L’insegnamento fornisce le basi teoriche e metodologiche per lo sviluppo di sistemi avanzati di analisi, modellazione e interpretazione dei dati biomedici, con particolare riferimento alle applicazioni dell’intelligenza artificiale in ambito medico-sanitario. Tali sistemi trovano impiego in numerosi settori della bioingegneria, tra cui i sistemi di supporto alla diagnosi, l’analisi dei dati di studi clinici e la definizione di indicatori clinici a supporto delle decisioni. Il corso approfondisce in particolare le conoscenze relative alla struttura e alle caratteristiche dei sistemi di apprendimento automatico, con attenzione ai principali metodi di classificazione e clustering e alle fasi di progettazione, addestramento e validazione dei modelli. Vengono inoltre discussi gli aspetti legati all’affidabilità dei risultati e all’interpretabilità dei modelli nel contesto clinico. Le attività di laboratorio consentono allo studente di acquisire competenze pratiche per la costruzione, l’ottimizzazione e la validazione di modelli di machine learning, applicati a problemi realistici di interesse medico. Esse prevedono il lavoro in gruppo, al fine di sviluppare capacità di collaborazione e di gestione condivisa delle diverse fasi di progettazione e validazione dei sistemi di intelligenza artificiale. Al termine dell’insegnamento, lo studente sarà in grado di analizzare un problema biomedico, selezionare il metodo di intelligenza artificiale più appropriato e sviluppare una soluzione efficace per la risoluzione di problemi di media complessità.

1. Conoscenza e capacità di comprensione Lo studente acquisirà conoscenze relative ai principi dell’intelligenza artificiale applicata alla medicina, con particolare riferimento ai sistemi di machine learning per l’analisi dei dati biomedici e alle fasi di sviluppo di un sistema di supporto alle decisioni (concettualizzazione del problema, costruzione del modello, validazione). 2. Capacità di applicare conoscenza e comprensione Lo studente sarà in grado di progettare, implementare e validare sistemi basati su machine learning per la risoluzione di problemi di interesse medico-clinico, operando sia individualmente sia all’interno di gruppi di lavoro, e selezionando il metodo più appropriato in funzione delle caratteristiche dei dati e del contesto applicativo. 3. Autonomia di giudizio Lo studente acquisirà la capacità di analizzare criticamente i risultati ottenuti, valutandone affidabilità, robustezza e limiti, e di contribuire in modo consapevole alle decisioni progettuali all’interno di un gruppo di lavoro. 4. Abilità comunicative Lo studente sarà in grado di comunicare in modo chiaro ed efficace le soluzioni progettate e i risultati ottenuti, utilizzando una terminologia tecnica appropriata e adattando il livello di dettaglio al contesto, sia in ambito accademico sia in contesti multidisciplinari medico-ingegneristici. 5. Capacità di apprendimento Al termine dell’insegnamento, lo studente sarà in grado di affrontare in autonomia nuovi problemi di media complessità e di apprendere e applicare ulteriori metodi di intelligenza artificiale in ambito biomedico, anche attraverso il confronto e la collaborazione all’interno di gruppi di lavoro.

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

01. Introduzione: definizione di AI, AI in medicina, sanità digitale, evoluzione degli approcci e dei metodi dell’AI, introduzione al machine learning 02. Sviluppo di un sistema basato su machine learning: Problem conceptualization, Construction process, Validation process 03. Statistica descrittiva, Test di ipotesi 04. Ottimizzazione (Local search, Simulated annealing, GA) 05. Classificazione (NN, kNN, Naive Bayes Classifier, Regressione lineare, Regressione logistica) 06. Clustering (k-means, hierarchical clustering - dendrograms, SOM) 07. Fattori che influenzano l'affidabilità dei risultati, explainability, normativa (regolamento dispositivi medici, ...) 08. Applicazioni 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 rientra nell’a.a. 2025/26 nella sperimentazione didattica per l’attivazione di un Nuovo Modello Formativo; gli studenti riceveranno informazioni dettagliate nella prima lezione dell’insegnamento.

L’insegnamento è suddiviso in • 37.5 ore di lezione • 6 ore di esercitazione in aula • 27 ore di esercitazioni di laboratorio • 24 ore di tutoraggio

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 finale è ottenuto come somma di: - Prova scritta [18 pt] (svolta tramite piattaforma esami) - Valuta le conoscenze acquisite 18 domande a risposta multipla (1 punto per ogni domanda corretta, -0.3 pt per ogni domanda errata) - Durata: 20 minuti - Relazioni sul lavoro svolto durante i laboratori [15 pt] – Valuta le Abilità comunicative e la Capacità di lavorare in team Relazioni dei LAB1, LAB2, LAB3, LAB4, LAB5 caricate tramite piattaforma Moodle (11 punti totali) + Peer review e valutazione delle docenti della presentazione commentata del LAB6 (4 punti totali) 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.