Aprendizaje por transferencia en visión por computadora para la clasificación de etapas de Alzheimer con RM.

doi:10.22167/2675-6528-202602694

Artículo

30 de septiembre de 2026

Aprendizaje por transferencia en visión por computadora para la clasificación de etapas de Alzheimer con RM.

Aprendizaje por transferencia en visión por computadora para la clasificación de etapas de Alzheimer con RM.

André Pirini Spadaro; Gabriel Gomes de Oliveira

DOI: 10.22167/2675-6528-202602694

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La enfermedad de Alzheimer es uno de los mayores desafíos de salud a nivel mundial, siendo el diagnóstico temprano y preciso crucial para el manejo del paciente. Se desarrolló y validó un modelo de aprendizaje profundo para la clasificación automática de las cuatro etapas de la enfermedad, utilizando 6400 imágenes de resonancia magnética cerebral (RM). Se empleó la metodología de aprendizaje por transferencia, con la arquitectura de Red Neuronal Convolucional (CNN) ResNet18 preentrenada. El modelo se entrenó en dos fases, extracción de características seguida de ajuste fino (fine-tuning), sobre una base de datos pública dividida en conjuntos de entrenamiento, validación y prueba, sin información adicional sobre los pacientes. Los resultados en el conjunto de prueba fueron prometedores, alcanzando una precisión general del 99,3% y un coeficiente Kappa de Cohen de 0,988. El modelo demostró una notable capacidad de generalización, identificando perfectamente la clase más rara, Alzheimer Moderado, con una precisión y sensibilidad de 1,000. Se concluyó que el enfoque es altamente eficaz y tiene un gran potencial como herramienta de apoyo al diagnóstico clínico de la enfermedad de Alzheimer, contribuyendo a la mejora de la calidad de vida de los pacientes a través del descubrimiento temprano.

Palabras clave: Aprendizaje Profundo; Redes Neuronales Convolucionales (CNN); ResNet18; Resonancia Magnética Cerebral (MRI); Transfer Learning.

1. Introducción

La enfermedad de Alzheimer (EA) es reconocida como la principal causa de trastorno neurocognitivo mayor a escala global. Con el progresivo envejecimiento de la población mundial, la prevalencia de la EA demuestra una tendencia de aumento exponencial, intensificando el impacto social, económico y emocional sobre los pacientes, sus familias y los sistemas de salud (Organización Mundial de la Salud, 2023). En este contexto, el diagnóstico precoz y la clasificación precisa de las etapas de la enfermedad se vuelven cruciales, ya que posibilitan la implementación de estrategias terapéuticas que pueden retardar la progresión de los síntomas y optimizar la planificación del cuidado al paciente (Alzheimer’s Association, 2022).

Fisiopatológicamente, la enfermedad de Alzheimer se caracteriza por dos marcadores neuropatológicos primarios: la acumulación extracelular de placas formadas por el péptido beta-amiloide (Aβ) y la formación de ovillos neurofibrilares intracelulares, resultantes de la hiperfosforilación de la proteína Tau (BERTRAM et al., 2005; HAINFELLNER et al., 1998). La agregación de la proteína Tau hiperfosforilada compromete la integridad celular y el transporte axonal, culminando en disfunción sináptica y muerte neuronal (GUPTA et al., 2010). Este proceso de agresión celular dual conduce a atrofia cerebral progresiva, que es macroscópicamente visible en imágenes de Resonancia Magnética (RM) y sirve como uno de los principales biomarcadores para el diagnóstico y estadificación de la enfermedad, justificando el empleo de métodos computacionales para su detección.

Los métodos de diagnóstico actuales integran frecuentemente imágenes de resonancia magnética (RM) con el historial clínico del paciente y pruebas neuropsicológicas. Sin embargo, la interpretación de estas imágenes depende de la experiencia del radiólogo y del médico, lo que puede ser particularmente desafiante en las etapas iniciales de la enfermedad, donde los cambios cerebrales son sutiles (Jack Jr. et al., 2018). Estudios clínico-patológicos indican que la sensibilidad diagnóstica de los clínicos varía entre el 70,9% y el 87,3%, y la especificidad entre el 44,3% y el 70,8% (BEACH et al., 2012), evidenciando la necesidad de herramientas complementarias que mejoren la precisión y la objetividad del diagnóstico.

La inteligencia artificial (IA), y más específicamente la visión por computadora, ha surgido como una aliada prometedora en la medicina diagnóstica. Con el desarrollo de modelos de aprendizaje profundo (deep learning), como las redes neuronales convolucionales (CNNs), se ha vuelto viable crear sistemas capaces de identificar patrones complejos en imágenes médicas con un nivel de precisión que puede ser comparable o superior al de especialistas humanos (Litjens et al., 2017). La aplicación de CNNs en el análisis de imágenes de RM para la detección y clasificación de la DA ha sido documentada en diversos trabajos, demostrando el potencial de estos algoritmos para auxiliar en el diagnóstico (Jo et al., 2019).

Sin embargo, el entrenamiento de una CNN de alta precisión desde cero exige un volumen sustancial de datos, lo que a menudo es una limitación en el contexto médico debido a la escasez de datos disponibles públicamente. Para sortear esta restricción, la metodología de aprendizaje por transferencia (transfer learning) es reconocida como un enfoque estándar de oro. Esta técnica implica la utilización de una red neuronal preentrenada en un gran conjunto de datos, como ImageNet, y su adaptación para una nueva tarea específica (SHIN et al., 2016). Arquitecturas como ResNet, que incorporan conexiones residuales para optimizar el flujo de gradientes, han demostrado ser eficaces en esta aplicación, permitiendo el entrenamiento de redes profundas (HE et al., 2016; RAMALHO et al., 2024).

Ante la creciente prevalencia de la enfermedad de Alzheimer y las limitaciones inherentes a los métodos diagnósticos tradicionales, la aplicación de técnicas avanzadas de inteligencia artificial, como el aprendizaje por transferencia, presenta un camino prometedor para la mejora del diagnóstico. Este trabajo tuvo como objetivo el desarrollo, entrenamiento y validación de un modelo de aprendizaje profundo, basado en la metodología de Transfer Learning con la arquitectura ResNet18, para la clasificación automática de los cuatro estadios de la enfermedad de Alzheimer: Sin Alzheimer, Alzheimer Muy Leve, Alzheimer Leve y Alzheimer Moderado, a partir de MRI, con el objetivo de crear una herramienta computacional de alta precisión para el apoyo al diagnóstico clínico.

2. Material y Métodos

El presente estudio se caracterizó como una investigación de naturaleza aplicada, con un enfoque metodológico cuantitativo, centrado en el desarrollo y validación de un modelo de aprendizaje profundo. El objetivo central fue la clasificación automática de las cuatro etapas de la enfermedad de Alzheimer, a saber: Sin Alzheimer, Alzheimer Muy Leve, Alzheimer Leve y Alzheimer Moderado, utilizando imágenes de resonancia magnética cerebral (RM) como objeto empírico.

El conjunto de datos empleado se obtuvo de la plataforma de ciencia de datos Kaggle, titulado “Alzheimer’s Dataset (4 class of Images)” (SINGH, 2019). Este dataset público comprendió un total de 6.400 imágenes de resonancia magnética cerebral. La distribución de las imágenes por clase fue la siguiente: 3.200 imágenes para Sin Alzheimer (50%), 2.240 para Alzheimer Muy Leve (35%), 896 para Alzheimer Leve (14%) y 64 para Alzheimer Moderado (1%). La distribución desequilibrada de las clases fue un factor considerado en la estrategia de división y evaluación de los datos.

Para el preprocesamiento y estructuración de los datos, la totalidad de las 6.400 imágenes se dividió programáticamente en tres conjuntos independientes: entrenamiento, validación y prueba. Se utilizó la función `train_test_split` de la biblioteca Scikit-learn (versión 1.3.2) con estratificación (70/10/20), garantizando la preservación de la proporción original de cada clase en todos los subconjuntos. Los conjuntos se compusieron de 4.480 imágenes para entrenamiento (70%), 640 para validación (10%) y 1.280 para prueba (20%). Para asegurar la reproducibilidad, se aplicó una semilla de aleatoriedad global (seed = 42).

Adicionalmente, se aplicaron dinámicamente técnicas de aumento de datos (data augmentation) al conjunto de entrenamiento para mitigar el sobreajuste y mejorar la capacidad de generalización del modelo. Las transformaciones incluyeron rotaciones aleatorias de hasta 15 grados y volteos horizontales. Todas las imágenes fueron redimensionadas a 224×224 píxeles. Posteriormente, los valores de los píxeles fueron convertidos al intervalo [0, 1] y normalizados utilizando la media y la desviación estándar de los canales de color del dataset ImageNet, un procedimiento estándar en el aprendizaje por transferencia.

El entorno de desarrollo utilizado fue la plataforma Google Colaboratory (Colab), en su versión Pro, que proporcionó una Unidad de Procesamiento Gráfico (GPU) NVIDIA A100-SXM4-80GB. El desarrollo se realizó en el lenguaje de programación Python (versión 3.10.12), con el soporte de bibliotecas de código abierto. Las principales bibliotecas incluyeron PyTorch (versión 2.3.0+cu121) para la construcción y entrenamiento de la red neuronal, Torchvision (versión 0.18.0+cu121) para el acceso a conjuntos de datos y arquitecturas pre-entrenadas, Pandas (versión 2.0.3) para la manipulación de datos tabulares, Matplotlib (versión 3.7.1) y Seaborn (versión 0.13.1) para visualizaciones gráficas, y Numpy (versión 1.25.2) para computación numérica.

La metodología central del proyecto fue el aprendizaje por transferencia (transfer learning), una estrategia consolidada para escenarios con conjuntos de datos limitados (SHIN et al., 2016). Se reutilizó como punto de partida un modelo preentrenado en una tarea de clasificación de miles de objetos distintos del dataset ImageNet. Este enfoque permitió aprovechar la capacidad de la red para extraer características visuales genéricas, acelerando el aprendizaje para la nueva tarea y combatiendo el sobreajuste en un dataset limitado.

La arquitectura base seleccionada fue ResNet18, una red neuronal convolucional de 18 capas (HE et al., 2016). La familia ResNet, o Redes Residuales, introdujo las conexiones residuales (skip connections), que permiten que la salida de una capa anterior se sume directamente a la salida de una capa posterior. Este mecanismo crea un “atajo” para el flujo de información, optimizando el flujo de gradientes y posibilitando el entrenamiento de redes muy profundas sin el problema del desvanecimiento del gradiente.

La arquitectura original de ResNet18 fue modificada para la tarea específica. Se eliminó la capa de clasificación original, diseñada para las 1000 categorías de ImageNet. En su lugar, se añadió una “cabeza” de clasificación personalizada, adaptada a las cuatro clases de la enfermedad de Alzheimer. Esta “cabeza” se compuso de una capa densa con 512 neuronas de entrada y 128 de salida, utilizando la función de activación ReLU. Le siguió una capa de dropout con una probabilidad de 0,20 (SRIVASTAVA et al., 2014) para regularización, y una capa densa final con 128 neuronas de entrada y 4 de salida, correspondiente al número de clases, con función de activación Softmax.

El entrenamiento del modelo se realizó en dos fases distintas. En la Fase 1, denominada Extracción de Características (10 épocas), la base ResNet18 se mantuvo “congelada” (sus pesos pre-entrenados no se alteraron), y el entrenamiento se centró exclusivamente en la “cabeza” de clasificación personalizada. Se utilizó el optimizador Adam (KINGMA; BA, 2014) con una tasa de aprendizaje inicial de 0.001. En la Fase 2, de Ajuste Fino (fine-tuning, 15 épocas), todas las capas del modelo (base ResNet y cabeza personalizada) se “descongelaron”, permitiendo ajustes en todos los pesos con una tasa de aprendizaje drásticamente menor de 0.0001. Esta estrategia tuvo como objetivo refinar el modelo para la tarea específica, evitando el “olvido catastrófico” del conocimiento pre-entrenado.

La función de pérdida empleada para cuantificar el error del modelo durante el entrenamiento fue la Entropía Cruzada Categórica (CrossEntropyLoss en PyTorch). El optimizador Adam (Adaptive Moment Estimation) fue responsable de ajustar los pesos del modelo, adaptando la tasa de aprendizaje para cada parámetro de la red, lo que contribuyó a una convergencia más rápida y estable del modelo.

El rendimiento del modelo final se evaluó rigurosamente en el conjunto de prueba, que consistió en datos inéditos para el modelo. Las métricas de evaluación calculadas incluyeron precisión global, precisión, sensibilidad (recall), especificidad, F1-Score, curva ROC, AUC (área bajo la curva), índice de Youden, coeficiente Kappa de Cohen y coeficiente de correlación de Matthews (MCC). La matriz de confusión también se utilizó para resumir el rendimiento del algoritmo de clasificación.

3. Resultados y Discusión

La evaluación del modelo de aprendizaje profundo para la clasificación de las etapas de la enfermedad de Alzheimer, utilizando imágenes de resonancia magnética cerebral (MRI), reveló un rendimiento excepcional, validando el enfoque de aprendizaje por transferencia con la arquitectura ResNet18. El proceso de desarrollo se llevó a cabo en el entorno Google Colaboratory, que, con la ayuda de una GPU NVIDIA A100-SXM4-80GB, permitió un tiempo de entrenamiento notablemente eficiente de 2 minutos y 48 segundos. El modelo final incorporó un total de 11.178.564 parámetros entrenables, demostrando la complejidad y la capacidad de aprendizaje de la red neuronal convolucional adaptada.

El entrenamiento del modelo se estructuró en dos fases distintas, con el objetivo de optimizar la extracción de características y el ajuste fino. En la primera fase, que comprendió las diez primeras épocas, la base ResNet18 se mantuvo “congelada”, es decir, sus pesos preentrenados no se modificaron. Esta etapa inicial se centró en el ajuste de la “cabeza” de clasificación personalizada, permitiendo que se adaptara de forma estable a las características genéricas ya aprendidas por la ResNet. Se observó un rápido aprendizaje, con la precisión de validación presentando un ascenso consistente y la pérdida disminuyendo progresivamente, lo que indica una adaptación eficaz del clasificador.

La segunda fase, iniciada a partir de la décima época, implicó el “descongelamiento” de todas las capas del modelo, incluida la base ResNet y la cabeza personalizada, y la continuación del entrenamiento con una tasa de aprendizaje drásticamente reducida (0.0001). Esta estrategia de fine-tuning resultó en un salto significativo en el rendimiento, con las curvas de precisión de entrenamiento y validación convergiendo a niveles superiores al 95%. La proximidad entre estas curvas al final del proceso es un indicativo robusto de que el modelo alcanzó un excelente punto de generalización, mitigando el riesgo de sobreajuste (overfitting), un desafío común en modelos de aprendizaje profundo con conjuntos de datos limitados.

El análisis de la evolución de la precisión y la pérdida durante el entrenamiento confirmó la correlación inversa esperada: a medida que la pérdida disminuía, la precisión aumentaba, tanto en los conjuntos de entrenamiento como de validación. La estrategia de dos fases para la tasa de aprendizaje, con una tasa más alta en la fase inicial y una reducción drástica en la fase de ajuste fino, fue crucial para esta convergencia suave y eficaz. Aunque la clase Alzheimer Leve exhibió mayor variabilidad inicial en el F1-Score durante el ajuste fino, todas las clases demostraron una mejora significativa y convergencia hacia un alto rendimiento, reflejando la robustez del método.

La evaluación final del modelo se realizó en un conjunto de prueba compuesto por 1.280 imágenes, que eran completamente nuevas para el modelo, garantizando una medición imparcial de su capacidad predictiva. Los resultados cuantitativos obtenidos fueron excepcionales, con una precisión global del 99,3%. Este valor elevado, junto con una media ponderada del F1-Score de 0,993, confirma el excelente equilibrio del modelo en todas las clases, indicando que el sistema es capaz de mantener alta precisión y sensibilidad simultáneamente, incluso en un escenario de clases desbalanceadas.

La especificidad, con una media ponderada de 0,994, demostró la alta capacidad del modelo para identificar correctamente los casos negativos, es decir, pacientes sin Alzheimer, minimizando la ocurrencia de falsos positivos. Este aspecto es particularmente relevante en el contexto clínico, donde un diagnóstico incorrecto puede generar ansiedad innecesaria y procedimientos invasivos. El índice de Youden, que integra sensibilidad y especificidad, también presentó un valor elevado de 0,987 en la media ponderada, reforzando la excelente capacidad diagnóstica general del modelo y su utilidad como herramienta de apoyo.

El coeficiente Kappa de Cohen, que corrige la concordancia que ocurriría por azar, alcanzó 0,988, lo que indica una concordancia casi perfecta entre las predicciones del modelo y las etiquetas reales. Este valor es significativamente alto y superior al umbral de 0,80, que ya denota una concordancia casi perfecta, dando fe de la robustez del aprendizaje del modelo y de que sus resultados no son meramente aleatorios o influenciados por el desequilibrio de las clases. Complementariamente, el Coeficiente de Correlación de Matthews (MCC) de 0,988, considerado una de las métricas más informativas para conjuntos de datos desequilibrados, también apuntó a una predicción casi perfecta, teniendo en cuenta todos los tipos de resultados (verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos).

El análisis detallado por clase reveló que la clase “Sin Alzheimer” obtuvo una precisión de 0,988 y una sensibilidad de 1,000, con un F1-Score de 0,994. Para “Alzheimer Muy Leve”, la precisión fue de 1,000 y la sensibilidad de 0,982, resultando en un F1-Score de 0,991. La clase “Alzheimer Leve” presentó una precisión de 0,994 y una sensibilidad de 0,994, con un F1-Score de 0,994. Un hallazgo particularmente notable fue el rendimiento perfecto para la clase “Alzheimer Moderado”, que alcanzó precisión, sensibilidad, especificidad, F1-Score, índice de Youden y AUC de 1,000 para todas las métricas, a pesar de ser la clase más rara en el conjunto de datos, representando solo el 1% del total de imágenes.

Los valores de AUC (Área Bajo la Curva ROC) para todas las clases estuvieron extremadamente cerca de 1,0000, con “Alzheimer Leve” y “Alzheimer Moderado” alcanzando 1,0000, y “Sin Alzheimer” y “Alzheimer Muy Leve” logrando 0,9999. Estos resultados indican una capacidad de discriminación casi perfecta entre las clases, lo que sugiere que el modelo es altamente eficaz para distinguir las diferentes etapas de la enfermedad. La proximidad de las curvas ROC a la esquina superior izquierda del gráfico refuerza visualmente la alta sensibilidad y especificidad del modelo en todas las categorías.

El análisis visual de la matriz de confusión corroboró los resultados numéricos, exhibiendo una fuerte diagonal principal y valores muy bajos fuera de ella. Esto demuestra la alta precisión del modelo en todas las clases. Los pocos errores identificados en la matriz confirmaron una dificultad ligeramente mayor para distinguir entre las etapas “Alzheimer Leve” y “Alzheimer Muy Leve”, lo cual es un comportamiento esperado y refleja la naturaleza continua de la progresión de la enfermedad. El rendimiento perfecto para la clase “Alzheimer Moderado”, a pesar de su representatividad minoritaria en el dataset, es un resultado particularmente significativo, indicando la robustez de la ResNet18 y la eficacia del fine-tuning en aprender características distintivas incluso con pocas muestras.

En comparación con la literatura existente, el rendimiento alcanzado por este modelo superó muchos resultados reportados para la clasificación de la enfermedad de Alzheimer utilizando aprendizaje por transferencia en datasets de RM. Estudios anteriores que aplicaron enfoques basados en CNNs profundas y aprendizaje por transferencia en conjuntos de datos como OASIS y ADNI, frecuentemente reportaron acuracias en el rango del 85% al 96% (ISLAM; ZHANG, 2020; SALEHI; ERDOGMUS; GHOLIPOUR, 2020). La acuracia del 99,3%, el Kappa de 0,988 y el MCC de 0,988 obtenidos en este estudio representan una mejora sustancial.

La superioridad del modelo se puede atribuir a la combinación estratégica de la arquitectura ResNet18, reconocida por su eficiencia y capacidad para abordar el problema del desvanecimiento del gradiente a través de conexiones residuales, y la metodología de ajuste fino en dos fases. Este enfoque permitió que el modelo se especializara en la tarea de clasificación de imágenes de resonancia magnética para el Alzheimer, aprovechando el conocimiento preentrenado en un vasto conjunto de datos y adaptándolo de manera refinada. La estabilidad del entrenamiento y la ausencia de sobreajuste significativo, evidenciadas por las curvas de aprendizaje, son puntos fuertes que contribuyeron a la alta capacidad de generalización del modelo final.

La capacidad de clasificar perfectamente la clase “Alzheimer Moderado”, a pesar de su extrema rareza en el conjunto de datos de entrenamiento, es un resultado particularmente relevante. Muchos trabajos en la literatura enfrentan desafíos significativos con clases minoritarias, donde la representatividad reducida puede llevar a un sesgo en el entrenamiento. La robustez de ResNet18, aliada a la eficacia del fine-tuning, permitió que el modelo aprendiera características distintivas con pocas muestras, demostrando un potencial significativo para el diagnóstico precoz y preciso, especialmente en estadios más avanzados, donde la identificación es crucial para el manejo del paciente.

En resumen, los resultados obtenidos demuestran que el modelo de aprendizaje profundo desarrollado es altamente eficaz en la clasificación de las cuatro etapas de la enfermedad de Alzheimer a partir de imágenes de resonancia magnética (RM). La alta precisión, Kappa de Cohen y MCC, junto con la excelente capacidad de discriminación entre las clases, validan la metodología empleada y posicionan el modelo como una herramienta prometedora para auxiliar el diagnóstico clínico, contribuyendo a la detección temprana y la planificación del cuidado de los pacientes.

4. Conclusión

El presente estudio tuvo como objetivo el desarrollo, entrenamiento y validación de un modelo de aprendizaje profundo, empleando la metodología de Transfer Learning con la arquitectura ResNet18, para la clasificación automática de los cuatro estadios de la enfermedad de Alzheimer a partir de imágenes de resonancia magnética cerebral (RM). Se observó un desempeño excepcional del modelo, que alcanzó una precisión global del 99,3% y un coeficiente Kappa de Cohen de 0,988 en el conjunto de prueba. La estrategia de entrenamiento en dos fases, con extracción de características seguida de ajuste fino, demostró ser altamente eficaz, permitiendo que el modelo aprendiera patrones complejos y generalizara con robustez. Notablemente, se identificó una capacidad perfecta de clasificación para la clase Alzheimer Moderado, incluso siendo la más rara en el conjunto de datos, con precisión y sensibilidad de 1,000. Estos hallazgos posicionan al modelo como una herramienta computacional de alta precisión, con gran potencial para apoyar el diagnóstico clínico de la enfermedad de Alzheimer, contribuyendo a la detección temprana y la planificación del cuidado de los pacientes.

Sin embargo, el estudio presenta algunas limitaciones que deben ser consideradas. La evaluación del modelo se realizó en un único conjunto de datos público, lo que sugiere la necesidad de validación en conjuntos de datos externos, provenientes de diferentes centros de imagen y protocolos de adquisición, para confirmar su generalización en el mundo real. Adicionalmente, el análisis se llevó a cabo en imágenes 2D, mientras que la resonancia magnética es una modalidad 3D, lo que puede implicar la pérdida de información contextual. Para estudios futuros, se recomienda la construcción de modelos capaces de procesar directamente volúmenes 3D y la integración de datos multimodales, como tomografía computarizada y biomarcadores sanguíneos, con el objetivo de un diagnóstico aún más abarcador y preciso. Es fundamental resaltar que el modelo desarrollado constituye una herramienta de apoyo al diagnóstico, y no un sustituto para la evaluación clínica especializada.

Referencias 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.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy

Más recientes

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

También te puede interesar

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

La gestión financiera personal representa un desafío creciente, influenciada por sesgos cognitivos que afectan la toma de decisiones, incluso en individuos con alto conocimiento. El presente estudio analizó la relación entre el nivel de educación financiera y la ocurrencia de sesgos conductuales en la toma de decisiones financieras de adultos residentes en Brasil. Se realizó un levantamiento de campo de naturaleza aplicada, cuantitativa y descriptivo-correlacional, mediante la aplicación de un cuestionario estructurado a 163 encuestados. El instrumento contempló variables sociodemográficas, conocimiento y hábitos financieros, y situaciones hipotéticas para identificar sesgos cognitivos. Los resultados indicaron que niveles más elevados de educación financiera se asociaron con mejores prácticas de control financiero, ahorro e inversión, con correlaciones significativas con ingresos y escolaridad. Sin embargo, la presencia de sesgos conductuales (anclaje, aversión a la pérdida, escasez, optimismo/pesimismo, sesgo del presente, status quo, exceso de confianza y contabilidad mental) persistió incluso entre individuos con mayor escolaridad e ingresos, sin asociación estadísticamente significativa con las variables sociodemográficas analizadas. Se concluyó que la educación financiera, aunque esencial para la organización y el control financiero, no fue suficiente para neutralizar la influencia de sesgos cognitivos. Se sugiere la incorporación de enfoques conductuales a los programas de educación financiera.

Palabras clave: Comportamiento financiero; Economía conductual; Finanzas personales; Heurísticas cognitivas; Sesgos cognitivos.

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

La inserción de niños con Trastorno del Espectro Autista (TEA) en la Educación Infantil presenta desafíos significativos, dada la dificultad de adaptación a nuevos entornos y la intensidad de estímulos. El objetivo fue analizar la actuación docente en la Educación Infantil en el proceso de escolarización inicial de niños con TEA. Se realizó un estudio de caso, utilizando la entrevista narrativa como técnica de producción de datos. Los resultados revelaron que la actuación docente se caracterizó por prácticas de mediación y afecto, con la flexibilización de la rutina y el uso de recursos lúdicos como estrategias esenciales para el desarrollo y la organización sensorial del niño. También se destacó la importancia del profesional de apoyo escolar para el éxito del trabajo pedagógico. El desarrollo integral del niño fue promovido por medio de acciones docentes intencionales que priorizaron la adaptación ambiental, el fortalecimiento de vínculos y la atención a las necesidades específicas del TEA. Como contribución, se elaboró una guía de estrategias pedagógicas orientada a la acogida de niños con TEA en guarderías públicas.

Palabras clave: Educación Infantil; Inclusión Escolar; Narrativas Docentes; Prácticas Pedagógicas Inclusivas; Trastorno del Espectro Autista.

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

La expansión del comercio electrónico y la transformación tecnológica impulsaron la necesidad de comprender el comportamiento del consumidor de infoproductos, cuya experiencia percibida se ha vuelto crucial para el desarrollo profesional. El estudio tuvo como objetivo analizar los factores que influyeron en la decisión de compra de infoproductos en el entorno digital, considerando las etapas del viaje del consumidor. Se realizó una investigación aplicada, cuantitativa y descriptiva, a través de un estudio de campo con 100 consumidores de la Serra Gaúcha. La recopilación de datos se realizó mediante un cuestionario estructurado, utilizando muestreo no probabilístico. Los resultados revelaron un público cualificado y con un fuerte comportamiento “mobile-first”. Se constató que la disponibilidad de información detallada y la aprobación social fueron los principales desencadenantes de atracción en la fase de precompra. En las etapas transaccionales y posteriores, la minimización de fricciones operativas, la agilidad del acceso inmediato y la seguridad sistémica demostraron ser cruciales para la conversión y la satisfacción, aunque se identificaron lagunas en la eficiencia del soporte humano. La retención se fundamentó en la confianza generada por experiencias anteriores positivas, superando el factor precio. Se concluyó que el viaje del consumidor de infoproductos opera como un sistema integrado, exigiendo alineación entre infraestructura tecnológica, curaduría de contenido y humanización del soporte para asegurar el compromiso.

Palabras clave: Comercio electrónico; Comportamiento del consumidor; Experiencia del consumidor; Fidelización; Negocios virtuales.

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

La salud mental en el entorno laboral es un tema de creciente relevancia, que impacta el desarrollo profesional y el bienestar de los colaboradores. Se realizó un estudio para identificar aspectos y situaciones que pueden influir en los niveles de absentismo en una institución bancaria. La investigación involucró a 108 participantes y utilizó un cuestionario estructurado, basado en la versión corta del COPSOQ II de Gonçalves (2021), que contenía 45 preguntas cerradas en escala Likert y dos preguntas abiertas. Los datos se recopilaron a través de una plataforma en línea y se analizaron con un enfoque descriptivo y cuantitativo. Los resultados revelaron un escenario que indicó la necesidad de ajustes en la distribución de las actividades y en la percepción de los gerentes sobre comportamientos y señales de trastornos. Se identificaron evidencias importantes en las respuestas abiertas de los participantes. Se concluyó que el estudio contribuyó a la promoción de la percepción de un ambiente seguro para la salud mental en la organización.

Palabras clave: Ausencias por trastornos; Desarrollo profesional; Liderazgo operativo; Licencia médica; Salud mental.

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

El estado de Amazonas ha enfrentado desafíos históricos en la consolidación del Sistema Único de Salud (SUS), derivados de barreras geográficas, desigualdades socioeconómicas y limitaciones estructurales. En este estudio se describió el desarrollo e implementación de un geoportal de información en salud, concebido para apoyar el monitoreo, la evaluación y la planificación en el contexto amazónico. Se adoptó un enfoque de estudio de caso descriptivo, basado en análisis documental y datos secundarios, abarcando el mapeo de funcionalidades, la infraestructura técnica y las etapas de validación de la herramienta. El Portal fue desarrollado con tecnologías abiertas e integró múltiples bases de datos nacionales, ofreciendo dashboards interactivos, mapas temáticos y repositorio digital de documentos. Entre los resultados, destacaron la visualización georreferenciada de indicadores clave, la posibilidad de análisis comparativos temporales y la utilización de la plataforma en la revisión de planes de salud y en el redireccionamiento de acciones estratégicas. El portal puede representar un avance en la gobernanza digital y en la gestión basada en evidencia, con potencial de replicabilidad para otros territorios de alta complejidad, siempre que vaya acompañado de inversiones en infraestructura tecnológica, capacitación profesional y articulación interinstitucional.

Palabras clave: Amazonía; Evaluación en Salud; Salud Digital; Sistemas de Información en Salud.

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

El impacto del aprendizaje continuo y la gestión del conocimiento en el crecimiento de las organizaciones fue estudiado en un escenario de globalización y constantes cambios. El objetivo del estudio fue analizar la percepción de los colaboradores sobre la cultura de aprendizaje y su importancia para el desarrollo personal y profesional. Los datos se obtuvieron a través de una encuesta anónima, de enfoque cuantitativo, utilizando un formulario con preguntas tipo “survey” aplicado a 87 profesionales de los sectores de tecnología, salud, educación, comercio y servicios. Los resultados indicaron que los colaboradores tenían una percepción positiva sobre la contribución del aprendizaje continuo al crecimiento personal y organizacional, reconociendo sus beneficios para el desarrollo de nuevas habilidades, la innovación y la competitividad. Sin embargo, se observó que el incentivo al intercambio de conocimiento interno y la oferta de capacitaciones prácticas aún presentaban medias moderadas de acuerdo. Se concluyó que el aprendizaje continuo contribuye significativamente al desarrollo individual y organizacional, sugiriendo que las empresas deben desarrollar políticas estratégicas de aprendizaje dirigido a nuevas habilidades, buscando una mayor ventaja competitiva y la innovación.

Palabras clave: Aprendizaje continuo; Autodesarrollo; Crecimiento organizacional; Gestión del Conocimiento; Innovación.

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

Se propuso un modelo de regresión estadística múltiple para estimar el rendimiento operativo de la microrred CampusGrid de la UNICAMP, basándose en magnitudes eléctricas internas. La microrred integra generación fotovoltaica, baterías y un generador de gas. Se recopilaron datos del sistema de gestión de energía en intervalos de cinco minutos durante un mes. El Índice de Confiabilidad Operacional, definido como la razón entre energía atendida y demandada, se estableció como variable dependiente. El modelo se ajustó al modo de operación aislado, evaluando el impacto de la demanda, el estado de carga, la generación solar y la energía suministrada. Los resultados revelaron un elevado poder explicativo, indicando que la confiabilidad operativa depende de la interacción entre el suministro y la demanda. Se observó que el período nocturno concentró la mayor tasa de atención parcial, atribuida a la reducción de la generación solar. Se concluyó que la regresión múltiple ofrece una estructura interpretable y útil para el monitoreo de microrredes y el apoyo a estrategias de control.

Palabras clave: Almacenamiento en baterías; Generación fotovoltaica; Índice de Confiabilidad; Operación aislada; Sistema de Gestión de Energía.

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

La morosidad agregada en el sistema financiero brasileño es un indicador crucial de riesgo crediticio, cuya previsión está regulada por las Resoluciones CMN n.° 4.557/2017 y 4.966/2021 para la medición prospectiva de pérdidas esperadas. Se modeló y predijo la morosidad agregada mediante el modelo SARIMAX, proyectando su trayectoria hasta diciembre de 2026 bajo escenarios optimista, base y pesimista. Se utilizaron 164 observaciones mensuales (julio/2012 a febrero/2026) y variables macroeconómicas como desempleo, Selic, IPCA, IBC-Br y endeudamiento de las familias. La especificación con variables contemporáneas fue seleccionada con base en criterios de información y estabilidad de los coeficientes, y el diagnóstico de los residuos confirmó adecuación estadística, con MAPE de 3,12%. La morosidad histórica varió entre 4,33% y 7,64%. La estimación identificó el desempleo (β = 0,2534; p < 0,001) y la Selic (β = 0,2128; p < 0,001) como principales determinantes positivos, con fuerte persistencia temporal (AR(1) = 0,8965). La Selic exhibió correlación creciente con la morosidad (r = 0,62 en el rezago 12), mientras que el desempleo demostró efecto contemporáneo (r = 0,33). Las proyecciones indicaron morosidad entre 6,30% y 7,98% en diciembre de 2026, con una amplitud de 1,68 punto porcentual, evidenciando implicaciones directas para el dimensionamiento de provisiones en las instituciones financieras.

Palabras clave: Desempleo; Modelado predictivo; Política monetaria; Provisión de pérdidas; Series temporales.

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

Este estudio describió los factores críticos percibidos para la participación de las partes interesadas en la transferencia internacional de tecnología en un hospital público, con foco en la planificación. El objetivo fue describir estos factores condicionantes, según la percepción de los profesionales. Se realizó un estudio de caso único, aplicando un cuestionario a 25 profesionales y utilizando análisis de contenido, complementado por tabulaciones descriptivas. Los principales obstáculos identificados fueron resistencia al cambio (72%), financiación (64%), falta de comunicación (60%) y burocracia (40%). Solo el 28% de los encuestados reconoció la existencia de herramientas adecuadas para la gestión de stakeholders, mientras que el 48% negó y el 24% no supo informar. Cruzamientos exploratorios indicaron variaciones en la evaluación de influencia según el tiempo de actuación, pero no establecieron relaciones causales. La falta de participación se asoció con retrasos, baja adhesión, desperdicio de recursos, fallas de comunicación, compromiso de la absorción de conocimiento y riesgos para la seguridad del paciente. Las conclusiones se restringieron a las percepciones del grupo investigado y fundamentaron recomendaciones preliminares para la comunicación y coordinación intersectorial.

Palabras clave: Estudio de caso; Gestión de proyectos; Innovación en salud; Partes interesadas; Sector público.

Economia

19 de octubre de 2026

¿Fin de la escala 6×1: qué permiten concluir los números?

Tras la promulgación del fin de la escala 6×1, el debate sobre la jornada menor pasa a la implementación y exige distinguir beneficios sociales de costos económicos El fin de la escala 6×1 pasó de la discusión legislativa a un cambio constitucional en Brasil. El 16 de octubre de 2026, el Congreso Nacional promulgó la enmienda constitucional nº 141/2026, originada de la Propuesta […]

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

Cuando las respuestas se vuelven fáciles, aprender pasa a significar más que alcanzarlas. ¿Por qué necesito aprender esto si puedo preguntarle a una inteligencia artificial? Este tipo de pregunta ha acompañado a la educación durante décadas. ¿Por qué aprender una operación si existe una calculadora? ¿Por qué memorizar una información si se puede encontrar […]

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

Cómo los diferentes tratamientos de marketing para hombres y mujeres son incorporados por la tributación del consumo Imagine un estante en el que dos maquinillas de afeitar de la misma marca y destinadas al mismo propósito están expuestas una al lado de la otra: una tiene un empaque oscuro y promete fuerza, precisión y eficiencia; la otra viene en tonos de rosa o […]

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a 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 […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]