepções do grupo pesquisado e fundamentaram recomendações preliminares para comunicação e coordenação intersetorial.

Palavras-chave: Estudo de caso; Gestão de projetos; Inovação em saúde; Partes interessadas; Setor público.

Economia

19 de outubro de 2026

Fim da escala 6×1: o que os números permitem concluir?

Após promulgação do fim da escala 6×1, debate sobre a jornada menor passa à implementação e exige distinguir benefícios sociais de custos econômicos O fim da escala 6×1 passou da discussão legislativa para uma mudança constitucional no Brasil. Em 16 de outubro de 2026, o Congresso Nacional promulgou a emenda constitucional nº 141/2026, originada da Proposta […]

Inteligência Artificial

16 de outubro de 2026

Por que estudar se existe IA?

Quando respostas se tornam fáceis, aprender passa a significar mais do que chegar até elas Por que eu preciso aprender isso se posso perguntar para uma inteligência artificial? Esse tipo de pergunta acompanha a educação há décadas. Por que aprender uma operação se existe calculadora? Por que memorizar uma informação se ela pode ser encontrada […]

Gestão Tributária

15 de outubro de 2026

Pink tax e o gênero do preço

Como os diferentes tratamentos mercadológicos a homens e mulheres são incorporados pela tributação do consumo Imagine uma prateleira na qual duas lâminas de barbear da mesma marca e destinadas à mesma finalidade estão expostas lado a lado: uma tem embalagem escura e promete força, precisão e eficiência; a outra vem em tons de rosa ou […]

Saúde

13 de outubro de 2026

O elo perdido da transformação da saúde

Por que inovar não basta para provocar mudanças nas organizações e nos sistemas de saúde A transformação digital consolidou-se como prioridade estratégica para os sistemas de saúde em todo o mundo. Prontuários eletrônicos, inteligência artificial, telemedicina, monitoramento remoto e análise de dados passaram a integrar a agenda estratégica de governos e organizações de saúde. Paradoxalmente, […]

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 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 […]