IA biomédica · Inferência causal · Controlo do enviesamento
A Deep Bio Data colabora com hospitais, grupos de investigação clínica e instituições biomédicas para que os sistemas de IA não sejam apenas precisos, mas cientificamente fiáveis, interpretáveis e clinicamente relevantes.
A nossa missão
A Deep Bio Data é uma iniciativa tecnológica orientada para a investigação que trabalha para melhorar a fiabilidade, a transparência e o poder preditivo da análise moderna de dados clínicos.
Abordamos um dos grandes desafios da análise de saúde atual: garantir que a IA avançada não é apenas precisa, mas cientificamente fiável, interpretável e clinicamente relevante.
O nosso trabalho combina inferência causal, modelação preditiva, explicabilidade e experiência clínica, para que cada resultado possa ser rastreado até um método, um conjunto de dados e uma justificação clínica.
«Prever não basta. A IA clínica tem de ser compreendida, validada e merecer confiança antes de poder mudar uma decisão.»
O que fazemos
Os conjuntos de dados biomédicos podem conter diferentes formas de enviesamento que afetam a validade, a equidade e a capacidade de generalização dos modelos de IA. Identificamos e caracterizamos as suas fontes antes de selecionar estratégias de mitigação adequadas.
Três questões frequentemente confundidas: o que está associado, o que aconteceria perante uma intervenção e como os efeitos causais diferem entre indivíduos ou populações. Combinamos inferência causal e aprendizagem automática para investigar as três.
A realidade clínica é uma trajetória, não apenas uma fotografia instantânea. Modelamos a evolução da saúde ao longo do tempo e integramos fontes de evidência complementares, incluindo imagens, ómicas, registos clínicos e outros dados biomédicos.
Uma previsão que não pode ser inspecionada é difícil de compreender ou defender cientificamente. Investigamos como os modelos chegam às suas previsões, analisamos as suas representações internas e desenvolvemos alternativas mais interpretáveis.
A fiabilidade não é uma afirmação: tem de ser demonstrada através de evidência. Avaliamos o desempenho, a calibração, a robustez, a equidade, a incerteza e a capacidade de generalização dos modelos ao longo do desenvolvimento e da validação.
O sinal estatístico não corresponde necessariamente a significado clínico. Integramos diretrizes clínicas, conhecimento especializado, relações fisiológicas e conhecimento biomédico estruturado no desenho, desenvolvimento e avaliação dos modelos.
A nossa visão
Colaboração
Sistemas preditivos clínicos, IA de imagem e apoio a estudos baseados em pensamento causal.
Controlo do enviesamento, validação de equidade e reconstrução de caixa branca de modelos complexos.
Investigação conjunta em aprendizagem automática causal e interpretabilidade científica.
Programas públicos e privados que constroem a próxima geração de IA clínica.
Colaboração
Colaboramos com hospitais, institutos de investigação e programas de inovação que precisam de sistemas de IA que possam explicar, validar e defender.
