Ambispective clinical study for the development of artificial intelligence models using routine blood biomarkers for early detection of Breast Cancer - Proof of concepts and support for commercialization.

• Grant number: 24/04562-8
• Support Opportunities: Scholarships in Brazil - Technical Training Program - Technical Training
• Start date: May 01, 2024
• End date: February 28, 2025
• Field of knowledge: Physical Sciences and Mathematics - Computer Science - Computing Methodologies and Techniques
• Principal Investigator: Marco Aurelio Kohara
• Grantee: Daniel Noce da Silva
• CNAE: Pesquisa e desenvolvimento experimental em ciências físicas e naturais ; Atividades de serviços de complementação diagnóstica e terapêutica
• Associated research grant: 23/14898-0 - Ambispective clinical study to develop artificial intelligence models using routine blood biomarkers to support the early identification of breast cancer., AP.PIPE

Abstract

Daniel Noce da Silva desempenhará um papel fundamental para o progresso da pesquisa "Estudo clínico ambispectivo para desenvolvimento de modelos de inteligência artificial com o uso de Biomarcadores Sanguíneos de rotina para identificação precoce do Câncer de Mama" e para o desenvolvimento do produto comercial advindo desta investigação científica, alinhando-se aos objetivos do Programa de Capacitação de Recursos Humanos. Os objetivos traçados para essa Bolsa TT5 estão organizados em três categorias essenciais:1. Infraestrutura de Engenharia de Dados:Realizar pré-processamento de dados, garantindo a qualidade e consistência de informações clínicas complexas.Desenvolver modelos de IA para avaliação de risco de câncer de mama, explorando diferentes conjuntos de dados e técnicas.Conduzir os experimentos e utilizar ferramentas adequadas para a interpretação dos modelos de Machine Learning.2. Construção dos Pipelines:Contribuir para o desenvolvimento de sistemas robustos e escaláveis na Google Cloud Platform.Criar pipelines de transformação de dados reprodutíveis, facilitando a manutenção e colaboração da equipe técnica, seguindo boas práticas de programação em Python.Testar e implementar ferramentas de MLOps garantindo o versionamento de dados e modelos e garantir segurança nas adições de código à base de código existente.3. Provas de Conceito (PoCs) com Clientes Comerciais:Comunicação com as equipes dos clientes e parceiros de pesquisa responsáveis pela coleta, compreensão e compartilhamento de dados, bem como pela discussão dos resultados gerados.Gestão e transformação de dados clínicos e cadastrais, desde a limpeza e estruturação até a análise estatística e implementação em modelos de Machine Learning para inferência do risco de carcinoma mamário para as pacientes.Apoiar a estratégia de comercialização da Huna, com foco em operadoras de saúde, visando à otimização do rastreamento do câncer de mama e à redução de custos.