Framework de Inteligência Artificial Explicável para Descoberta de Conhecimento Latente em Artigos Médicos

• Processo: 25/07981-4
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2025
• Data de Término da vigência: 31 de julho de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Tiago Agostinho de Almeida
• Beneficiário: Tiago Ribeiro Silvério
• Instituição Sede: Centro de Ciências em Gestão e Tecnologia (CCGT). Universidade Federal de São Carlos (UFSCAR). Campus de Sorocaba. Sorocaba , SP, Brasil
• Assunto(s): Aprendizado computacional Inteligência artificial explicável Processamento de linguagem natural Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Inteligência Artificial Explicável | Modelos de linguagem | Processamento de Linguagem Natural | Transformers | Inteligência Artificial

Resumo

O volume de informações produzidas e acessadas por meio da Internet é grande e crescente. A quantidade de informação disponibilizada em artigos científicos segue a mesma tendência, inviabilizando a análise manual de todo o conteúdo existente. Na última década, surgiram diversas estratégias e arquiteturas de redes neurais artificiais com o intuito de representar textos usando vetores densos, chamados word vectors. Essas técnicas vêm evoluindo continuamente e são capazes de processar conjuntos de textos cada vez maiores com menos recursos computacionais. Com isso, modelos de representação de textos passaram a ser criados para áreas de conhecimento específicas, como é o caso do PubMedBERT, que, por utilizar um corpus de um único domínio, permite que o modelo capture melhor as relações entre as palavras. Ao criar modelos de representações a partir de prefácios de artigos científicos da área de ciência dos materiais, Tshitoyan et al. (2019) observaram que o conhecimento de certas relações entre elementos estava latente. Com base nessas descobertas, Berto et al. (2024) adaptaram o método e o aplicaram na área médica, demonstrando que existiam relações entre compostos e uma doença-alvo, a Leucemia Mieloide Aguda, anos antes de terem sido descobertos como tratamentos para a doença. Nesse contexto, este projeto objetiva estender o estudo de Berto et al. (2024), propondo um framework de inteligência artificial explicável centrado em word vectors treinadas a partir de artigos científicos de uma dada área médica, com o intuito de capturar, analisar, contextualizar e explicar se é possível obter conhecimento latente que possa acelerar a descoberta de novos diagnósticos, prognósticos e tratamentos.