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	Gobert Lee, Hiroshi Fujita	Deep Learning in Medical Image Analysis: Challenges and Applications	Springer.	2020
2	Sanjay Saxena, Sudip Paul	Deep Learning Applications in Medical Imaging	IGI Global.	2020
3	Lee Peter, Goldberg Carey, Isaac Kohane	Rewolucja sztucznej inteligencji w medycynie	Helion.	2024
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	Cytowski J., Gielecki J., Gola A.	Cyfrowe przetwarzanie obrazów medycznych. Algorytmy. Technologie. Zastosowania	AOW Exit.	2008
2	Raschka S.	Python: uczenie maszynowe	Helion.	2020
3	Chollet F.	Deep Learning. Praca z językiem Python i biblioteką Keras	Helion.	2019

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_U04+ K_K06+	P6S_KR P6S_UK 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
8	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, ważniejsze standardy medyczne wykorzystywane do kodowania i przesyłania danych nieobrazowych i obrazowych. rezentacji wybranych urządzeń diagnostyki medycznej, z podziałem na diagnostykę laboratoryjną, sygnałową, oraz obrazową.	W1	MEK01
8	TK02	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), oraz standardu DICOM. Akwizycja danych medycznych: dane pomiarowe, dane obrazowe, formaty danych.	W2, L1	MEK01 MEK02
8	TK03	Przegląd zastosowań algorytmów uczenia maszynowego we współczesnej medycynie. Przegląd wybranych metod i algorytmów uczenia maszynowego dostępnych w bibliotekach TensorFlow, Keras, Scikit-Learn, PyTorch, Deep Learning - Matlab..Zastosowania wybranych algorytmów ML do analizy i klasyfikacji danych medycznych. Klasyfikacja dwuklasowa, klasyfikacja wielkoklasowa. Klasyfikatory dla danych numerycznych i nienumerycznych (nominalnych). Klasyfikacja szeregów czasowych (EKG, EEG, NIRS).	W3, L2	MEK02 MEK03
8	TK04	Płytkie sieci neuronowe jako klasyfikatory binarne oraz jako klasyfikatory wieloklasowe. Przykłady klasyfikacji wybranych chorób i zaburzeń. Budowa modeli głębokich sieci neuronowych dedykowanych dla różnych zastosowań w medycynie, oraz uczenie, optymalizacja, regularyzacja, normalizacja, walidacja sieci. Sieci rekurencyjne i modele LSTM. Klasyfikatory szeregów czasowych (EKG, EEG). Przykłady takich klasyfikatorów w zastosowaniach medycznych.	W4, L3	MEK02 MEK03
8	TK05	Głębokie sieci neuronowe do analizy i przetwarzania obrazów medycznych. Sieci konwolucyjne do przetwarzania danych wizualnych. Zastosowanie sieci konwolucyjnych jaka klasyfikatory danych obrazowych, przykłady. Zastosowanie sieci konwolucyjnych do wykrywania, rozpoznawania, lokalizacji i zliczania obiektów na obrazach medycznych, przykłady. Etykietowanie obiektów i klas na obrazach. Zastosowanie modeli konwolucyjnych do rekonstrukcji obrazów.	W5, L4, L5	MEK02 MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 8)	Przygotowanie do kolokwium: 3.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Uzupełnienie/studiowanie notatek: 10.00 godz./sem. Studiowanie zalecanej literatury: 15.00 godz./sem.
Laboratorium (sem. 8)	Przygotowanie do laboratorium: 7.00 godz./sem. Przygotowanie do kolokwium: 2.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 15.00 godz./sem.
Konsultacje (sem. 8)	Przygotowanie do konsultacji: 1.00 godz./sem.	Udział w konsultacjach: 1.00 godz./sem.
Zaliczenie (sem. 8)	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.
Ocena końcowa	Średnia ważona ocen testu z wykładu (waga 0.35), oraz ocena z laboratorium (waga 0.65)

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