"from fpdf import FPDF
Criação do PDF com formatação profissional
class PDF(FPDF):
def header(self):
self.set_font("Arial", "B", 12)
self.set_text_color(30, 30, 30)
self.cell(0, 10, "Deep Learning na Medicina: Aplicações, Benefícios e Desafios", ln=True, align="C")
self.ln(5)
def chapter_title(self, title):
self.set_font("Arial", "B", 11)
self.set_text_color(0, 51, 102)
self.cell(0, 10, title, ln=True)
self.ln(1)
def chapter_body(self, body):
self.set_font("Arial", "", 10)
self.set_text_color(50, 50, 50)
self.multi_cell(0, 6, body)
self.ln()
Texto formatado em seções
texto = {
"O que é **Deep Learning**? é uma subárea da IA que utiliza redes neurais artificiais
com múltiplas camadas para simular o funcionamento do cérebro humano
na interpretação de dados complexos.
Esses modelos aprendem padrões ocultos e realizam previsões com alto grau de acurácia,
Benefícios do Deep Learning na Medicina:
- Diagnósticos mais rápidos e precisos: detecção precoce de doenças com acurácia comparável à de especialistas.\n
- Análise de imagem médica: interpretação de exames como tomografias e biópsias digitais.\n
- Medicina personalizada: previsão da resposta individual a medicamentos e terapias.\n
- Suporte à decisão clínica: sugestões baseadas em dados de prontuários eletrônicos.
Desafios da Implementação:
- Qualidade e disponibilidade dos dados: muitos dados clínicos são fragmentados e mal estruturados.\n
- Explicabilidade dos modelos: dificuldade de interpretar decisões automatizadas (caixa-preta).\n
- Questões éticas e regulatórias: privacidade, responsabilidade médica, consentimento informado.\n
- Integração aos sistemas de saúde: necessidade de infraestrutura e capacitação da equipe.
O Futuro Próximo:
- Modelos explicáveis (Explainable AI).\n
- Integração com dispositivos vestíveis (IoT na saúde).\n
- Modelos fundacionais adaptados ao ambiente clínico com menos dados.
Casos Práticos:
Caso 1 – Diagnóstico precoce de câncer de mama:
modelo do MIT e MGH prevê risco com 5 anos de antecedência.\n
Caso 2 – Triagem oftalmológica automatizada: sistema IDx-DR detecta retinopatia sem especialista.\n
Caso 3 – Predição de deterioração clínica em UTI: IA antecipa sepse e PCR, permitindo intervenção precoce.
}
Criar o PDF
pdf = PDF()
pdf.add_page()
for title, body in texto.items():
pdf.chapter_title(title)
pdf.chapter_body(body)
Salvar o PDF
pdf_output_path = "/mnt/data/Deep_Learning_na_Medicina_Alura_LinkedIn.pdf"
pdf.output(pdf_output_path)
pdf_output_path
- Substituir caracteres especiais que não são compatíveis com encoding latin-1
def sanitize_text(text):
return text.replace("–", "-").replace("“", '"').replace("”", '"').replace("’", "'")
Aplicar a sanitização a todas as seções do texto
texto_sanitizado = {title: sanitize_text(body) for title, body in texto.items()}
Criar novo PDF com o texto sanitizado
pdf = PDF()
pdf.add_page()
for title, body in texto_sanitizado.items():
pdf.chapter_title(title)
pdf.chapter_body(body)
Salvar o PDF corrigido
pdf_output_path = "/mnt/data/Deep_Learning_na_Medicina_Alura_LinkedIn.pdf"
pdf.output(pdf_output_path)
pdf_output_path
File ~/.local/lib/python3.11/site-packages/fpdf/fpdf.py:1636, in
FPDF._enddoc(self) 1634 def _enddoc(self): 1635 self._putheader() -> 1636
self._putpages() 1637 self._putresources() 1638 #Info
File ~/.local/lib/python3.11/site-packages/fpdf/fpdf.py:1170, in
FPDF._putpages(self) 1167 #Page content 1168 if self.compress: 1169 # manage
binary data as latin1 until PEP461 or similar is implemented -> 1170 p =
self.pages[n].encode("latin1") if PY3K else self.pages[n] 1171 p = zlib.compress(p)
1172 else:
UnicodeEncodeError: 'latin-1' codec can't encode character '\u2013' in position 2768: ordinal not in range(256)
Substituir caracteres especiais que não são compatíveis com encoding latin-1
def sanitize_text(text):
return text.replace("–", "-").replace("“", '"').replace("”", '"').replace("’", "'")
Aplicar a sanitização a todas as seções do texto
texto_sanitizado = {title: sanitize_text(body) for title, body in texto.items()}
Criar novo PDF com o texto sanitizado
pdf = PDF()
pdf.add_page()
for title, body in texto_sanitizado.items():
pdf.chapter_title(title)
pdf.chapter_body(body)
Salvar o PDF corrigido
pdf_output_path = "/mnt/data/Deep_Learning_na_Medicina_Alura_LinkedIn.pdf"
pdf.output(pdf_output_path)
pdf_output_path
