Servizi per la didattica
PORTALE DELLA DIDATTICA

Artificial Intelligence in Medicine

01UQTMV

A.A. 2021/22

Course Language

Italian

Course degree

Master of science-level of the Bologna process in Ingegneria Biomedica - Torino

Course structure
Teaching Hours
Lezioni 47
Esercitazioni in laboratorio 33
Teachers
Teacher Status SSD h.Les h.Ex h.Lab h.Tut Years teaching
Balestra Gabriella - Corso 1 Professore Associato ING-INF/06 41 0 0 0 3
Balestra Gabriella - Corso 2 Professore Associato ING-INF/06 41 0 33 0 3
Teaching assistant
Espandi

Context
SSD CFU Activities Area context
ING-INF/06 8 B - Caratterizzanti Ingegneria biomedica
2021/22
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. 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,… Laboratorio 1: Statistica descrittiva Laboratorio 2: Algoritmi genetici e Logica Fuzzy Laboratorio 3: Clustering e reti neurali Laboratorio 4: Classificazione statistica
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 47 ore di lezioni frontali e 33 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: Prova scritta (in aula); Elaborato progettuale individuale;
Exam: Written test; Individual project;
L’esame è costituito da (a) Prova scritta (svolta singolarmente, costituita da 8 domande) (b) Relazione del lavoro svolto durante i laboratori Il voto finale è ottenuto come somma di: Scritto di teoria [24 pt] - Valuta Conoscenza e Comprensione e la Capacità di Applicare Conoscenza e Comprensione Relazione progetto svolto durante il laboratorio [9 pt]– Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team
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: Written test; Individual project;
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.
Modalità di esame: Prova scritta tramite PC con l'utilizzo della piattaforma di ateneo; Elaborato progettuale individuale;
L’esame è costituito da (a) Prova scritta (svolta singolarmente, costituita da 8 domande) (b) Relazione del lavoro svolto durante i laboratori Il voto finale è ottenuto come somma di: Scritto di teoria [24 pt] - Valuta Conoscenza e Comprensione e la Capacità di Applicare Conoscenza e Comprensione Relazione progetto svolto durante il laboratorio [9 pt]– Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team
Exam: Computer-based written test using the PoliTo platform; Individual project;
L’esame è costituito da (a) una prova scritta di teoria svolta singolarmente in cui lo studente non può consultare nessun tipo di materiale, la prova è svolta con l'uso della piattaforma Exam (b) una prova di laboratorio anch'essa svolta singolarmente con la possibilità di consultare appunti ed utilizzare il materiale prodotto durante i laboratori, la prova è svolta con l'uso della Virtual classroom (c) la valutazione del lavoro svolto durante i laboratori da parte del gruppo. Il voto finale è ottenuto come somma di: - Scritto di teoria (6 domande) [18pt (3 punti a domanda)] (durata 60 min, superata se si ottiene almeno 1 pt a domanda) – Valuta Conoscenza e Comprensione - Prova di laboratorio [9pt] (durata 90 minuti, superata se si ottengono almeno 6pt) - Valuta la Capacità di Applicare Conoscenza e Comprensione Relazioni Laboratori [6pt] – Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team
Modalità di esame: Prova scritta (in aula); Prova scritta tramite PC con l'utilizzo della piattaforma di ateneo; Elaborato progettuale in gruppo;
LL’esame è costituito da (a) Prova scritta (svolta singolarmente, costituita da 8 domande) (b) Relazione del lavoro svolto durante i laboratori Il voto finale è ottenuto come somma di: Scritto di teoria [24 pt] - Valuta Conoscenza e Comprensione e la Capacità di Applicare Conoscenza e Comprensione Relazione progetto svolto durante il laboratorio [9 pt]– Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team
Exam: Written test; Computer-based written test using the PoliTo platform; Group project;
L’esame è costituito da (a) una prova scritta di teoria svolta singolarmente in cui lo studente non può consultare nessun tipo di materiale, la prova è svolta con l'uso della piattaforma Exam sia da remoto che in presenza (b) una prova di laboratorio anch'essa svolta singolarmente con la possibilità di consultare appunti ed utilizzare il materiale prodotto durante i laboratori, la prova è svolta con l'uso della Virtual classroom da remoto, in laboratorio in presenza (c) la valutazione del lavoro svolto durante i laboratori da parte del gruppo. Il voto finale è ottenuto come somma di: - Scritto di teoria (6 domande) [18pt (3 punti a domanda)] (durata 60 min, superata se si ottiene almeno 1 pt a domanda) – Valuta Conoscenza e Comprensione - Prova di laboratorio [9pt] (durata 90 minuti, superata se si ottengono almeno 6pt) - Valuta la Capacità di Applicare Conoscenza e Comprensione Relazioni Laboratori [6pt] – Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team
Esporta Word


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