Aquest curs ofereix coneixements importants sobre els principis de la intel·ligència artificial (IA) i l'aprenentatge automàtic (AA) aplicats a l'àmbit de l'enginyeria de salut. S'exploraran tècniques clau com ara la classificació, la regressió i l'agrupament, amb un enfocament en la resolució de problemes biomèdics, com ara la interpretació d'imatges mèdiques, la predicció de resultats clínics i l'anàlisi de senyals fisiològics. Els estudiants desenvoluparan habilitats pràctiques en la implementació de models mitjançant entorns de programació, integrant el coneixement tècnic amb les necessitats específiques del sector sanitari. A més, s'analitzaran els desafiaments ètics i reguladors associats a l'ús d'IA en entorns de salut, tot fomentant una comprensió crítica de la fiabilitat i la interpretabilitat dels models. En acabar, els participants estaran preparats per aplicar aquestes eines al desenvolupament de solucions innovadores que contribueixin a millorar la prevenció, el diagnòstic i el tractament de malalties, així com a optimitzar la gestió dels serveis sanitaris.
Professors Titulars
Es recomanen coneixements d'àlgebra lineal, matemàtiques, estadística, programació, processament de senyals i imatges mèdiques.
Els alumnes adquireixen els coneixements i desenvolupen les habilitats que s'indiquen a continuació:
1. Comprendre els fonaments de la IA i l'aprenentatge automàtic aplicats a l'anàlisi de dades biomèdiques i la millora de processos clínics.
2. Desenvolupar i avaluar models dIA per resoldre problemes específics de làmbit sanitari.
3. Aplicar eines de programació per a la implementació d'algorismes d'IA, utilitzant entorns i llibreries com ara Python, TensorFlow, Keras o Scikit-Learn.
4. Identificar i abordar desafiaments ètics i reguladors relacionats amb l'ús d'IA en entorns sanitaris, garantint la privadesa i la seguretat de les dades.
5. Fomentar el treball interdisciplinari entre professionals de lenginyeria i el sector salut, promovent solucions innovadores i basades en evidència.
1. Introducció a la Intel·ligència Artificial (IA)
- Definició i aplicacions de la IA, història, evolució i tipus. Diferències entre IA, Machine Learning (ML) i Deep Learning.
2. Fonaments de Machine Learning
- Definició de ML i els seus tipus (aprenentatge supervisat, no supervisat i per reforç). Conceptes bàsics: models, característiques (features), overfitting i underfitting. Avaluació de models i mètriques. Llibreries i eines en Python.
3. Aprenentatge Supervisat
- Regressió lineal i logística. Support Vector Machines (SVM). Arbres de decisió i boscos aleatoris. Xarxes neuronals artificials (perceptrons multicapa). Aplicacions pràctiques.
4. Aprenentatge No Supervisat
- Clustering (K-means, DBSCAN, jeràrquic). Reducció de la dimensionalitat (PCA: Anàlisi de Components Principals, t-SNE). Aplicacions pràctiques.
5. Deep Learning
- Introducció a les xarxes neuronals profundes. Arquitectures: Xarxes Neuronals Convolucionals, Xarxes Neuronals Recurrents, Transformers. Aplicacions en visió per computador i processament del llenguatge natural. Implementació amb TensorFlow/PyTorch. Models generatius. Xarxes generatives adversàries (GANs) i Autoencoders Variacionals (VAEs).
6. Ètica, biaixos i futur de la IA.
El curs combina enfocaments teòrics i pràctics per garantir un aprenentatge integral, amb èmfasi en l'aplicació de la intel·ligència artificial en entorns de salut, estructurat en classes teòriques, sessions pràctiques, anàlisi i discussió de casos d'aplicacions reals d'IA a l'enginyeria de la salut) i el desenvolupament d'un projecte on els estudiants apliquen els coneixements adquirits per resoldre un problema.
Els elements d'avaluació de l'assignatura són: Avaluació continuada (10%), Examen parcial o punt de control (20%), Examen final (20%) i Pràctiques (50%).
Es valorarà:
- La comprensió dels fonaments de la Intel·ligència Artificial, la seva evolució, tipologies i les diferències entre IA, Machine Learning i Deep Learning, així com la seva aplicació en l’àmbit de l’enginyeria de la salut.
- El domini dels principis del Machine Learning, incloent els tipus d’aprenentatge, els conceptes de model, característiques, sobreajust i infraajust, i l’ús correcte de les mètriques d’avaluació.
- La capacitat per aplicar tècniques d’aprenentatge supervisat, com la regressió, les SVM, els arbres de decisió i les xarxes neuronals, a la resolució de problemes biomèdics reals.
- La capacitat per utilitzar tècniques d’aprenentatge no supervisat, incloent el clustering i la reducció de dimensionalitat (PCA, t-SNE), interpretant adequadament els patrons obtinguts a partir de les dades.
- La comprensió i aplicació de models de Deep Learning, incloent arquitectures convolucionals, recurrents i transformers, així com models generatius, en contextos com la imatge mèdica i l’anàlisi de senyals.
- La destresa en la implementació pràctica de models mitjançant eines i llibreries en Python (com TensorFlow o PyTorch), així com en la correcta interpretació dels resultats obtinguts.
- La capacitat per organitzar, gestionar, analitzar i presentar informació i coneixement de manera estructurada, clara i adaptada al context científic i sanitari.
- La reflexió crítica sobre els aspectes ètics, els biaixos, la fiabilitat, la interpretabilitat i el marc regulador de l’ús de la IA en entorns de salut, valorant-ne l’impacte present i futur.
Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1, No. 2). Cambridge: MIT press.
Python 3 Documentation. Retrieved from https://docs.python.org/3/ Pandas Documentation. Retrieved from https://pandas.pydata.org/pandas-docs/stable/ Matplotlib Documentation. Retrieved from https://matplotlib.org/contents.html Seaborn Documentation. Retrieved from https://seaborn.pydata.org/api.html Scikit Learn Documentation. Retrieved from https://scikit-learn.org/stable/documentation.html Keras Documentation. Retrieved from https://keras.io/ Pytorch Documentation. Retrieved from https://pytorch.org/