Caricamento in corso...
Machine Learning in Healthcare: From Theory to Practice
02HXDIU
A.A. 2026/27
Course Language
Inglese
Degree programme(s)
Doctorate Research in Ingegneria Informatica E Dei Sistemi - Torino
Course structure
| Teaching | Hours |
|---|---|
| Lezioni | 20 |
Lecturers
| Teacher | Status | SSD | h.Les | h.Ex | h.Lab | h.Tut | h.Sem | Years teaching |
|---|---|---|---|---|---|---|---|---|
| Amprimo Gianluca | Contrattista di Ricerca | IINF-05/A | 10 | 0 | 0 | 0 | 0 | 1 |
Co-lectures
Context
| SSD | CFU | Activities | Area context | *** N/A *** | 4 |
|---|
Questo corso è progettato per studenti appassionati di tecnologie innovative e interessati ad applicare i principi dell’elaborazione dei dati al mondo della salute e della medicina. Il corso offre una panoramica completa dei metodi pratici di elaborazione dei dati e delle loro applicazioni in ambito medico. Gli studenti acquisiranno un insieme completo di conoscenze e strumenti che consentiranno loro di elaborare dati medici, estrarre informazioni significative, selezionare caratteristiche rilevanti, classificare categorie e prevedere risultati.
Il corso segue il flusso dei dati dai controlli di qualità fino alle principali fasi di preprocessing. Verranno introdotti modelli di machine learning, dai più semplici ai più complessi, confrontando le diverse architetture e fornendo giustificazioni per la selezione del modello. Inoltre, verranno fornite raccomandazioni su come addestrare e ottimizzare i modelli di machine learning e su come valutarne e confrontarne le prestazioni.
Sono inclusi casi studio ed esempi pratici reali, che comprendono l’analisi di dati strutturati/tabellari (ad esempio, cartelle cliniche elettroniche) e serie temporali mono- e multidimensionali (ad esempio, segnali fisici e fisiologici). Inoltre, verranno evidenziati gli errori più comuni nell’elaborazione dei dati, così come strategie scorrette di addestramento e valutazione dei modelli.
Infine, agli studenti verrà richiesto di applicare le conoscenze acquisite per sviluppare un proprio sistema di classificazione utilizzando dati clinici a loro scelta.
This course is designed for students who are passionate about innovative technologies and interested in applying data processing principles to health care problems. The course provides a comprehensive overview of practical data processing methods and applications in medicine. Students will acquire a comprehensive set of information and tools that enable them to process medical data, extract meaningful information, select important features, classify categories, and predict outcomes.
The course follows the flow of data from quality checks to major preprocessing steps. Machine learning models will be introduced, from simple to complex, comparing architectures and providing justifications for model selection. In addition, recommendations will be provided on how to train and optimize machine learning models and how to evaluate and compare their performance.
Case studies and real-world practical examples are included, comprising analysis of structured/tabular data (i.e., electronic medical records) and one-dimensional/multidimensional time series (i.e., physical and physiological signals). In addition, common errors in data processing will be highlighted, as well as incorrect model training and evaluation strategies.
Finally, students will be asked to apply the acquired knowledge to develop their own classification system using health-related data of their choice.
Conoscenze di base di statistica, algebra lineare e analisi di segnale
Basic knowledge of statistics, linear algebra and signal processing
• Introduzione
-Importanza dell’analisi dei dati medici nel progresso dell’assistenza sanitaria
-Comprensione dei diversi tipi di dati medici: segnali fisici/fisiologici e cartelle cliniche elettroniche
-Applicazioni del machine learning nel monitoraggio della salute e nel supporto decisionale
- Requisiti per un’analisi efficace dei dati medici: accessibilità economica, interpretabilità ed etica
- Familiarizzazione con dataset medici open-access per la ricerca e lo sviluppo
• Preprocessing dei dati
- Rilevamento degli outlier e gestione del loro impatto sull’analisi
- Filtraggio per la riduzione del rumore
- Segmentazione dei segnali medici
-Rappresentazione e trasformazione dei dati
-Metodi di estrazione delle caratteristiche (feature extraction) per ottenere informazioni rilevanti
-Tecniche di selezione delle caratteristiche (feature selection) per migliorare le prestazioni del modello
-Metodi di bilanciamento delle classi per gestire lo sbilanciamento dei dati
• Classificazione e regressione
-Valutazione della dimensione e della distribuzione dei dati per la selezione del modello
-Support vector machines (SVM) e k-nearest neighbors (k-NN)
-Reti neurali artificiali in ambito sanitario
-Esplorazione dei metodi di deep learning: reti neurali convoluzionali e ricorrenti
- Generalizzabilità e domain adaptation
• Valutazione delle prestazioni
-Metodi di validazione: modelli generali vs specifici per soggetto
-Metriche di classificazione: valutazione delle prestazioni del modello in ambito sanitario
-Metriche di regressione: valutazione dell’accuratezza predittiva per esiti clinici
• Introduction
- Significance of medical data analysis in advancing healthcare
- Understanding different types of medical data: physical/physiological signals and electronic health records
- Machine learning applications in health monitoring and decision-making
- Requirements for successful medical data analysis: affordability, interpretability, and ethics
- Familiarization with open-access medical datasets for research and development
• Data preprocessing
- Detecting outliers and addressing their impact on analysis
- Filtering for noise reduction
- Segmentation of medical signals
- Data representation and transformation
- Feature extraction methods for relevant information retrieval
- Feature selection techniques for enhanced model performance
- Class balancing methods to address class imbalance
• Classification and Regression
- Assessing data size and distribution for model selection
- Support vector machines and k-nearest neighbors
- Artificial neural networks in healthcare
- Exploring deep learning methods: convolutional and recurrent neural networks
- Generalizability and domain adaptation
• Performance evaluation
- Validation methods: general vs subject-specific models
- Classification metrics: evaluating model performance in healthcare
- Regression metrics: assessing predictive accuracy for medical outcomes
In presenza
On site
Presentazione orale - Presentazione report scritto
Oral presentation - Written report presentation
P.D.2-2 - Maggio
P.D.2-2 - May