Resumo:
O câncer do colo do útero permanece como um importante desafio de saúde pública em escala global e continua impondo um impacto significativo em países de baixa e média renda, onde o acesso limitado a serviços especializados de patologia frequentemente resulta em atrasos no diagnóstico. No Brasil, as desigualdades regionais e a escassez de patologistas qualificados evidenciam a necessidade de soluções tecnológicas capazes de apoiar fluxos de triagem em larga escala. Nesse contexto, a Inteligência Artificial (IA) tem emergido como uma abordagem promissora para auxiliar na análise de exames citopatológicos digitais. Este minicurso apresenta os fundamentos teóricos e a implementação prática de técnicas de aprendizado profundo e aprendizado federado para a análise de lâminas citológicas digitalizadas (Whole Slide Images – WSI). Inicialmente, são apresentados os princípios das Redes Neurais Convolucionais (CNNs) aplicadas à análise de imagens médicas, com foco no pipeline típico da patologia digital, incluindo pré-processamento de lâminas, extração de patches e geração de representações de características (embeddings) para classificação celular. Em seguida, são discutidos os fundamentos do Aprendizado Federado, um paradigma de aprendizado de máquina distribuído que permite que múltiplas instituições treinem modelos de forma colaborativa sem compartilhar dados sensíveis de pacientes, preservando a privacidade e garantindo conformidade com regulamentações de proteção de dados. O minicurso é concluído com uma implementação prática em Python, na qual será apresentada uma simulação de aprendizado federado utilizando o algoritmo FedAvg. Serão explorados desafios reais desse paradigma, como a heterogeneidade entre clientes e distribuições de dados non-IID. O objetivo é capacitar pesquisadores e profissionais a compreender, implementar e avaliar pipelines colaborativos de inteligência artificial aplicados à patologia digital e à análise de imagens médicas.