OHBM 2026: Neuroinformatics and Data Sharing + AI and the Analysis of brain structure and function — IA aprende ciência ou aprende viés?

A OHBM 2026 traz um eixo muito importante para quem quer pensar o futuro da neurociência sem ingenuidade: de um lado, AI and the Analysis of brain structure and function; de outro, Neuroinformatics and Data Sharing. Dentro dessas trilhas aparecem temas como A Novel Foundation Model for Structural Brain Health Analysis, Federated Label-Noise Filtering of Neuroimaging Data, BIDS-Flux: High-throughput, Federated Neuroimaging Data Management Platform for Multisite Studies e ClinicaDL v2: an open-source Python library for reproducible deep learning in neuroimaging. Só essa combinação já mostra uma mudança importante: a discussão não é mais apenas sobre ter mais dados ou modelos mais fortes. A própria OHBM 2026 deixa claro que infraestrutura, curadoria, compartilhamento, ruído de rótulo, reprodutibilidade e aprendizado de máquina fazem parte do coração do problema científico.

Isso tem muito valor para uma leitura de Neurociência Decolonial. Durante muito tempo, parte da ciência tratou banco de dados como se fosse espelho neutro da realidade. Mas dado nunca chega puro. Todo banco de dados já nasce atravessado por quem foi incluído, quem ficou de fora, como foi medido, em que língua, em que contexto, com que tecnologia, sob que definição de normalidade e com que ideia prévia de cérebro saudável. Quando a OHBM 2026 coloca lado a lado Foundation Model, federated data, label-noise filtering e bibliotecas abertas para deep learning, ela sinaliza uma maturidade importante: método também é política.

Na linguagem Brain Bee, a pergunta pode ficar assim:

Se os dados vêm de populações enviesadas, a IA vai descobrir o cérebro humano ou só repetir o cérebro padrão já aceito?

Essa pergunta é forte porque vai direto ao ponto. Adolescente entende isso rápido. Se você ensina uma máquina com exemplos limitados, ela aprende um pedaço do mundo e começa a tratar esse pedaço como se fosse o todo. Em neurociência, isso é ainda mais delicado. Porque não estamos falando só de reconhecer imagens; estamos falando de saúde, desenvolvimento, atenção, emoção, envelhecimento e diferença humana.

Aqui, os avatares que mais ajudam são Math/Hep e Olmeca.

Math/Hep entra para vigiar o método. Ele ajuda a lembrar que modelo forte não é sinônimo de verdade forte. Um Foundation Model pode impressionar, mas a pergunta central continua sendo: com que base ele foi treinado, que ruído ele herdou, que população ele representa, que generalização ele de fato sustenta? O mesmo vale para filtros de ruído, pipelines reprodutíveis e sistemas federados: todos eles podem melhorar a ciência, mas só se a pergunta metodológica continuar viva.

Olmeca entra porque dado também é cultura, história e território. Quando um sistema aprende com amostras concentradas em certos países, certas línguas, certos perfis sociais e certos padrões de saúde, ele não aprende “o cérebro humano” em geral. Ele aprende mais fortemente o cérebro que já teve mais chance de virar dado. E isso importa muito para a América Latina. Porque, se a gente não fizer essa pergunta, corre o risco de importar modelos que parecem universais, mas que já nasceram limitados por exclusões anteriores.

A crítica decolonial aqui não precisa ser agressiva. Ela pode ser simples: uma IA não supera automaticamente o viés presente nos dados. Em muitos casos, ela organiza esse viés melhor, acelera esse viés e devolve esse viés com aparência de neutralidade. É por isso que a programação da OHBM 2026 é tão interessante neste ponto. Quando aparecem temas como Federated Label-Noise Filtering of Neuroimaging Data, BIDS-Flux e ClinicaDL v2, o congresso está reconhecendo que qualidade do dado, compartilhamento responsável e reprodutibilidade não são detalhes técnicos; são parte da própria validade científica.

Uma pergunta melhor, então, seria esta:

O que muda quando o contexto entra no modelo, em vez de ficar escondido atrás da aparência de dado puro?

Essa é uma pergunta boa para a OHBM 2026, boa para a Brain Bee e muito importante para a América Latina. Porque aqui a gente precisa de ciência forte, mas também de ciência que saiba reconhecer quem historicamente ficou fora das bases, fora dos protocolos e fora das definições dominantes de normalidade.

Uma proposta Brain Bee de experimento com EEG + NIRS

A proposta pode ser simples: classificar perfis de desempenho numa tarefa com EEG + NIRS em duas versões de modelo. Na primeira, entram só variáveis neurais e comportamentais. Na segunda, entram também variáveis socioculturais e contextuais, como idioma, tipo de escola, rotina de sono ou contexto de estresse.

O foco não seria provar que “contexto explica tudo”, mas mostrar como o modelo muda quando o contexto deixa de ser invisível. A hipótese central é direta: parte do que a IA chama de padrão cerebral pode estar misturada com diferenças de ambiente, linguagem, cuidado ou oportunidade.

Onde a OHBM 2026 já aponta nessa direção

Esse blog nasce diretamente da programação oficial. A trilha AI and the Analysis of brain structure and function inclui tópicos como A Novel Foundation Model for Structural Brain Health Analysis e Federated Label-Noise Filtering of Neuroimaging Data. Já a trilha Neuroinformatics and Data Sharing inclui BIDS-Flux e ClinicaDL v2, além de outras ferramentas voltadas à integração, reprodutibilidade e gestão federada de dados. Isso ajuda a deslocar a pergunta.

Em vez de perguntar apenas “qual IA funciona melhor?”, a discussão pode ficar mais madura: que dado sustenta esse modelo, que ruído ele carrega, que população ele representa e que tipo de ciência ele realmente ajuda a construir?

Por que isso importa para a América Latina

Na nossa região, pensar neuroinformática e IA também é pensar soberania científica. Não basta usar modelos prontos e esperar que eles nos representem. É preciso perguntar quem entrou no dado, quem ficou fora, em que idioma os protocolos foram pensados, que tipo de infraestrutura é necessária para participar, e como a ciência aberta pode ser de fato aberta para países com menos recursos.

Esse ponto é especialmente importante para jovens de 14 a 17 anos. Eles já convivem com algoritmos o tempo todo. Por isso, podem aprender cedo uma lição decisiva: uma máquina não fica neutra só porque faz contas. Ela aprende com o que recebe. E, se recebe um mundo desigual, pode devolver esse mundo com cara de verdade técnica.

A beleza desse tema da OHBM 2026 está justamente aí: ele já abre espaço para sair da fascinação rasa com IA e entrar numa discussão mais séria sobre dado, método e responsabilidade científica.

Em vez de perguntar apenas se a IA acerta mais, a gente pode perguntar:

Que cérebro ela aprendeu a reconhecer?
Que diferenças ela apaga quando chama tudo de padrão?
Como reprodutibilidade e compartilhamento podem melhorar a ciência sem esconder viés?

Quando a neurociência começa a medir isso com clareza, ela deixa de ser apenas uma ciência da automação e começa a virar também uma ciência da responsabilidade metodológica.

Referências usadas neste blog

• OHBM 2026 — trilha “AI and the Analysis of brain structure and function”, incluindo A Novel Foundation Model for Structural Brain Health Analysis e Federated Label-Noise Filtering of Neuroimaging Data.

• OHBM 2026 — trilha “Neuroinformatics and Data Sharing”, incluindo BIDS-Flux: High-throughput, Federated Neuroimaging Data Management Platform for Multisite Studies e ClinicaDL v2: an open-source Python library for reproducible deep learning in neuroimaging.

• OHBM 2026 Schedule at a Glance — confirmação de que as sessões ligadas a IA, neuroinformática e compartilhamento de dados fazem parte da programação oficial do congresso.