DCC - UFMG
+55 31 3409 5860
ciia-saude@dcc.ufmg.br

Joao Comba


Joao Comba

Universidade Federal do Rio Grande do Sul
Informática Aplicada

Pesquisador associado





Informações resumidas do Currículo Lattes


Currículo Lattes atualizado em 08/01/2021

Nome em citações bibliográficas: COMBA, J. L. D.;Comba, João L. D.;Comba, João L.D.;Comba, Joao;COMBA, JOÃO LUIZ DIHL;COMBA, JOÃO;COMBA, JOAO L.D.;COMBA, JOAO LUIZ DIHL;COMBA, JOAO L. D.;COMBA, JOAO L.


Formação acadêmica

Doutorado em Computer Science na Stanford University em 2000
Mestrado em Engenharia de Sistemas e Computação na Universidade Federal do Rio de Janeiro em 1991
Graduado em Ciencias de Computacao na Universidade Federal do Rio Grande do Sul em 1987


Projetos de pesquisa em andamento

2020 a AtualFAPERGS - CIDIA-19 - CIência de Dados e Inteligência Artificial para combater a COVID-19
A aplicação da Ciência de Dados na área da saúde tem se tornado cada vez mais frequente, dado o seu potencial de gerar insights que auxiliam na tomada de decisão, melhoram as condições de saúde dos pacientes e otimizam as operações hospitalares. No contexto da COVID-19, a rapidez com que a doença se disseminou pelo mundo, acometendo mais de 1,5 milhões de pessoas e causando mais de 100 mil óbitos, demanda soluções ágeis para acelerar o diagnóstico de pacientes com sintomas suspeitos e estimar a evolução da doença. Diante das limitações associadas à aplicação de exames laboratoriais e do acentuado aumento na demanda por serviços de saúde em um cenário de pandemia, é imprescindível o desenvolvimento de estratégias para alavancar a análise de dados clínicos, histórico epidemiológico, e exames por imagem, a fim de mais rapidamente diagnosticar COVID-19 entre casos suspeitos, principalmente em estágios iniciais da doença. Desta maneira, o objetivo desse projeto é aplicar técnicas do estado-da-arte de aprendizado de máquina para o auxílio ao diagnóstico e à melhoria da compreensão acerca da COVID-19. As contribuições do projeto estão distribuídas em cinco metas, a saber: (i) classificação automática de imagens de tomografia computadorizada de tórax; (ii) desenvolvimento de modelos preditivos e identificação de novos fatores de risco a partir da mineração de dados clínicos; (iii) integração de dados clínicos e de imagens utilizando abordagens multimodais para aprimorar diagnóstico; (iv) busca semântica de artigos científicos relacionados à COVID-19; e (v) monitoramento e predição da evolução da COVID-19 por meio da visualização de informações. Este projeto enquadra-se em dois dos temas priorizados no Edital. No escopo do tema ?6-Criação de soluções digitais para controle, monitoramento e previsão da disseminação do vírus", propomos a utilização da visualização de dados para explorar padrões temporais e regionais de disseminação do vírus, de acordo com estatísticas divulgadas pelos órgãos municipais, estaduais e federais. No contexto do tema ?7-Uso de inteligência artificial e de tecnologias digitais para referenciamento de pacientes e para melhoria da gestão do sistema de saúde", enquadram-se nossas propostas de utilização de técnicas de aprendizado de máquina para a aceleração do processo de diagnóstico a partir das imagens e de descoberta de conhecimento e realização de predições a partir dos dados clínicos.
Integrantes: João Luiz Dihl Comba (coordenador), Cláudio Jung, Viviane Pereira Moreira, Melina Silva de Loreto, Mariana Recamonde Mendoza, Roger Eliandro Menezes, Ana Paula Zanardo, Rafael Domingos Grando, Gisele Nader Bastos, Luiz Antônio Nasi, Vitor Tadeu Ferreira, Tiago Severo Garcia, Mateus Samuel Tonetto, Carlo Sasso Faccin, Cauã Oliveira Rocha.
2019 a AtualCNPq - Edital Universal 2018 - Generalização de Cubos de Dados para Análise Visual de Eventos e Detecção de Anomalias em Dados de Saúde
O avanço da tecnologia de gerenciamento de informação permitiu que grandes quantidades de dados referentes ao acompanhamento de pacientes em instituições médicas fossem capturadas. Esses dados são de grande relevância para estudos de coorte (grupos de pacientes que são analisados quanto as suas respostas à intervenções médicas). Entretanto, a análise desses dados constitui um desafio devido ao seu grande volume, complexidade e heterogeneidade de formatos (dados estruturados e não estruturados). Técnicas de visualização são reconhecidas pela eficiência em auxiliar a exploração e identificação de padrões em coleções de dados complexos, o que as torna ideais para os problemas abordados pelo projeto. O pré-calculo de agregações é a base de estruturas de Cubos de Dados, mas estas têm como desafio o alto poder de processamento e armazenamento para armazenar e consultar as diferentes combinações de agregações existentes. Neste trabalho, propomos desenvolver a nova geração de Cubos de Dados. Para motivar os desafios que teremos, usamos conjuntos de dados de saúde como principal fonte de dados e questões que precisam ser respondidas por estas novas estruturas. O projeto divide-se no desenvolvimento da nova geração de Cubos de Dados e análise de dados para responder questões relevantes sobre um conjunto de dados provenientes do Sistema Único de Saúde (SUS) e outro referente a dados de tratamentos respiratórios na França. Ao combinar desafios para o avanço do estado-de-arte em estruturas de Cubos de Dados com problemas reais, esperamos neste projeto contemplar tanto o avanço da ciência como também seja importante para resolver questões da sociedade como a análise de dados de saúde.
Integrantes: João Luiz Dihl Comba (coordenador), Cícero A. L. Pahins, Viviane Pereira Moreira, Sihem Amer-Yahia, Behrooz Omdivar-Tehrani, FERREIRA, NIVAN, Luis da Cunha Lamb, Melina Silva de Loreto.
2018 a AtualCAPES-COFECUB Formação e Análise de Grupos em Big Data Usando Técnicas de Visualização
A aquisição de dados nunca foi tão ampla, diversa e acessível. Hoje em dia, quase todos os dispositivos baseados em computador oferecem uma ampla gama de opções para coletar dados multi-dimensionais. As redes sociais, os dados governamentais, os registros de aplicativos e muitos outros geram imensas quantidades de dados brutos. O termo big data é usado para se referir para esta coleção de dados usualmente heterogêneo e grande em tamanho. A exploração e análise através da agregação desses conjuntos de dados é muito importante, que muitas vezes usa ferramentas como histogramas e mapas de calor, entre outras técnicas para visualização de informações. Ferramentas tradicionais, como bancos de dados relacionais e software de inteligência de negócios, têm problemas para suportar essas visualizações em cenários interativos de baixa latência. Soluções especializadas atuais podem tomar quantidades proibitivamente grandes de memória como o número de dimensões aumenta. Assim, a pesquisa em estruturas de dados especializadas que reduz a latência de consulta nestes cenários continua a ser necessária. Neste projeto iremos desenvolver várias linhas de pesquisa relacionadas com aspectos de análise e processamento eficiente de big data. Em uma primeira linha de trabalho iremos explorar como podemos formar e identificar grupos de pessoas nestes dados. O uso de técnicas de visualização de dados é fundamental neste processo, pois ajuda a criar intuição sobre os dados, necessária para análise de grupos. A análise baseada em grupos pode ser muito cara. O número de grupos possíveis é potencialmente muito grande, uma vez que é exponencial no número de dados demográficos e ações dos usuários. Conseqüentemente, precisamos abordar a escalabilidade, tanto no aspecto de processamento computacional, como no aspecto da visualização. Numa segunda linha de trabalho iremos focar no projeto de algoritmos e estruturas de dados para representação e análise visual de big data. Dentro desta linha os desafios de escalabilidade é essencial no projeto de tais estruturas, bem como na extensão para o gerenciamento de dados dinâmicos (streaming). É preciso desenvolver estruturas de dados que sejam eficientes e possam ser usadas em conjunto com técnicas de visualização que permite a análise dos dados. Além deste aspecto, iremos investigar formas mais avançadas para calcular agregações de dados usando teoria da informação, e como fazê-lo de forma computacionalmente eficiente. Em uma terceira linha de trabalho, iremos usar técnicas de visualização para analisar dados de revisões, como por exemplo produtos vendidos em uma loja na internet, revisões de restaurantes, revisões de hotéis, etc. Os dados de comentários são ricos em informações contendo várias dimensões de atributos, além de uma dimensão temporal. Sumários usam gráficos simples com estatísticas sobre os comentários. Usando técnicas de visualização iremos permitir uma melhor análise de opiniões divergentes e ajudar na tomada de decisão.
Integrantes: João Luiz Dihl Comba (coordenador), NONATO, L. GUSTAVO, Carla M D S Freitas, RAFFIN, BRUNO, Cícero A. L. Pahins, SCHNORR, LUCAS MELLO, Fabian Colque Zegarra, Viviane Pereira Moreira, Sihem Amer-Yahia, Behrooz Omdivar-Tehrani, Jean-Marc Vincent.

Projetos de desenvolvimento em andamento

Veja todos os projetos no Currículo Lattes

Últimas publicações

Artigos em periódicos

Measuring phenology uncertainty with large scale image processing?
2020. Ecological Informatics.
Visual exploration of rating datasets and user groups
2020. Future Generation Computer Systems.
Data Visualization for the Understanding of COVID-19
2020. COMPUTING IN SCIENCE & ENGINEERING.
Real-Time Exploration of Large Spatiotemporal Datasets Based on Order Statistics
2020. IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS.
The Past and Future of Visualization for Computing in Science and Engineering
2020. COMPUTING IN SCIENCE & ENGINEERING.
Quantitative Comparison of Time-Dependent Treemaps
2020. COMPUTER GRAPHICS FORUM (ONLINE).
Quantitative Evaluation of Time-Dependent Multidimensional Projection Techniques
2020. COMPUTER GRAPHICS FORUM.
How do Soccer Teams Coordinate Consecutive Passes? A Visual Analytics System for Analysing the Complexity of Passing Sequences Using Soccer Flow Motifs.
2019. COMPUTERS & GRAPHICS-UK.
A task-and-technique centered survey on visual analytics for deep learning model engineering
2018. COMPUTERS & GRAPHICS-UK.
Packed-Memory Quadtree: a cache-oblivious data structure for visual exploration of streaming spatiotemporal big data
2018. COMPUTERS & GRAPHICS-UK.
Visual soccer match analysis using spatiotemporal positions of players
2017. COMPUTERS & GRAPHICS-UK.
Hashedcubes: Simple, Low Memory, Real-Time Visual Exploration of Big Data
2017. IEEE Transactions on Visualization and Computer Graphics.
A Report from VIS 2016
2017. Computing in Science & Engineering (Print).
Visual analysis of bike-sharing systems
2016. Computers & Graphics.
PhenoVis - A Tool for Visual Phenological Analysis of Digital Camera Images Using Chronological Percentage Maps
2016. Information Sciences.
Parallel Voronoi Computation for Physics-Based Simulations
2016. Computing in Science & Engineering (Print).
Hardware-Assisted Visibility Sorting for Unstructured Volume Rendering
2005. IEEE Transactions on Visualization and Computer Graphics.
Fast Polyhedral Cell Sorting for Interactive Rendering of Unstructured Grids
1999. Computer Graphics Forum.

Trabalhos completos em congressos

COVIZ: A System for Visual Formation and Exploration of Patient Cohorts
2019. International Conference on Very Large Databases.
A Methodology for Neural Network Architectural Tuning Using Activation Occurrence Maps
2019. IJCNN - IEEE International Joint Conference on Neural Networks.
UserDEV: A Mixed-Initiative System for User Group Analytics
2019. HILDA 2019 Workshop on Human-In-the-Loop Data Analytics co-located with SIGMOD 2019.
Similarity-based visual exploration of very large georeferenced multidimensional datasets
2019. the 34th ACM/SIGAPP Symposium.
A Stable Greedy Insertion Treemaps for Software Evolution Visualization
2018. SIBGRAPI - Conference on Graphics, Patterns and Images.
Quantitative Comparison of Dynamic Treemaps for Software Evolution Visualization
2018. IEEE Working Conference on Software Visualization (VISSOFT).
Visualizing Hotel Reviews: a Case Study using TripAdvisor Data
2017. 7th Workshop on Visual Analytics, Information Visualization and Scientific Visualization.
Task-Based Behavior Generalization Via Manifold Clustering
2017. IROS - IEEE/RSJ International Conference on Intelligent Robots and Systems.
Metric Evolution Maps: Multidimensional Attribute-driven Exploration of Software Repositories
2016. VMV: Vision, Modeling and Visualization.
Broad-Phase Collision Detection Using Semi-Adjusting BSP-Trees
2005. ACM Siggraph Interactive 3D Graphics and Games 2005.
Affine Arithmetic and its Applications to Computer Graphics
1993. Anais do VI Sibgrapi.

Resumos expandidos em congressos

A Fast GPU Particle System Approach for Isocontouring on hp-Adaptive Finite Element Meshes
2008. IEEE Visualization 2008 - Posters.

Resumos em congressos

Exploration of User Groups in VEXUS
2018. IEEE International Conference on Data Engineering.
Quantitative Comparison of Treemap Techniques for Time-Dependent Hierarchies
2017. EuroVis.
Real-Time Relief Mapping on Arbitrary Polygonal Surfaces
2005. ACM Transactions on Graphics.
Kinetic Data Structures: Animating Proofs Through Time
1999. XV ACM Symposium On Computational Geometry (SOCG 1999).
Transparencia de Solidos em Octrees
1990. Anais do XII CMAC.

Veja todas as publicações no Currículo Lattes

Orientações em andamento

Mestrado

Felipe Mateus Freire Pontes. A ser definido. Início: 2020. Universidade Federal do Rio Grande do Sul (Orientador principal)
Noemi Maritza Lapa Romero. A ser definido. Início: 2019. Universidade Federal do Rio Grande do Sul (Orientador principal)
Francisco Bento da Silva Júnior. A ser definido. Início: 2019. Universidade Federal do Rio Grande do Sul (Orientador principal)
Juan Carlos Carbajal Ipenza. A ser definido. Início: 2018. Universidade Federal do Rio Grande do Sul (Orientador principal)

Doutorado

Abel Corrêa Dias. A ser definido. Início: 2020. Universidade Federal do Rio Grande do Sul (Orientador principal)
Eduardo Vernier. A ser definido. Início: 2017. Universidade Federal do Rio Grande do Sul (Orientador principal)

Veja todas as orientações no Currículo Lattes