Thais Maria Santos Bezerra

Formação complementar

Idiomas

Áreas de atuação

Participação em eventos

Produções bibliográficas

• SEIDINGER, ANA L. ; SILVA, FELIPE L. T. ; EUZÉBIO, MAYARA F. ; KRIEGER, ANNA C. ; MEIDANIS, JOÃO ; GUTIERREZ, JUNIER M. ; BEZERRA, THAIS M. S. ; QUEIROZ, LUCIANO ; SILVA, ALEX A. ROSINI. ; HOFFMANN, IVA L. ; DAIGGI, CAMILA M. M. ; TEDESCHI, HELDER ; EBERLIN, MARCOS N. ; EBERLIN, LIVIA S. ; YUNES, JOSÉ A. ; PORCARI, ANDREIA M. ; CARDINALLI, IZILDA A. . Tumor-Promoted Changes in Pediatric Brain Histology Can Be Distinguished from Normal Parenchyma by Desorption Electrospray Ionization Mass Spectrometry Imaging. Biomedicines , v. 12, p. 2593, 2024.

• SANTOS BEZERRA, THAIS MARIA ; SILVA DE DEUS, MATHEUS ; CAVALARO, FELIPE ; RIBEIRO, DENISE ; SEIDINGER, ANA LUIZA ; CARDINALLI, IZILDA APARECIDA ; DE MELO PORCARI, ANDREIA ; DE SOUZA QUEIROZ, LUCIANO ; PEDRINI, HELIO ; MEIDANIS, JOAO . Deep learning outperforms classical machine learning methods in pediatric brain tumor classification through mass spectra. Intelligence-Based Medicine , v. 10, p. 100178, 2024.

• BEZERRA, THAIS MARIA S. ; BITENCOURT, ALMIR G. V. . Editorial for ?Preoperative Differentiation of HER2-Zero and HER2-Low from HER2-Positive Invasive Ductal Breast Cancers Using BI-RADS MRI Features and Machine Learning Modeling?. JOURNAL OF MAGNETIC RESONANCE IMAGING , v. n/a, p. n/a, 2024.

• BEZERRA, T. M. S. ; Sinclair, B. ; Aventurato, I. K. ; Silva, L. S. ; BRIOSCHI, R. ; ALVIM, M. K. M. ; Cendes, F. ; YASUDA, C. L. . ARTIFICIAL INTELLIGENCE IN EPILEPSY: UNRAVELING PATIENT CLASSIFICATIONS WITH CORTICAL AND SUBCORTICAL DATA. In: Congress on Brain, Behavior and Emotions, 2024, Rio de Janeiro. Trabalhos Aprovados 2024, 2024. p. 7.

• BEZERRA, T. M. S. ; Silva, L. S. ; Aventurato, I. K. ; JOAO, R. B. ; Campos, B. ; Lino, A. P. B. L. ; NOGUEIRA, M. H. ; BRANCATTI, F. S. ; Cendes, F. ; YASUDA, C. L. . ARTIFICIAL INTELLIGENCE APPLIED TO BRAIN MEASUREMENTS CLASSIFIES POST COVID SUBJECTS. In: Congress on Brain, Behavior and Emotions, 2024, Rio de Janeiro. Trabalhos Aprovados 2024, 2024. p. 24.

• SANTOS BEZERRA, THAIS MARIA ; RIZZI, L. ; BALTHAZAR, M. L. F. . Predicting early Alzheimer?s disease from diffusion tensor imaging using machine learning techniques. In: Alzheimer's Association International Conference, 2023. Supplement: Biomarkers ? Part 4, 2023. v. 19.

• BEZERRA, T. M. S. ; Aventurato, I. K. ; Silva, L. S. ; BRIOSCHI, R. ; ALVIM, M. K. M. ; Cendes, F. ; YASUDA, C. L. . AN ADVANCED MULTIVARIATE ANALYSES OF CORTICAL METRICS REVEALS DIFFERENT PATTERNS OF CHANGES IN TLE AND IGE. 2024. (Apresentação de Trabalho/Congresso).

• BEZERRA, T. M. S. ; Sinclair, B. ; Aventurato, I. K. ; Silva, L. S. ; BRIOSCHI, R. ; ALVIM, M. K. M. ; Cendes, F. ; YASUDA, C. L. . ENHANCING DECISION SUPPORT FOR EPILEPSY - ARTIFICIAL INTELLIGENCE FOR DIAGNOSIS OF MESIAL TEMPORAL EPILEPSY AND GENERALIZED EPILEPSIES USING BRAIN MEASURES. 2024. (Apresentação de Trabalho/Congresso).

• BEZERRA, T. M. S. ; Aventurato, I. K. ; Campos, B. ; Silva, L. S. ; Lino, A. P. B. L. ; ALVIM, M. K. M. ; Nogueira, M. ; Cendes, F. ; YASUDA, C. L. . Utilizing Machine Learning on Cortical Measures to Categorize Mildly Infected Post-COVID Patients. 2024. (Apresentação de Trabalho/Congresso).

• BEZERRA, T. M. S. ; Aventurato, I. K. ; Silva, L. S. ; BRIOSCHI, R. ; ALVIM, M. K. M. ; Cendes, F. ; YASUDA, C. L. . Enhancing Decision Support for Epilepsy A Machine Learning Approach for Classifying Patients with Mesial Temporal Epilepsy and Generalized Epilepsies using Brain Measures. 2024. (Apresentação de Trabalho/Congresso).

• BEZERRA, T. M. S. ; Silva, L. S. ; Aventurato, I. K. ; JOAO, R. B. ; Campos, B. ; Lino, A. P. B. L. ; NOGUEIRA, M. H. ; BRANCATTI, F. S. ; Cendes, F. ; YASUDA, C. L. . ARTIFICIAL INTELLIGENCE APPLIED TO BRAIN MEASUREMENTS CLASSIFIES POST-COVID SUBJECTS. 2024. (Apresentação de Trabalho/Congresso).

• BEZERRA, T. M. S. ; Sinclair, B. ; Aventurato, I. K. ; Silva, L. S. ; BRIOSCHI, R. ; ALVIM, M. K. M. ; Cendes, F. ; YASUDA, C. L. . Do machine learning models support decisions in epilepsy? Artificial intelligence applied to cortical and subcortical data classifies patients with mesial temporal epilepsy and generalized epilepsies. 2024. (Apresentação de Trabalho/Congresso).

• BEZERRA, T. M. S. ; DEUS, M. S. ; CAVALARO, F. ; RIBEIRO, D. ; SEIDINGER, A. L. ; CARDINALLI, I. A. ; PORCARI, A. M. ; QUEIROZ, L. S. ; PEDRINI, H. ; MEIDANIS, J. . Deep Learning Outperforms Classical Machine Learning Methods in Pediatric Brain Tumor Classification through Mass Spectra 2024 (Preprint).

• PORTUGAL GOUVÊA, C. ; SALOMAO FILHO, C. ; IDO, V. ; KASTRUP, G. H. ; BARONE, V. ; BEZERRA, T. M. S. ; BEZERRA, C. M. S. ; SCHNEIDER, G. M. ; DIEGUES, M. B. ; ABREU, T. C. ; RODRIGUES, C. B. ; SCHWARTZ, D. N. ; OLIVEIRA, F. K. ; MIGUEL, I. P. ; BORGES, L. C. ; OLIVEIRA, M. B. D. M. ; VILLAR, P. W. ; CAFFARO, R. B. ; JAVARONI, V. . GDP's Report on Access to COVID-19 Vaccines 2021 (Relatório de pesquisa).

Projetos de pesquisa

• 2024 - Atual

  Avaliação Multimodal da relação entre os sintomas neuropsiquiátricos e alterações cerebrais estruturais após infecção por SARS-CoV-2, Descrição: A compreensão do impacto neuropsiquiátrico do COVID-19 ainda é um problema a ser endereçado no período pós-pandemia. Além dos sintomas agudos, alguns pacientes apresentamqueixas de sintomas neuropsiquiátricos de natureza crônica, incluindo sonolência, fadiga e perdade memória. A avaliação sistemática destes sintomas e sua relação com possíveis alterações cerebrais pode ser elucidativa na compreensão da fisiopatologia desta síndrome. Para tal, técnicasnão-invasivas de imagem, como a ressonância magnética, acopladas a técnicas de processamento de imagens e a inteligência artificial, podem ser utilizadas para entender a relação entreos sintomas, alterações imunológicas e as alterações cerebrais encontradas nos pacientes. Portanto, o objetivo deste trabalho é ampliar o conhecimento da síndrome da COVID longa atravésda exploração de parâmetros de neuroimagem e clínicos utilizando técnicas de inteligência artificial, tanto pela identificação da relação entre determinado grupo de sintomas e as alteraçõescerebrais identificadas, quanto pela exploração da capacidade de prever a sintomatologia a partirdas alterações de imagem visualizadas.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Thais Maria Santos Bezerra - Coordenador / Clarissa Lin Yasuda - Integrante.

• 2022 - Atual

  Utilização de Métodos de Aprendizagem Profunda para classificação de tumores encefálicos pediátricos através da imagem lipídica obtida pela técnica de espectrometria de massas por Desorption Electrospray Ionization (DESI-MSI), Descrição: A delineação das margens intraoperatórias dos tumores cerebrais pediátricos é fundamental um melhor prognóstico. Entretanto, os métodos existentes de análise de tecido usualmente têm precisão limitada, são demorados e demandam múltiplos procedimentos invasivos. Nesse contexto, este trabalho busca avaliar a possibilidade de utilização de uma nova técnica de análise, utilizando dados de espectrometria de massa, para contornar os problemas supracitados. Este trabalho tem como objetivo explorar a utilização de técnicas de aprendizado de máquina, incluindo técnicas de aprendizagem profunda, para classificar as amostras entre normal e não-normal, e as amostras tumorais entre baixo e alto grau.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) . , Integrantes: Thais Maria Santos Bezerra - Integrante / João Meidanis - Coordenador.

• 2022 - Atual

  Achados da Ressonância Magnética dos Carcinomas Mamários Invasivos com diferentes níveis de superexpressão de HER-2, Descrição: Superexpressão do gene HER-2 (human epidermal growth factor receptor 2) e sua proteína é observada em 20-30 dos carcinomas mamários invasivos e está associada ao prognóstico e tratamento da doença. A superexpressão da proteína detectada por imunohistoquímica (IHC) ou amplificação do gene HER-2 analisada por hibridização in situ por fluorescência (FISH) são os dois principais métodos usados para detectar o status de HER-2 na prática clínica. No entanto, trabalhos recentes têm demonstrado que tumores com diferentes níveis de expressão do HER-2 apresentam diferentes características e resposta ao tratamento. A ressonância magnética (RM) é um método de imagem que permite avaliação morfológica e funcional do tumor, bem como correlação com dados histológicos e imunohistoquímicos, incluindo avaliação de heterogeneidade tumoral. Aprendizado de máquina compreende uma série de técnicas computacionais distintas capazes de encontrar padrões em grandes quantidades de dados, como é o caso de imagens processadas computacionalmente. O objetivo deste estudo é verificar se é possível diferenciar os níveis de expressão de HER-2 a partir dos achados de RM utilizando aprendizado de máquina. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Thais Maria Santos Bezerra - Coordenador / Almir Galvão Vieira Bitencourt - Integrante.

• 2021 - 2022

  Aprendizado de máquina para a predição da Doença de Alzheimer por meio de imagens de tensor de difusão, Descrição: A Doença de Alzheimer (DA) é a principal causa de demência relacionada à idade. Umdos principais desafios da patologia consiste em aumentar a capacidade diagnóstica demodo a identificar a doença precocemente, preferencialmente por meio de métodos nãoinvasivos. A utilização de parâmetros extraídos por técnicas de neuroimagem queutilizam ponderação por tensor de difusão mostra-se promissora na discriminação dascaracterísticas da DA. Em virtude disso, o presente projeto de pesquisa objetivacompreender a capacidade diagnóstica de imagens ponderadas de tensor de difusão pormeio de aprendizado de máquina para determinar, dentre pacientes comcomprometimento cognitivo leve, quais têm maior chance de progredir para a fasedemencial da DA. Os parâmetros de neuroimagem foram coletados de indivíduosacompanhados no ambulatório de Neuropsicologia e Demência do Hospital de Clínicasda Unicamp e as análises de aprendizado de máquina serão realizadas no softwarePython 3.0.. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Thais Maria Santos Bezerra - Integrante / Liara Rizzi - Coordenador.

Prêmios