Medir o cérebro, para quê?

Várias são as “janelas” da Ressonância Magnética (RM) que hoje têm aplicação na clínica. Servem para fundamentar o diagnóstico (p.e., da encefalopatia microvascular do idoso), o prognóstico (p.e., do declínio cognitivo), a terapêutica (p.e., da desmielinização primária). Com elas também poderemos aceder ao estudo fiável da substância branca aparentemente normal (T2 convencional), o que será importante para prever a evolução. Havendo, agora, uma outra contrastização quantificável – sem T1 nem T2 –, a designação genérica dos métodos será RMq. Duas são as nossas interrogações durante a execução e interpretação da RMq. A primeira, de índole executiva, questiona o enquadramento clínico destes estudos estruturais? De modo isolado ou partilhado? Opinamos que as duas “janelas” da RMq serão complementares e, por isso, de comum aplicação por rotina – transferência da magnetização (TM) e difusão protónica (D/ADC). Por que as consideramos complementares entre si? Porque cada uma, a seu modo, ou seja, pela interacção da água ligada às macromoléculas, na TM, e pelo movimento molecular activo, na D/ADC, é propícia à medição da estrutura e da neurobiologia. Para ambas, o substrato será a célula com a membrana de mielina e a água, que lhe estar estará associada. Então, a RMq será uma sonda in vivo para a função. A interrogação interpretativa prende-se com a analogia entre a estrutura, que pretendemos ler, e a neurobiologia, que supomos deduzir. Tal resposta tem uma praxis muito estrita, porque a RMq estuda o cérebro vivo e contido no crânio. O conhecimento terá o seu episteme não só na Clínica, que o lidera, mas também na Imagiologia, que connosco recriará os protocolos de investigação.

Análise funcional comparativa de algoritmos de aprendizagem por reforço

De entre todos os paradigmas de aprendizagem actualmente identificados, a Aprendizagem por Reforço revela-se de especial interesse e aplicabilidade nos inúmeros processos que nos rodeiam: desde a solitária sonda que explora o planeta mais remoto, passando pelo programa especialista que aprende a apoiar a decisão médica pela experiencia adquirida, até ao cão de brincar que faz as delícias da criança interagindo com ela e adaptando-se aos seus gostos, e todo um novo mundo que nos rodeia e apela crescentemente a que façamos mais e melhor nesta área. Desde o aparecimento do conceito de aprendizagem por reforço, diferentes métodos tem sido propostos para a sua concretização, cada um deles abordando aspectos específicos. Duas vertentes distintas, mas complementares entre si, apresentam-se como características chave do processo de aprendizagem por reforço: a obtenção de experiência através da exploração do espaço de estados e o aproveitamento do conhecimento obtido através dessa mesma experiência. Esta dissertação propõe-se seleccionar alguns dos métodos propostos mais promissores de ambas as vertentes de exploração e aproveitamento, efectuar uma implementação de cada um destes sobre uma plataforma modular que permita a simulação do uso de agentes inteligentes e, através da sua aplicação na resolução de diferentes configurações de ambientes padrão, gerar estatísticas funcionais que permitam inferir conclusões que retractem entre outros aspectos a sua eficiência e eficácia comparativas em condições específicas.