Cel kształcenia i wykaz literatury

Główny cel kształcenia: Zadaniem przedmiotu jest zaznajomienie studentów z możliwościami wykorzystania narzędzi i metod uczenia maszynowego w analizie i diagnostyce danych medycznych.

Ogólne informacje o zajęciach: Przekazanie studentom podstawowej wiedzy z obszaru informatyki medycznej, głównie w zakresie analizy danych medycznych oraz metod ich pozyskiwania, kodowania, standaryzacji, przechowywania, udostępniania, analizy (klasyfikacji, wspomaganie decyzji, zliczania) i prezentacji. Zapoznanie studentów z przykładowymi systemami i narzędziami programistycznymi (zwłaszcza narzędzia i metody uczenia maszynowego) stosowanymi w informatyce ukierunkowanej na analizę i przetwarzanie danych medycznych i obrazów medycznych. Rozwijanie u studentów umiejętności projektowania i implementacji oprogramowania tworzonego na potrzeby zastosowań związanych analizą i przetwarzaniem danych medycznych z wykorzystaniem uczenia maszynowego. Kształtowanie u studentów umiejętności samodzielnego wyszukiwania i pozyskiwania informacji związanych z projektowaniem rozwiązań informatycznych dla medycyny, oraz umiejętności przygotowywania dokumentacji projektowej.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Lee Peter, Goldberg Carey, Isaac Kohane	Rewolucja sztucznej inteligencji w medycynie	Helion.	2024
2	Gobert Lee, Hiroshi Fujita	Deep Learning in Medical Image Analysis: Challenges and Applications	Springer.	2020
3	Sanjay Saxena, Sudip Paul	Deep Learning Applications in Medical Imaging	IGI Global.	2020
4	Géron A.	Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow	Helion.	2020

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1	Hadelin de Ponteves	Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem	Helion.	2021
2	Fenner M.	Uczenie maszynowe w Pythonie dla każdego	Helion.	2020

Literatura do samodzielnego studiowania

1	Chollet F.	Deep Learning. Praca z językiem Python i biblioteką Keras	Helion.	2019
2	Cytowski J., Gielecki J., Gola A.	Cyfrowe przetwarzanie obrazów medycznych. Algorytmy. Technologie. Zastosowania	AOW Exit.	2008
3	Raschka S.	Python: uczenie maszynowe	Helion.	2020

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Programowanie w Python, inżynieria oprogramowania, bazy danych.

Wymagania wstępne w kategorii Wiedzy: Wiedza dotycząca budowy systemów operacyjnych, rodzajów baz danych, wiedza w zakresie programowania obiektowego.

Wymagania wstępne w kategorii Umiejętności: Umiejętność programowania obiektowego, umiejętność programowania w Python, znajomość technologii sieci web i baz danych, umiejętność przetwarzaniem sygnałów i obrazów.

Wymagania wstępne w kategorii Kompetencji społecznych: Student powinien umieć pracować indywidualnie jaki i w zespole.

Efekty kształcenia dla zajęć

MEK	Student, który zaliczył zajęcia	Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia	Metody weryfikacji każdego z wymienionych efektów kształcenia	Związki z KEK	Związki z PRK
01	umiejętność pozyskiwania informacji medycznych z baz danych i internetu	wykład, laboratorium, projekt zespołowy	zaliczenie cz. pisemna, zaliczenie cz. praktyczna	K_W04+ K_U02+ K_K07+	P6S_KO P6S_UW P6S_WG
02	umiejętność przetwarzania danych statystycznych, obrazów i sygnałów	wykład, laboratorium, projekt zespołowy	zaliczenie cz. praktyczna, prezentacja dokonań (portfolio), raport pisemny.	K_W04+ K_U01+ K_U04+ K_K06+	P6S_KR P6S_UK P6S_UW P6S_WG
03	umiejętność analizy i wnioskowania informacji z danych medycznych oraz urządzeń medycznych	wykład, laboratorium, projekt zespołowy	zaliczenie cz. praktyczna, raport pisemny	K_W04+ K_U02+ K_K07+	P6S_KO P6S_UW P6S_WG

Uwaga: W zależności od sytuacji epidemicznej, jeżeli nie będzie możliwości weryfikacji osiągniętych efektów uczenia się określonych w programie studiów w sposób stacjonarny w szczególności zaliczenia i egzaminy kończące określone zajęcia będą mogły się odbywać przy użyciu środków komunikacji elektronicznej (w sposób zdalny).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
7	TK01	Wprowadzenie do Informatyki Medycznej Specyfika medycznych systemów informacyjnych, zwłaszcza w zakresie systemów obrazowania medycznego i diagnostyki. Przedstawienie typów danych medycznych, ich źródeł, i specyfiki, w tym aspektów etycznych z nimi związanych. Omówienie zintegrowanych systemów informatycznych wykorzystywanych, ważniejsze standardy medyczne wykorzystywane do kodowanie i przesyłania danych medycznych.	W1	MEK01
7	TK02	Prezentacja wybranych urządzeń diagnostyki medycznej, z podziałem na diagnostykę laboratoryjną, sygnałową, oraz obrazową.	W2, L1	MEK01
7	TK03	Omówienie wybranych aspektów analizy danych diagnostycznych oraz prezentacja powiązanych standardów i rozwiązań informatycznych, w tym obrazowych medycznych baz danych PACS (Picture Archiving and Communication Systems), systemów RIS ( Radiology Information Systems).	W3, L1	MEK01
7	TK04	Akwizycja danych medycznych: dane pomiarowe, dane obrazowe, formaty danych. Dane obrazowe w medycynie: typy, specyfika, metody pozyskiwania, przetwarzanie. Cyfrowe przetwarzanie obrazów medycznych, filtrowanie, operacje morfologiczne, segmentacja.	W4, L2	MEK03
7	TK05	Przegląd zastosowań algorytmów uczenia maszynowego we współczesnej medycynie.	W5, L3	MEK02
7	TK06	Zastosowania wybranych algorytmów ML do analizy i klasyfikacji danych medycznych. Klasyfikacja dwuklasowa – studium przypadku. Klasyfikacja wieloklasowa – studium przypadku. Klasyfikatory dla danych numerycznych i nienumerycznych (nominalnych).	W6, L3	MEK02
7	TK07	Klasyfikatory regułowe w zastosowaniach medycznych. Przykłady - klasyfikacja cukrzycy u dzieci, klasyfikacja chorób serca.	W7, L4	MEK02 MEK03
7	TK08	Płytkie sieci neuronowe jako klasyfikatory w zastosowaniach medycznych.	W8, L4	MEK02 MEK03
7	TK09	Sieci rekurencyjne, modele LSTM w zastosowaniach medycznych. Zasady budowy i uczenia klasyfikatorów szeregów czasowych występujących w medycynie (EKG, EEG). Problemy predykcji szeregów czasowych w medycynie.	W9, L5	MEK03
7	TK10	Głębokie sieci neuronowe do analizy i przetwarzania obrazów medycznych. Zastosowanie głębokich sieci konwolucyjnych (CNN) do wykrywania, rozpoznawania, lokalizacji i zliczania komórek krwi na obrazach mikroskopwych.	W10, L6	MEK02 MEK03
7	TK11	Problem wykorzystania gotowych modeli w uczeniu transferowym w zastosowaniach medycznych. Modyfikacja i adaptacja modeli wstępnie nauczonych do klasyfikacji chorób płuc na podstawie obrazów radiologicznych.	W11, L7	MEK02
7	TK12	Wykorzystanie sieci splotowych w budowaniu autoencoderów w celu przetwarzania obrazów medycznych (odszumianie, rekonstrukcja, poprawa rozdzielczości). Wykorzystanie sieci splotowych do segmentacji semantycznej.	W12, W13	MEK02 MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 7)	Przygotowanie do kolokwium: 3.00 godz./sem.	Godziny kontaktowe: 25.00 godz./sem.	Uzupełnienie/studiowanie notatek: 10.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem.
Laboratorium (sem. 7)	Przygotowanie do laboratorium: 7.00 godz./sem. Przygotowanie do kolokwium: 2.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 15.00 godz./sem.
Projekt/Seminarium (sem. 7)	Przygotowanie do zajęć projektowych/seminaryjnych: 5.00 godz./sem.	Godziny kontaktowe: 15.00 godz./sem..	Wykonanie projektu/dokumentacji/raportu: 15.00 godz./sem. Przygotowanie do prezentacji: 3.00 godz./sem.
Konsultacje (sem. 7)	Przygotowanie do konsultacji: 2.00 godz./sem.	Udział w konsultacjach: 2.00 godz./sem.
Zaliczenie (sem. 7)	Przygotowanie do zaliczenia: 5.00 godz./sem.	Zaliczenie pisemne: 2.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Test pisemny, zalicza min 50% punktów.
Laboratorium	Oceny ze sprawozdań.
Projekt/Seminarium	Ocena z zadania projektowego (waga 0.7), ocena z dokumentacji (waga 0.2), ocena z prezentacji projektu (waga 0.1) .
Ocena końcowa	Średnia ważona ocen testu z wykładu (waga 0.30), ocena z laboratorium (waga 0.35) oraz ocena z projektu (waga 0.35).

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
(-)

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)

Inne
(-)

Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie

Treści zajęć powiazane są z prowadzonymi badaniami naukowymi: nie