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 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 LAB1, LAB2, LAB3, LAB4, LAB5 (8 punti totali) - Relazioni caricate tramite piattaforma Moodle 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.