B5224 - ARTIFICIAL INTELLIGENCE FOR MEDICINE M

Conoscenze e abilità da conseguire

At the end of the course, the student has: -knowledge regarding the need for AI in Medicine; -understanding of weaknesses of AI techniques, methods to overcome the challenges of AI in Medicine, and ways in which AI may improve healthcare; -essential knowledge to develop and implement reliable AI solutions in clinical research (using, e.g., supervised and unsupervised machine and deep learning techniques, explainable AI methods, and generative adversarial techniques); -practical skills to develop state-of-the-art AI tools with real-world medical data (e.g., clinical and imaging data); -the ability to critically read, discuss and evaluate methods and results of studies using AI in Medicine; -an overview of state-of-the-art AI-powered tools in Medicine.

Contenuti

· Introduzione all'IA nella Sanità e in Medicina: progressi, sfide e opportunità;

· Introduzione ai dati clinici: raccolta e gestione dei dati medici, etica e consenso informato, controllo di qualità, armonizzazione dei dati, tecniche di data augmentation, dataset sintetici, dimensione dei dataset vs. intervalli di confidenza;

· Fondamenti dell'IA per la Medicina: debolezze delle tecniche di IA e loro conseguenze in Medicina, valutazione degli strumenti di IA in Medicina, Explainable AI, riproducibilità dell'IA, apprendimento self-supervised, apprendimento federato e swarm learning, reporting trasparente, l'etica dell'IA nella sanità e Medicina, integrazione clinica;

· Progetti pratici con dati clinici: progetti per fornire esperienza tecnica nell'IA per la Medicina;

· Strumenti IA nel mondo reale in Medicina: una panoramica delle soluzioni IA all'avanguardia in Medicina e Sanità.

Testi/Bibliografia

Dispense fornite dal docente.

M. Lutz, "Learning Python", O'Reilly, 2013

I. Goodfellow, Y. Bengio, A. Courville, "Deep Learning", MIT Press, 2016 (https://www.deeplearningbook.org/ )

Metodi didattici

Il corso prevede sia lezioni frontali sia esercitazioni pratiche svolte utilizzando Google Colab. L’obiettivo delle lezioni è fornire agli studenti una solida preparazione teorica sull’intelligenza artificiale per la medicina, sensibilizzandoli sui vantaggi e le limitazioni delle diverse tecniche disponibili. Le esercitazioni pratiche sono finalizzate ad addestrare gli studenti alla risoluzione di problemi biomedici reali, mettendo in evidenza i potenziali benefici e le sfide introdotte dalle tecniche di intelligenza artificiale.

In considerazione della tipologia di attività e dei metodi didattici adottati, la frequenza di questa attività formativa richiede la preventiva partecipazione di tutti gli studenti ai moduli 1 e 2 di formazione sulla sicurezza nei luoghi di studio [https://elearning-sicurezza.unibo.it/], in modalità e-learning.

Modalità di verifica e valutazione dell'apprendimento

La verifica dell’apprendimento sarà effettuata tramite un esame finale consistente in una prova orale, focalizzata sia sui concetti teorici presentati durante le lezioni sia sugli strumenti software utilizzati nei laboratori. L’esame ha l’obiettivo di accertare le competenze teorico-pratiche dello studente, la correttezza del linguaggio e la chiarezza nell’esposizione dei concetti.

Come parte integrante della valutazione finale, agli studenti è richiesto di sviluppare e presentare un progetto software utilizzando Python in Google Colab, applicando tecniche di intelligenza artificiale per risolvere un problema reale in ambito biologico o medico. Il progetto può essere scelto da una lista fornita durante il corso oppure proposto autonomamente dallo studente, previa approvazione del docente. I progetti possono essere svolti individualmente o in coppia; in quest’ultimo caso, il livello di complessità e il carico di lavoro devono essere proporzionatamente maggiori.

Il codice deve essere implementato in Python, eseguibile su Google Colab, e consegnato in formato .ipynb (notebook). La consegna del notebook può avvenire tramite una delle seguenti modalità:

• repository personale GitHub (fornendo il link),

• link condivisibile di Google Colab, oppure

• invio diretto del file via email al docente.

In aggiunta al codice, è necessario consegnare una relazione in formato PDF, redatta secondo il template ufficiale disponibile nella repository GitHub del corso o sulla piattaforma Virtuale.

Sia il codice che la relazione devono essere consegnati almeno 7 giorni prima della data dell’esame.

Strumenti a supporto della didattica

Repository GitHub del corso (accesso disponibile su richiesta al docente), contenente template di progetto, notebook e altre risorse.

Utilizzo di Google Colab per la programmazione e lo sviluppo del progetto.

Materiale fornito dal docente sulla piattaforma Virtuale, inclusi lucidi delle lezioni e articoli scientifici selezionati.

Orario di ricevimento

Consulta il sito web di Stefano Diciotti