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.

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. 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 una serie di 6 laboratori che coprono le varie fasi dello sviluppo e validazione di un sistema di aiuto alla decisione basato su machine learning. 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.

Concetti base di logica e di calcolo matriciale. Conoscenza delle caratteristiche dei principali dispositivi medici per la diagnosi e la terapia.

01. Introduzione: sanità digitale, Evoluzione degli approcci e dei metodi dell’intelligenza artificiale 02. Sviluppo di un sistema basato su machine learning: Problem conceptualization, Construction process, Validation process 03. Ottimizzazione (Local search, Simulated annealing, GA) 04. Classificazione (NN, kNN, Naive Bayes Classifier) 05. Clustering (k-means, hierarchical clustering - dendrograms, SOM) 06. Test di ipotesi, regressione lineare, regressione logistica 07. Fattori che influenzano l'affidabilità dei risultati, explainability, normativa (regolamento dispositivi medici, ...) Laboratorio 1: Statistica descrittiva Laboratorio 2: Features Selection (Genetic Algorithms and kNN) Laboratorio 3: TRS - Random, Dendrogramma, SOM Laboratorio 4: Supervised NN Laboratorio 5: Classificatore Bayesiano Laboratorio 6: Confronto fra i classificatori sviluppati

L’insegnamento è suddiviso in 44 ore di lezioni frontali, 6 ore di esercitazione in aula e 30 ore di esercitazioni di laboratorio

Slide e materiale distribuito dal docente

Slides; Video lezioni dell’anno corrente;

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 è dato dalla somma di: Scritto [17pt] - Valuta le Conoscenze acquisite – 17 domande a risposta multipla (1 punto per ogni domanda corretta, -0.5 pt per ogni domanda errata) svolto tramite la piattaforma ESAMI – durata: 20 minuti Esercitazioni [1 pt] - Valuta la Capacità di Applicare Conoscenza e Comprensione - (svolta tramite piattaforma Moodle) 4 esercitazioni, 0.25pt per ogni esercitazione assegnati a chi consegna tutti gli esercizi Valutazione del lavoro svolto durante i laboratori da parte del gruppo [15pt]– Valuta l’Autonomia di giudizio, le Abilità comunicative e la Capacità di lavorare in un team Relazione 1 (preparazione del dataset) [7 pt] e Relazione 2 (costruzione classificatori) [4 pt] caricate tramite piattaforma Moodle Relazione 3 ( validazione classificatori) [4 pt] filmato mp4 ottenuto dalla relazione commentata usato per peer review [2.5pt] e valutazione delle docenti [1.5pt]

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.