Genius 3.0 | IA Lobeprior Mapeamento Pulmões

Olá, seja muito bem-vindo. Seja muito bem-vinda. Começa agora o Genius 3.0, zero, o programa que fala de tecnologia, informação e inteligência artificial, mas sempre com um olhar sobre como tudo isso impacta nossa vida. E claro, eu não estou sozinho. Quem está comigo nessa bancada é ele, meu parceiro digital, o Samuel. E aí, Samuel, tá pronto para mais uma? Sempre pronto, Felipe. E o legal do programa de hoje é que a gente vai falar de duas áreas que à primeira vista até parecem distantes, mas que tem uma coisa em comum. O uso da tecnologia para enxergar aquilo que muitas vezes a gente não consegue ver. Da sustentabilidade a medicina, a inteligência artificial está ajudando a transformar dados em decisões mais precisas. Tá bom, Samuel? Já que você deu spoiler, olha só o que a gente preparou para hoje. A nossa equipe foi conhecer uma tecnologia que usa dados e modelagem computacional para ajudar empresas a entenderem o próprio impacto ambiental. No segundo bloco, a gente vai falar sobre uma aplicação de inteligência artificial que pode ajudar a medicina a enxergar o que nem sempre é visível nas imagens. Tem as nossas dicas e aplicativos da semana com ferramentas e tecnologias que podem facilitar o dia a dia. O Gênios 3.0 está só começando e vamos começar o programa falando sobre uma tecnologia que está ajudando a transformar um tema cada vez mais presente no mundo dos negócios. A sustentabilidade. A gente costuma ouvir falar sobre redução de emissões, impacto ambiental e créditos de carbono. Mas como isso é calculado na prática? Pesquisadores estão desenvolvendo um software capaz de calcular a quantidade de poluição que deixa de ser lançada na atmosfera e converter esse resultado em indicadores e relatórios de sustentabilidade, inclusive estimando o potencial de geração de créditos de carbono. A nossa equipe foi conhecer essa calculadora na prática, entender como funciona esse processo e acompanhar uma simulação de uso ao lado de pesquisadores da área. Quem traz os detalhes é a repórter Camila Borges. Cames, conta pra gente tudo que você descobriu aí. Oi, Felipe, tudo bem? É isso mesmo, esse software foi desenvolvido para calcular o crédito de carbono a partir de indústrias de alimentos. E para explicar melhor como funciona essa tecnologia, eu estou aqui com a professora e pesquisadora Tânia Foster da Faculdade de Engenharia de Alimentos da Unicamp. Professora, muito obrigada por nos receber. Eu queria que você explicasse para quem tá assistindo o que é crédito de carbono. Quando pensamos em créditos de carbono, logo vem a nossa eh imagem de árvores e está correto? Porque quando plantamos árvores, as árvores captam da atmosfera o dióxido de carbono ou CO2. Então isso é um uma gera um ativo ambiental. Então isso tá gerando um crédito de carbono porque faz bem pro meio ambiente. E como que surgiu também a ideia para desenvolver essa calculadora para as indústrias? Aqui na Unicamp nós desenvolvemos uma calculadora para os resíduos da indústria de alimentos. Então eu vou dar um exemplo. Vamos imaginar uma indústria de sucos. Ela produz muita biomassa, ou seja, cascas, bagaços, sementes. Se essa biomassa estiver indo para um aterro aberto, ela estaria gerando eh metano, dióxido de carbono ou CO2 e contaminando a atmosfera. Se nós fazemos essa conversão, transformamos em energia, então nós estamos contribuindo para o meio ambiente, ou seja, nós estamos gerando crédito de carbonos. Então essa calculadora permite calcular o quanto nós podemos obter de créditos de carbono em relação ao estar tratando um resíduo da indústria de alimentos. Perfeito, professora. Eh, e também eh nessa pesquisa teve outras pessoas que agregaram também, nós vamos conversar com elas também. É isso? Isso mesmo. São estudantes de doutorado que desenvolveram as suas pesquisas aqui na faculdade e que poderão dar detalhes sobre esses cálculos. Felipe, então eu já estou aqui com a Larissa Castro, que é também pesquisadora da Faculdade de Engenharia de Alimentos e ela vai explicar pouquinho pra gente eh como que é essa calculadora, qual nome e quais resíduos eh foram pesquisados. Eh, o nome da nossa calculadora é biomassa compensa. E na elaboração dessa calculadora foram pensados em alguns dos principais resíduos da indústria de alimentos. Então, dentre eles nós temos eh resíduos de maçã, de laranja, de café, bagaço de cana e também de açaí. Eh, essa calculadora, ela se baseia na composição da biomassa residual da indústria de alimentos. Então, a partir da composição do de cada um desses resíduos, nós vamos calcular o quanto pode ser obtido de energia elétrica e também de calor. E com esses cálculos, nós utilizamos o fator de emissão e podemos calcular toneladas de de toneladas de carbono equivalente que vão nos dar a pegada de carbono do processo, certo? Larissa, quem pode utilizar esse software? Esse software ele tá disponível no site do Laboratório Biotar, então ele pode ser acessado por qualquer pessoa interessada, seja para fazer pesquisas ou também as indústrias eh que têm interesse em tratar os seus resíduos podem acessar o os nossos cálculos e com isso ajudar na tomada de decisão da da indústria e tornar mais assertiva a forma de escolha do tratamento que a indústria vai est destinando pros seus resíduos. Certo? Então a gente pode afirmar que a calculadora pode ajudar as empresas e indústrias a aumentarem metas sustentáveis de sustentabilidade. Sim. Eh, tanto para aumentar a sustentabilidade como também para poder decidir qual das rotas é mais sustentável e assim ir a indústria ir progredindo com as suas metas. Certo? E o que vocês esperam que essa calculadora eh ajude a mudar o cenário também da de dessa poluição que a gente vê nas empresas de alimentos, como vocês citaram também? Uhum. Bom, o mundo inteiro tá passando por uma demanda cada vez maior por energia renovável. Então, uma das formas que a gente vê que a calculadora vai ajudar é nessa transição energética, porque as a indústria vai poder gerar energia a partir dos seus resíduos e também tornar o processo mais sustentável, o que vai ser muito bom tanto pra pra indústria quanto pro meio ambiente, certo? Agora a gente vai conversar também com outro pesquisador que é o Henrique, que vai explicar um pouquinho mais pra gente sobre carbono, o que é isso para quem tá assistindo também poder entender um pouquinho melhor. Henrique, eu queria que você explicasse um pouquinho pra gente qual que é a diferença e da pegada de carbono pro crédito de carbono. Pegada de carbono é uma métrica de geração de poluição ambiental. é o quanto uma indústria vai gerar de gás carbônico equivalente paraa atmosfera em determinado processo. Já o crédito de carbono é uma métrica em que a gente calcula o quanto de carbono está sendo evitado de ser emitido na atmosfera. Ã, por exemplo, se uma indústria muda seu processo pro processo mais ambientalmente sustentável, ela vai ter uma redução da emissão. Com isso são gerados créditos de carbono. Uhum. E logo a pegada de carbono se torna menor, certo? E por que o metano ele polui mais que o dióxido de carbono? O metano é uma molécula mais reativa e tem um fator de emissão 28 a 30 vezes maior que a do gás carbônico. Logo, por causa disso, é comum ver flirs, por exemplo, em algumas unidades de tratamento de fluente, que é para queimar o metanocedente e impedir que ele vá pra atmosfera, mas nós preferimos muito mais utilizar esse metano para produzir energia do que queimar ele. Esse é o foco do nosso trabalho. E para quem tá assistindo, como que funciona essa calculadora? Ela usa estudos que foram realizados aqui no laboratório e a gente pega essas métricas que foram geradas paraa gente conseguir calcular baseado na quantidade de resíduos de uma indústria o quanto seria produzido em metano e esse metano seria convertido em energia e calor pra própria indústria. Com isso, são gerado métricas de quanto a gente consegue evitar da utilização de combustíveis fósseis utilizando o metano como fonte de energia no lugar desses combustíveis. Na prática, a calculadora funciona de forma simples. O usuário seleciona o tipo de resíduo, informa a quantidade em toneladas que deseja tratar e recebe instantaneamente uma estimativa das emissões evitadas expressas em gás carbônico equivalente, o CO2. A ferramenta também apresenta uma projeção dos créditos de carbono que podem ser gerados. Atualmente, o sistema contempla resíduos como bagaço de maçã, casca de laranja, cana de açúcar, semente de açaí e subprodutos da indústria cafeira. Entre os comparativos disponíveis, a plataforma mostra quantos carros deixariam de circular, quantas horas de voos internacionais seriam compensadas ou ainda quantas árvores precisariam ser plantadas para alcançar o mesmo impacto ambiental. Para um restaurante de médio porte ou uma cooperativa de produtores de suco, por exemplo, a calculadora pode indicar se o volume de resíduos gerado justifica o investimento em um biodigestor, um sistema feito para decompor matéria orgânica através de bactérias na ausência de oxigênio, transformando resíduos em dois subprodutos ecológicos, como biogás e biofertilizante, para assim estimar quanta energia elétrica ou gás seria capaz de produzir. A biomassa Compensa está disponível para acesso público no site do laboratório Biotar, o laboratório de bioengenharia e tratamento de águas e resíduos. E a ferramenta foi desenvolvida para gestores de sustentabilidade, responsáveis por inventários de emissões e profissionais do mercado de crédito de carbono. Então, muito obrigadas por sua participação aqui com a gente, por contribuir e informar sobre a calculadora que a biomassa compensa. É isso, né? Muito obrigado pela oportunidade de prestar nosso trabalho. Espero que a gente tenha ajudado vocês a entender um pouco melhor como isso funciona. Eu volto com você aí do estúdio, Felipe. Camila, muito obrigado pelas informações. E tem uma coisa que chama atenção aqui, Samuel. Durante muito tempo, o debate ambiental ficou muito baseado em metas e compromissos. Agora a gente começa a ver tecnologias tentando transformar essa discussão em número e método. Exato, Felipe. E isso é importante porque crédito de carbono não funciona como uma declaração de intenção. Ele depende de você conseguir demonstrar que uma emissão foi evitada ou reduzida. Quando um software organiza esses dados e cria um modelo de cálculo, ele ajuda a tornar todo esse processo mais padronizado e mais comparável entre diferentes cenários. E tem um outro ponto interessante, porque a tecnologia não aparece como uma ferramenta que resolve o problema ambiental sozinha. E talvez esse seja o ponto mais interessante. O software não reduz poluição por conta própria, ele reduz incerteza. E quando você consegue medir melhor o impacto, fica bem mais fácil definir prioridades, acompanhar resultados e tomar decisões com mais evidência. No fundo, a tecnologia passa a funcionar como uma ferramenta de leitura do impacto ambiental. E no próximo bloco, a gente continua falando de inteligência artificial, mas agora com uma aplicação que pode ajudar a medicina a enxergar o que nem sempre aparece nas imagens. Mas você fica aí porque é o Genius 3.0. Volta já. Estamos de volta com Gênios 3.0. E olha, se no primeiro bloco a gente viu como a tecnologia está sendo usada para repensar processos e resolver problemas do dia a dia, agora a gente vai falar sobre uma aplicação que pode ajudar a tornar mais precisa umas das etapas mais importantes da medicina, o diagnóstico por imagem. Pesquisadores da Unicamp desenvolveram então um software com inteligência artificial capaz de identificar e delimitar automaticamente os lobos pulmonares, mesmo em casos mais graves, quando doenças como a COVID-19, pneumonia ou câncer alteram a anatomia e dificultam a leitura da tomografia. Para entender como essa tecnologia funciona e o que ela pode representar para o futuro do diagnóstico médico, a gente conversa agora com Letícia Hitner, ela que é professora da Faculdade de Engenharia Elétrica e de Computação da Unicamp e orientadora da pesquisa. Professora, seja muito bem-vinda ao Genius 3.0. Muito obrigada, é um prazer estar aqui, professora, para começar a nossa entrevista, antes da criação desse software, como era feita a avaliação do comprometimento pulmonar em exames de tomografia e quais eram as principais limitações desse processo? Então, antes de nós termos a inteligência artificial auxiliando, o especialista, ele precisava fazer essa análise de forma visual. era uma análise, eh, uma inspeção visual, a gente chama. Então, ele abria aquele exame numa tela grande e, eh, olhava, né, com bastante cuidado, leva levava muitos minutos, 40 minutos, 50 minutos, tentando localizar as regiões pulmonares, que a gente chama de lobos, né? Então, essas regiões do pulmão e como que essas regiões estavam afetadas, acometidas pela COVID. Essa visualização já é difícil num pulmão saudável ou num pulmão adoecido, num pulmão com doença, é muito mais difícil. Então o médico daí estimava bem grosseiramente, eu posso dizer quase que um chute, eles mesmos falam quantos por cento daquela região estava, por exemplo, adoecida. 20%, 40%, mas você imagina que visualmente tudo isso tinha uma grande imprecisão nesse processo e era também cansativo. Depois do 10º do 15º laudo, o médico também já tá exausto, já tá não consegue nem visualizar eh corretamente o que que precisa ser visualizado, né? E a partir então que que vocês identificaram essa necessidade, como que foi todo esse processo de pesquisa até vocês desenvolverem o solter? Você tava, a professora estava comentando com a gente nos bastidores sobre a questão do nome do projeto que tem todo um significado. Conta um pouco pra gente sobre isso. Isso. Então, como é que acontece? A inteligência artificial chegou já faz alguns anos e na medicina também, né? Pelo menos 10 anos. E os primeiros algoritmos eles foram se saíram muito bem, por exemplo, para analisar pulmão e lobos, mas em pulmões saudáveis. Então, os pesquisadores, eu mesma quando comecei a trabalhar nessa área, a gente eh começou a treinar esses algoritmos para aprender a delimitar, a delinear e e quantificar eh pulmões saudáveis. Mas quando chegou com a COVID e com a necessidade de não só um diagnóstico, mas às vezes um acompanhamento de tratamento preciso, onde saber se é 30 ou 40% faz diferença, a gente percebeu que a inteligência artificial que existia na época, ela se saía muito bem em pulmões saudáveis, mas errava miseravelmente em pulmões com doença, porque os pulmões acometidos pela COVID, por uma pneumonia, eles ficam ficam esbranquiçados e você não enxerga mais as regiões. Claramente o médico não enxerga e a próprio programa, vamos dizer assim, o algoritmo de inteligência artificial da época não enxergava essas regiões. Então o que que aconteceu? Nós começamos com essa pesquisa junto com o meu aluno Jean, a tentar imaginar como é que a gente treinava o algoritmo para aprender a localizar regiões do pulmão, os lobos pulmonares, quando essas regiões estavam completamente obscurecidas pela doença. A doença ela vem como uma mancha branca e ela quase que apaga as os marcos, as bordas do que a gente tá acostumado a analisar. Então o que que acontece? a gente teve a ideia, né, de tentar desenvolver o algoritmo de inteligência artificial usando conhecimento a priori. Por isso que o o software chama lobe prior, é lobo de lobo pulmonar e prior de conhecimento a priori. E o que que é o conhecimento a priori nesse caso? É a anatomia humana que se conhece, né? São os livros de anatomia. Eh, então o que a gente foi fez foi criar um modelo tridimensional probabilístico, como se fosse um pulmão médio. Imagina a nossa população, os pulmões variam de tamanho, de forma, são mais alongados, depende da estatura da pessoa, mas existe uma anatomia mais ou menos conhecida. Então, a grande diferencial desse método que foi capaz de superar as limitações anteriores por eh que não visualizavam, né, as regiões do pulmão por causa da doença, foi adicionar esse modelo probabilístico, esse pulmão médio como uma informação extra que o médico tem, né? O médico quando visualiza, ele sabe mais ou menos o que esperar de um pulmão. Então, foi dar esse conhecimento para a inteligência artificial. Então, a soma da inteligência artificial com o modelo anatômico é que fez com que o modelo passasse a enxergar sutilezas e adivinhar onde é que estavam ali as bordas, as regiões de interesse, mesmo com a doença, vamos dizer assim, atrapalhando essa visualização. Ô, professora, e o software ele consegue identificar as estruturas então anatômicas que muitas vezes ficam ocultadas pelas lesões, pelas doenças. Como que a inteligência artificial aprende a reconhecer algo que em alguns casos praticamente desaparece nas imagens comuns que a gente consegue ver pela radiografia, por exemplo? Então, é exatamente com esse processo de inserir umas anatômico. Então, a inteligência artificial ela busca essas essas regiões, né? Ela é treinada. Então, todo o algoritmo de inteligência artificial, ele é treinado. E como é que ele é treinado? Com exemplos. Então você mostra para a inteligência exemplos reais e as regiões delimitadas, mas esses exemplos não são suficientes. Então, além dos exemplos, a gente passa esse esse mapa ou esse esse modelo probabilístico do que seria um pulmão esperado. Então, ora ela olha pra imagem, olha ela ela traz o que ela aprendeu de outros exemplos e olha a hora que ela tá na dúvida daquela região que ficou apagada, que ficou ocultada pela doença, ela olha pro mapa probabilístico, para esse modelo probabilístico e fala: "Ah, mas era aqui que devia est essa borda, eu vou procurar com mais detalhe". E aí ela encontra, né, porque ela ela ela encontra uma sutileza, às vezes uma coisa bem apagada, mas como esse esse mapa, esse atlas anatômico, ele tá direcionando a inteligência e ela passa, vamos dizer assim, a enxergar ali em conta escondido ali o que a gente tava procurando, guiada por essa por essa por esse modelo anatômico. Entendi. Professor, aproveitando um pouco o gancho da sua resposta dessa questão do do treinamento, né, do algoritmo, da inteligência artificial, existe um ponto interessante nessa pesquisa que é a construção dessa base de dados. Qual foi o desafio de reunir e preparar imagens suficientes para ensinar esse algoritmo? Esse é um ponto bem importante, né? Toda a inteligência artificial, ela parte de dados, ela aprende com os dados e os dados, então, passam ser a coisa talvez mais valiosa juntamente com o algoritmo para conseguir que uma inteligência artificial funcione bem. Eh, esse trabalho, ele foi um trabalho bastante extenso do meu aluno, que acabou resultando inclusive numa publicação e e essa base está disponível. Então, levou quase levamos quase um ano eh juntando imagens. Eh, essas imagens precisavam ser de pacientes com bastante acometimento, ou seja, com doenças severas. Essas imagens foram anotadas manualmente, então elas foram pintadas uma a uma e cada anotação leva mais de 12 horas. Então, eh, foi feito um trabalho de de anotação, de delineamento dessas estruturas em cada um desses pacientes. Depois que essa anotação era feita, um especialista vou sentava junto com o aluno para corrigir, para ter certeza que essas anotações não estavam erradas. E isso foi formando então essa base de imagens com exemplos de pacientes com doença severa, com as anotações das estruturas para poder treinar o algoritmo. Acho que uma parte interessante de dizer é que eh normalmente a inteligência artificial ela precisa de milhares, dezenas de milhares de imagens, 10.000, 100.000 imagens. E no caso do nosso caso, a gente não tinha mais que 200 imagens de pacientes e todo esse processo de anotação é muito demorado. Então a gente teve uma a gente também uma outra contribuição do trabalho original é que nós pegamos imagens de pessoas saudáveis e adicionamos artificialmente lesões e a doença. Isso também usando um outro algoritmo de inteligência artificial. Então, a gente eh criou eh imagens misturando pessoas saudáveis com o que se parece à doença para ampliar esse nossa base de dados de forma sintética, de forma mais rápida, por outro lado, né, sintética, para tentar ter mais exemplos que o algoritmo de inteligência artificial aprendesse a a segmentar, aprendesse a delinear. Então essa foi uma o único jeito, vamos dizer assim, de eh superar a limitação da quantidade de dados, porque realmente é muito difícil dados de pacientes, tem toda a questão do comitê de ética, a gente tem acesso um acesso restrito e os algoritmos de inteligência artificial precisam de muitos dados. Então, teve todo esse trabalho por trás do do treinamento do algoritmo, teve todo esse trabalho de construção do dataset, do conjunto de dados e de dessa ideia também de adicionar sinteticamente lesões, né, adicionar sinteticamente a doença para ter mais exemplos para inteligência artificial aprender. Ô professor, e você mesmo comentou na sua resposta a questão dessa integração com os médicos, né, com com as pessoas, porque quando a gente fala de inteligência artificial, as pessoas têm medo de serem substituídas pela tecnologia. Então, esse processo também envolveu o trabalho manual de anotação dos exames. Como foi essa integração entre médicos e engenharia para transformar esse conhecimento clínico? como foi essa integração da tecnologia com os humanos, digamos assim, com essa mão de obra humana? É, acho que é bem importante essa sua pergunta, porque justamente as pessoas às vezes têm medo, né, da inteligência artificial sendo uma caixa preta, primeiro construída do nada, uma mágica e depois substituindo. E na verdade o que se mostra hoje, eh, que todas um bom software, por exemplo, aplicado à saúde, ele só pode ser construído usando inteligência artificial se o médico participar de todas as etapas. O especialista é fundamental. Ele é fundamental para explicar o problema, explicar o que que eles estão buscando, explicar a anatomia, o conhecimento, pra gente tentar passar esse conhecimento para a inteligência artificial. A inteligência artificial a gente pode ver quase como uma criança que tem que ser ensinada. E quem melhor, né, para ensiná-la do que o especialista, né? Nem nós engenheiros, a gente faz o a tradução, mas todo algoritmo de inteligência artificial que possa ser usado de fato, ele tem que, no caso da saúde, ele começa por um médico e ele termina por um médico. Então, não só em explicar o problema, em ajudar na anotação dos dados, em explicar o que se quer e depois uma fase final também bastante importante que aconteceu nesse projeto e todos os projetos que a gente desenvolve, existe a validação pro pelo médico no final. Então, depois que a inteligência artificial dá o seu resultado, né, o médico de novo senta junto com a gente para avaliar se aquilo faz sentido, se aquilo tá de acordo com o que ele faria, se ela se ela realmente se o inteligente artificial não aprendeu de forma equivocada, enviezada, é alguma coisa assim. Então, eh, existe sempre essa essa realimentação. A cada etapa do nosso projeto, a gente teve sempre a participação de mais de um especialista do Hospital das Clínicas da Unicampava com a gente, avaliava os resultados, olhava os dados, explicava algumas coisas que a gente não entendia, mostrava algumas falhas da do algoritmo e a gente foi construído em cima disso. Então essa essa participação, né, é fundamental porque senão a gente acaba como engenheiros criando uma inteligência artificial que não reflete o problema real e também não desempenha como deveria desempenhar. E a única pessoa que pode de fato eh avaliar e dizer: "Olha, realmente isso faz sentido pra gente na prática clínica é o especialista". Tá certo, professor? E agora encaminhando para o final da nossa entrevista, quem vai fazer a última pergunta para a professora é o Samuel. E aí, Samuel, qual é a sua pergunta para a professora? Professora, existe uma frase que aparece muito quando a gente fala de inteligência artificial na saúde. Não tem algoritmo bom sem dado bom. No caso desse projeto, o quanto o resultado final ainda depende da experiência humana para ensinar, validar e interpretar aquilo que a máquina está encontrando? Isso é verdade. O realmente o dado é a origem de tudo, né? E a gente costuma dizer lixo in, garbage in, garbage out. Lixo entra, lixo sai. Se puser dado ruim, sai dado ruim. Eh, nesse caso desse projeto em particular, eh, ele foi treinado, foi bastante cuidadoso o dado que foi colocado nele, mas eu a gente tem que reconhecer as limitações. Eh, ele hoje talvez funcione bem nos dados similares do HC da Unicamp. Se amanhã eu quiser usar esse algoritmo eventualmente num outro dataset, num outro conjunto de dados, então uma nova validação vai ter que ser feita, eventualmente mais anotações vão ter que ser feitas, um retreinamento ou a gente costuma dizer uma adaptação e uma avaliação de novo pelos especialistas, né? Então nenhum algoritmo de inteligência artificial resolve todos os problemas para todos os hospitais em todos os lugares, né? Eu particularmente entendo que a inteligência artificial também precisa seguir aprendendo, né? É sempre um processo de de aprendizado contínuo, vamos dizer assim. Eh, e nesse papel, tantos mais dados, novos dados, como médicos envolvidos no processo são fundamentais para fazer ele de fato funcionar e poder ser eh confiável, vamos dizer assim, em todas as situações, em todos os cenários. Tá certo, professora? Muito obrigada. Obrigado pela disponibilidade de participar conosco aqui do Gênesis 3.0. Eu que agradeço, foi um prazer falar com vocês. Samuel, uma coisa que chama atenção aqui é que a inteligência artificial não está enxergando sozinha. Existiu um trabalho muito grande de ensinar a máquina a reconhecer o que os médicos já observam. E esse projeto mostra uma coisa importante. Quando a gente fala em IA na saúde, muitas vezes o desafio não está no algoritmo, está no dado. Nesse caso, teve anotação manual, revisão médica e construção de uma base clínica, ou seja, o conhecimento médico continua sendo o ponto de partida. E tem outro detalhe interessante. O objetivo não é substituir o radiológico, mas ajudar a trazer mais padronização e medição para uma análise que muitas vezes era feita de forma visual. E isso pode ter impacto direto na pesquisa, no acompanhamento de tratamento e futuramente até no apoio à decisão clínica. No fundo, é a tecnologia ajudando a transformar percepção em medida. E no próximo bloco a gente muda de assunto e traz as dicas, ferramentas e tendências do mundo digital. Mas você fica aí porque o Gênios 3.0. Volta já. Estamos de volta com Gênios 3.0. E olha só, se nos dois primeiros blocos a gente falou sobre tecnologia aplicada à sustentabilidade e à saúde, agora é hora de olhar para aquilo que já está chegando na rotina de quem cria, estuda, trabalha e também de quem sempre sonhou em tirar uma ideia do papel. E como sempre, chegou a hora dos nossos drops tecnológicos da semana. A primeira dica de hoje parece saída daqueles filmes em que alguém tem uma ideia num guardanapo, digita algumas frases e de repente surge um produto funcionando. A base 44 é uma plataforma de inteligência artificial que promete transformar descrições em aplicativos e sites funcionais sem precisar escrever código. Na prática funciona assim, você descreve o que quer, um portal de clientes, uma agenda, um sistema de cadastro e a plataforma gera interface, estrutura, login, banco de dados e até publicação. É como se o papel de desenvolver começasse a migrar, de escrever linhas de código para descrever boas ideias. E o mais interessante, Felipe, é que isso começa a mudar uma barreira histórica da tecnologia. Durante muito tempo, ter uma ideia não era suficiente. Era preciso ter conhecimento técnico ou recursos para executar. Plataformas como essa aproximam a criação da implementação. Claro que continua existindo diferença entre um protótipo e um sistema robusto, mas o movimento é importante. A gente está entrando numa era em que pedir pode começar a ter tanto peso quanto programar. Agora imagina misturar um estúdio de arte, uma ilha de edição e um gerador de cenas. Tudo num único lugar. Essa é a proposta do Dream and, uma plataforma de IA desenvolvida pela Bite Dance e a mesma empresa por trás do TikTok. Ela consegue gerar imagens a partir de texto, criar animações, produzir vídeos e editar cenários de forma automatizada. Dá para expandir fundo, remover objetos, melhorar qualidade e até transformar uma foto em uma cena completamente diferente. E o curioso é que ferramentas como essa estão aproximando a criação visual daquilo que a gente via nos filmes de ficção dos anos 80 e 90. Antes, para criar um universo visual, você precisava de equipe, softwares complexos e muito tempo. Hoje, uma única pessoa consegue testar dezenas de estéticas em poucos minutos. E se a sua relação com a internet já está cansada de abrir 10 abas para encontrar uma resposta, talvez você já tenha ouvido falar do perplexity. Ele não funciona como um buscador tradicional. Você faz uma pergunta e ele entrega uma resposta organizada com resumo e o mais importante, mostrando as fontes. E isso muda uma coisa importante, Felipe, o papel da pesquisa. Antes o desafio era encontrar a informação. Agora o desafio começa a ser validar, comparar e entender o contexto. Essas ferramentas funcionam como um R2D2 do conhecimento. Ajudam muito, aceleram os processos, mas a decisão final ainda precisa ser humana. E fechando as nossas dicas, uma ferramenta que virou febre entre quem estuda, produz conteúdo ou precisa lidar com muita informação. O Notebook LM do Google funciona como um assistente de pesquisa particular. Você envia PDFs, artigos, transcrições ou documentos e a IA passa a responder com base apenas naquele material. Mas o resultado que chamou mais atenção é outro. Ele consegue transformar documentos em áudio no formato de podcast. com dois apresentadores de IA conversando sobre conteúdo. E talvez esse seja um dos melhores exemplos de como a IA não está necessariamente substituindo a leitura ou o estudo, mas mudando o formato, porque tem gente que aprende lendo, tem gente que aprende ouvindo e tem gente que precisa revisar várias vezes. Samuel, e depois de tudo isso, fica uma sensação curiosa. Parece que a tecnologia está cada vez menos escondido nos bastidores e cada vez mais participando diretamente do processo de criar, decidir, produzir e até aprender. Exato. E talvez o ponto mais interessante não seja que as ferramentas estão ficando mais poderosas, é que elas estão ficando mais acessíveis. Criar um app, produzir uma imagem, pesquisar um tema ou resumir um documento já não depende necessariamente de dominar uma técnica específica, porque no fim das contas a tecnologia pode acelerar o caminho, mas continua sendo a gente que escolhe para onde ir. E com essa reflexão, o Gênios 3.0 vai ficando por aqui. Eu agradeço a sua audiência, mas te espero no próximo episódio. Até mais.