A SIMBIOSE REVOLUCIONÁRIA: EXPLORANDO A CONVERGÊNCIA ENTRE INTELIGÊNCIA ARTIFICIAL E NEUROCIÊNCIA

Hugo Christiano Soares Melo; Saulo Gonçalves Pereira

Hugo Christiano Soares Melo Faculdade Patos de Minas https://orcid.org/0000-0003-3227-6346
Saulo Gonçalves Pereira Faculdade Patos de Minas - FPM https://orcid.org/0000-0001-7623-1890

Palavras-chave: Inteligência Artificial, Neurociência, Imagens Cerebrais, Interface Cérebro-Computador

Resumo

Este artigo examina a interseção entre a Inteligência Artificial (IA) e a Neurociência, destacando como esses campos convergentes têm transformado nossa compreensão do cérebro e o desenvolvimento de tecnologias inovadoras. A IA desempenha um papel crucial na análise de grandes conjuntos de dados neurais, permitindo avanços significativos na pesquisa neurocientífica. Além disso, as técnicas de IA têm sido aplicadas em interfaces cérebro-computador, neuroimagem e diagnóstico de doenças neurológicas. Discutimos as implicações éticas dessas tecnologias e propomos que a colaboração contínua entre a IA e a Neurociência oferece promissoras perspectivas para a compreensão de doenças cerebrais e o desenvolvimento de terapias inovadoras.

Biografia do Autor

Hugo Christiano Soares Melo, Faculdade Patos de Minas

Doutorado em Genética e Bioquimica. Universidade Federal de Uberlândia, UFU, Brasil. Docente na Faculdade Patos de Minas, em Patos de Minas - MG, coordenar o Comitê de Ética em Pesquisa com Seres Humanos (CEP/FPM) e editor-chefe das conceituadas revistas "Psicologia e Saúde em Debate" e "Scientia Generalis"

Saulo Gonçalves Pereira, Faculdade Patos de Minas - FPM

Docente da FPM com graduação em Ciências Biológicas pela UNIPAM, mestrado em Ciências veterinárias pela UFU e doutorado em Ciências veterinárias pela UFU. E-mail: saulobiologo@yahoo.com.br.

Referências

AVBERŠEK, L. K.; REPOVŠ, G. Deep learning in neuroimaging data analysis: Applications, challenges, and solutions. Frontiers in Neuroimaging, v. 1, 2022. Disponível em: https://doi.org/10.3389/fnimg.2022.981642

BOYLE, A. J.; GAUDET, V. C.; BLACK, S. E.; VASDEV, N.; ROSA-NETO, P.; ZUKOTYNSKI, K. A. Artificial intelligence for molecular neuroimaging. Annals of Translational Medicine, v. 9, n. 9, p. 822–822, 2021. Disponível em: https://doi.org/10.21037/atm-20-6220

CÈ, M.; IRMICI, G.; FOSCHINI, C.; DANESINI, G. M.; FALSITTA, L. V.; SERIO, M. L.; FONTANA, A.; MARTINENGHI, C.; OLIVA, G.; CELLINA, M. Artificial Intelligence in Brain Tumor Imaging: A Step toward Personalized Medicine. Current Oncology, v. 30, n. 3, p. 2673–2701, 2023. Disponível em: https://doi.org/10.3390/curroncol30030203

CHEN, J.; SONG, L.; WAINWRIGHT, M. J.; JORDAN, M. I. Learning to Explain: An Information-Theoretic Perspective on Model Interpretation. CoRR, v. abs/1802.07814, 2018.

CRAIK, A.; HE, Y.; CONTRERAS-VIDAL, J. L. Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of Neural Engineering, v. 16, n. 3, 2019. Disponível em: https://doi.org/10.1088/1741-2552/ab0ab5

DAVID EAGLEMAN. Cérebro: Uma biografia. 1a ed. [S. l.]: Rocco, 2017.

EAGLEMAN, D. M. Synaesthesia. BMJ (Clinical research ed.), v. 340, p. b4616, 2010. Disponível em: https://doi.org/10.1136/bmj.b4616

FULK, G. Artificial Intelligence and Neurologic Physical Therapy. Journal of Neurologic Physical Therapy, v. 47, n. 1, p. 1–2, 2023. Disponível em: https://doi.org/10.1097/npt.0000000000000426

GAETANI, L.; BELLOMO, G.; PARNETTI, L.; BLENNOW, K.; ZETTERBERG, H.; DI FILIPPO, M. Neuroinflammation and Alzheimer’s Disease: A Machine Learning Approach to CSF Proteomics. Cells, v. 10, n. 8, 2021. Disponível em: https://doi.org/10.3390/cells10081930

GARY F. MARCUS. Deep Learning: A Critical Appraisal. ArXiv, v. abs/1801.00631, 2018. Disponível em: https://doi.org/10.48550/arXiv.1801.00631

HABEHH, H.; GOHEL, S. Machine Learning in Healthcare. Current Genomics, v. 22, n. 4, p. 291–300, 2021. Disponível em: https://doi.org/10.2174/1389202922666210705124359

HAMET, P.; TREMBLAY, J. Artificial intelligence in medicine. Metabolism: Clinical and Experimental, v. 69S, p. S36–S40, 2017. Disponível em: https://doi.org/10.1016/j.metabol.2017.01.011

HASSABIS, D.; KUMARAN, D.; SUMMERFIELD, C.; BOTVINICK, M. Neuroscience-Inspired Artificial Intelligence. Neuron, v. 95, n. 2, p. 245–258, 2017. Disponível em: https://doi.org/10.1016/j.neuron.2017.06.011

HASSABIS, D.; SPRENG, R. N.; RUSU, A. A.; ROBBINS, C. A.; MAR, R. A.; SCHACTER, D. L. Imagine all the people: how the brain creates and uses personality models to predict behavior. Cerebral Cortex (New York, N.Y.: 1991), v. 24, n. 8, p. 1979–1987, 2014. Disponível em: https://doi.org/10.1093/cercor/bht042

HINTON, G. E.; OSINDERO, S.; TEH, Y.-W. A fast learning algorithm for deep belief nets. Neural Computation, v. 18, n. 7, p. 1527–1554, 2006. Disponível em: https://doi.org/10.1162/neco.2006.18.7.1527

KAKA, H.; ZHANG, E.; KHAN, N. Artificial Intelligence and Deep Learning in Neuroradiology: Exploring the New Frontier. Canadian Association of Radiologists Journal, v. 72, n. 1, p. 35–44, 2020. Disponível em: https://doi.org/10.1177/0846537120954293

KLUGE, E.-H. W. Artificial intelligence in healthcare: Ethical considerations. Healthcare Management Forum, v. 33, n. 1, p. 47–49, 2019. Disponível em: https://doi.org/10.1177/0840470419850438

LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 436–444, 2015. Disponível em: https://doi.org/10.1038/nature14539

LECUN, Y.; BOTTOU, L.; BENGIO, Y.; HAFFNER, P. Gradient-based learning applied to document recognition. Proceedings of the IEEE, v. 86, n. 11, p. 2278–2324, 1998. Disponível em: https://doi.org/10.1109/5.726791

MINTZ, Y.; BRODIE, R. Introduction to artificial intelligence in medicine. Minimally invasive therapy & allied technologies: MITAT: official journal of the Society for Minimally Invasive Therapy, v. 28, n. 2, p. 73–81, 2019. Disponível em: https://doi.org/10.1080/13645706.2019.1575882

MNIH, V.; KAVUKCUOGLU, K.; SILVER, D.; GRAVES, A.; ANTONOGLOU, I.; WIERSTRA, D.; RIEDMILLER, M. Playing Atari with Deep Reinforcement Learning. [S. l.]: arXiv, 2013. Disponível em: https://doi.org/10.48550/arXiv.1312.5602. Acesso em: 3 set. 2023.

NENNING, K.-H.; LANGS, G. Machine learning in neuroimaging: from research to clinical practice. Die Radiologie, v. 62, n. S1, p. 1–10, 2022. Disponível em: https://doi.org/10.1007/s00117-022-01051-1

NEVES, E. B.; RIPKA, W. L.; ULBRICHT, L.; STADNIK, A. M. W. Comparison of the fat percentage obtained by bioimpedance, ultrasound and skinfolds in young adults. Revista Brasileira de Medicina do Esporte, v. 19, n. 5, p. 323–327, 2013. Disponível em: https://doi.org/10.1590/S1517-86922013000500004

PEREIRA, R. A.; SICHIERI, R.; MARINS, V. M. R. Razão cintura/quadril como preditor de hipertensão arterial. Cadernos de Saúde Pública, v. 15, p. 333–344, 1999. Disponível em: https://doi.org/10.1590/S0102-311X1999000200018

PICON, P. X.; LEITÃO, C. B.; GERCHMAN, F.; AZEVEDO, M. J. de; SILVEIRO, S. P.; GROSS, J. L.; CANANI, L. H. Medida da cintura e razão cintura/quadril e identificação de situações de risco cardiovascular: estudo multicêntrico em pacientes com diabetes melito tipo 2. Arquivos Brasileiros de Endocrinologia & Metabologia, v. 51, n. 3, p. 443–449, 2007. Disponível em: https://doi.org/10.1590/S0004-27302007000300013

RAMESH, A. N.; KAMBHAMPATI, C.; MONSON, J. R. T.; DREW, P. J. Artificial intelligence in medicine. Annals of the Royal College of Surgeons of England, v. 86, n. 5, p. 334–338, 2004. Disponível em: https://doi.org/10.1308/147870804290

RANDALL C. O’REILLY; YUKO MUNAKATA. Computational explorations in cognitive neuroscience: Understanding the mind by simulating the brain. [S. l.]: The MIT Press, 2000.

RODRIGUES, M. N.; SILVA, S. C. da; MONTEIRO, W. D.; FARINATTI, P. de T. V. Estimativa da gordura corporal através de equipamentos de bioimpedância, dobras cutâneas e pesagem hidrostática. Revista Brasileira de Medicina do Esporte, v. 7, n. 4, p. 125–131, 2001. Disponível em: https://doi.org/10.1590/S1517-86922001000400003

THOMAS, B. Artificial Intelligence: Review of Current and Future Applications in Medicine. Federal Practitioner, n. 38 (11), 2021. Disponível em: https://doi.org/10.12788/fp.0174

VAN DER VELDEN, B. H. M.; KUIJF, H. J.; GILHUIJS, K. G. A.; VIERGEVER, M. A. Explainable artificial intelligence (XAI) in deep learning-based medical image analysis. Medical Image Analysis, v. 79, 2022. Disponível em: https://doi.org/10.1016/j.media.2022.102470

WILLEMINK, M. J.; ROTH, H. R.; SANDFORT, V. Toward Foundational Deep Learning Models for Medical Imaging in the New Era of Transformer Networks. Radiology: Artificial Intelligence, v. 4, n. 6, 2022. Disponível em: https://doi.org/10.1148/ryai.210284

YAMINS, D. L. K.; DICARLO, J. J. Using goal-driven deep learning models to understand sensory cortex. Nature Neuroscience, v. 19, n. 3, p. 356–365, 2016. Disponível em: https://doi.org/10.1038/nn.4244

YU, K.-H.; BEAM, A. L.; KOHANE, I. S. Artificial intelligence in healthcare. Nature Biomedical Engineering, v. 2, n. 10, p. 719–731, 2018. Disponível em: https://doi.org/10.1038/s41551-018-0305-z

ZHU, J.; REN, C.; BIN, S. Analysis of the Effect of Artificial Intelligence on Role Cognition in the Education System. Occupational Therapy International, v. 2022, p. 1–11, 2022. Disponível em: https://doi.org/10.1155/2022/1781662