Servizi per la didattica
PORTALE DELLA DIDATTICA

Intelligenza artificiale in medicina

01UQTMV

A.A. 2022/23

Lingua dell'insegnamento

Italiano

Corsi di studio

Corso di Laurea Magistrale in Ingegneria Biomedica - Torino

Organizzazione dell'insegnamento
Didattica Ore
Lezioni 44
Esercitazioni in aula 6
Esercitazioni in laboratorio 30
Docenti
Docente Qualifica Settore h.Lez h.Es h.Lab h.Tut Anni incarico
Balestra Gabriella - Corso 1 Professore Associato ING-INF/06 32 0 15 0 3
Rosati Samanta - Corso 2   Ricercatore a tempo det. L.240/10 art.24-B ING-INF/06 12 9 0 0 1
Collaboratori
Espandi

Didattica
SSD CFU Attivita' formative Ambiti disciplinari
ING-INF/06 8 B - Caratterizzanti Ingegneria biomedica
2022/23
L'insegnamento fornisce le basi per lo sviluppo di sistemi avanzati di analisi e interpretazione di dati biomedici. Tali sistemi sono utilizzati in tutte le aree della bioingegneria al fine di costruire sistemi di supporto alla diagnosi, sistemi di interpretazione dei dati di uno studio clinico, indicatori clinici, ... In particolare verranno approfondite le conoscenze relative alle caratteristiche e alla struttura generale di un classificatore e ai principali metodi utilizzati per lo sviluppo di sistemi basati sulla classificazione e/o algoritmi di apprendimento. I laboratori consentono allo studente di acquisire le competenze necessarie per saper costruire e validare un classificatore in grado di risolvere il problema posto. Al termine dell'insegnamento lo studente sarà in grado di risolvere attraverso il metodo più opportuno problemi di media difficoltà.
The course will introduce the students to the development of intelligent systems for biomedical data classification and interpretation. The applications cover all bioengineering areas. Topics include feature extraction, feature selection, main characteristics of a classifier, optimization, computational intelligence e statistical learning. The laboratory activities provide competencies on classifier construction and validation. In the end, the student will be able to solve problems of medium difficulty.
Le conoscenze che l'insegnamento si propone di trasmettere riguardano: - gli aspetti che caratterizzano un qualsiasi classificatore (feature extraction, feature selection, misure di similarità, regola di decisione), - i passi di sviluppo di una applicazione (concettualizzazione, costruzione, validazione), - i principali metodi appartenenti al settore del machine learning utilizzati in ambito biomedico. - una breve introduzione al deep learning Agli studenti verrà poi insegnato come implementare i metodi in funzione del problema e come analizzare i risultati in funzione del contesto. Al fine di insegnare agli studenti come affrontare un problema reale verranno proposti due differenti problemi da sviluppare in laboratorio applicando i metodi visti a lezione. Durante i laboratori si richiederà agli studenti non solo di mettere in pratica i concetti visti a lezione, ma di acquisire via via maggiore progettualità ed autonomia.
The student will learn - the basics of a classifier (feature extraction, feature selection, similarity measures, decision rules); - the steps needed to develop an application (problem conceptualization, construction process, validation); - methods belonging to machine learning applied to biomedical data analysis; - a brief introduction to deep learning. The course also provides the foundation needed to the method application and to context based results interpretation. Two problems that require different solution methods are the main themes of the laboratory work. The student will be asked to apply the learned concepts and to increase during the progress of the lessons his working autonomy.
Concetti base di logica e di calcolo matriciale. Conoscenza delle caratteristiche dei principali dispositivi medici per la diagnosi e la terapia.
Basics of logic and linear algebra computation Main characteristics of medical devices used for diagnosis and therapy
01. Introduzione 02. Application development: Problem conceptualization, Construction process, Validation process 03. Ottimizzazione (Simulated annealing, GA, ACO) 04. Classificazione (NN, FL, KNN, Naive Bayes Classifier) 05. Clustering (k-means, hierarchical clustering - dendrograms, SOM) 06. Deep learning 07. Applicazioni: Fattori legati all'applicazione (spigabilità dei risultati, normativa), Indicatori, CAD systems, KDD and Data mining,… Laboratorio 1: Statistica descrittiva Laboratorio 2: Features Selection (Genetic Algorithms and kNN) Laboratorio 3: TRS - Random, Dendrogramma, SOM Laboratorio 4: Supervised NN Laboratorio 5: Fuzzy logic Laboratorio 6: Confronto fra i classificatori sviluppati
01. Introduction 02. Application development: Problem conceptualization, Construction process, Validation process 03. Optimization (GA, ACO) 04. Classification (NN, FL, KNN) 05. Deep Learning 06. Clustering (k-means, hierarchical clustering - dendrograms, SOM) 07. Statistical classification (Hypothesis testing, Naive Bayes Classifier) 08. Applications: Indicators, CAD systems, KDD and Data mining,… Lab #1: Descriptive statistics Lab #2: Genetic Algorithms and Fuzzy Logic Lab #3: Clustering and Neural networks Lab #4: Statistical classification
L’insegnamento è suddiviso in 44 ore di lezioni frontali, 6 ore di esercitazione in aula e 30 ore di esercitazioni di laboratorio
The course consists of 47 hours in class and 33 hours of work in laboratory
Slide e materiale distribuito dal docente
Slides
Modalità di esame: Elaborato progettuale in gruppo; Prova scritta in aula tramite PC con l'utilizzo della piattaforma di ateneo;
Exam: Group project; Computer-based written test in class using POLITO platform;
Il voto dell'esame consiste è dato dalla somma di: Scritto [19pt] - Valuta le Conoscenze – Chi si ripresenta perde la valutazione precedente 15 domande a risposta multipla (1 punto per ogni domanda corretta, -0.5 pt per ogni domanda errata) – durata: 17 minuti 1 domanda a risposta aperta (4 punti) – durata: 12 minuti Esercitazione [1 pt] (svolta tramite piattaforma exercise) – assegnato a chi consegna tutti gli esercizi Valutazione del lavoro svolto durante i laboratori da parte del gruppo [14pt]– Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team relazioni dei LAB2, LAB3,LAB4,LAB5 (8 punti totali) presentazione tramite caricamento di un filmato mp4 della relazione del LAB6: 3 punti ottenuti tramite peer review 3 punti ottenuti dalla valutazione delle docenti Per ottenere la lode bisogna acquisire almeno 30.5 punti
Gli studenti e le studentesse con disabilità o con Disturbi Specifici di Apprendimento (DSA), oltre alla segnalazione tramite procedura informatizzata, sono invitati a comunicare anche direttamente al/la docente titolare dell'insegnamento, con un preavviso non inferiore ad una settimana dall'avvio della sessione d'esame, gli strumenti compensativi concordati con l'Unità Special Needs, al fine di permettere al/la docente la declinazione più idonea in riferimento alla specifica tipologia di esame.
Exam: Group project; Computer-based written test in class using POLITO platform;
L’esame è costituito da una prova scritta di teoria svolta singolarmente in cui lo studente non può consultare nessun tipo di materiale, una prova di laboratorio che può essere svolta a coppie e la valutazione del lavoro svolto durante i laboratori da parte del gruppo. Il voto finale è ottenuto come somma di: Scritto di teoria (3 domande [teoria, ragionamento, esercizio]) [18pt (9+6+3)] (durata 45 min, superata se si ottengono rispettivamente almeno (4+3+2) pt) – Valuta Conoscenza e Comprensione Prova di laboratorio [9pt] (durata 2 ore, superata se si ottengono almeno 6pt) - Valuta la Capacità di Applicare Conoscenza e Comprensione Laboratori [6pt] – Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team
In addition to the message sent by the online system, students with disabilities or Specific Learning Disorders (SLD) are invited to directly inform the professor in charge of the course about the special arrangements for the exam that have been agreed with the Special Needs Unit. The professor has to be informed at least one week before the beginning of the examination session in order to provide students with the most suitable arrangements for each specific type of exam.
Esporta Word


© Politecnico di Torino
Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY
Contatti