Este curso ofrece conocimientos importantes sobre los principios de la inteligencia artificial (IA) y el aprendizaje automático (AA) aplicados al ámbito de la ingeniería de la salud. Se explorarán técnicas clave como la clasificación, la regresión y el agrupamiento, con un enfoque en la resolución de problemas biomédicos, como la interpretación de imágenes médicas, la predicción de resultados clínicos y el análisis de señales fisiológicas. Los estudiantes desarrollarán habilidades prácticas en la implementación de modelos mediante entornos de programación, integrando el conocimiento técnico con las necesidades específicas del sector sanitario. Además, se analizarán los desafíos éticos y regulatorios asociados al uso de IA en entornos de salud, fomentando una comprensión crítica de la fiabilidad y la interpretabilidad de los modelos. Al finalizar, los participantes estarán preparados para aplicar estas herramientas en el desarrollo de soluciones innovadoras que contribuyan a mejorar la prevención, el diagnóstico y el tratamiento de enfermedades, así como a optimizar la gestión de los servicios sanitarios.
Profesores Titulares
Se recomiendan conocimientos de algebra lineal, matemáticas, estadística, programación, procesamiento de señales e imágenes médicas.
Los alumnos adquieren los conocimientos y desarrollan las habilidades que se indican a continuación:
1. Comprender los fundamentos de la IA y el aprendizaje automático aplicados al análisis de datos biomédicos y la mejora de procesos clínicos.
2. Desarrollar y evaluar modelos de IA para resolver problemas específicos del ámbito sanitario.
3. Aplicar herramientas de programación para la implementación de algoritmos de IA, utilizando entornos y librerías como Python, TensorFlow, Keras o Scikit-Learn.
4. Identificar y abordar desafíos éticos y regulatorios relacionados con el uso de IA en entornos sanitarios, garantizando la privacidad y la seguridad de los datos.
5. Fomentar el trabajo interdisciplinario entre profesionales de la ingeniería y el sector salud, promoviendo soluciones innovadoras y basadas en evidencia
1. Introducción a la Inteligencia Artificial (IA)
- Definición y aplicaciones de la IA, historia, evolución y tipos. Diferencias entre IA, Machine Learning (ML) y Deep Learning.
2. Fundamentos de Machine Learning
- Definición de ML y sus tipos (aprendizaje supervisado, no supervisado y por refuerzo). Conceptos básicos: modelos, características (features), overfitting y underfitting. Evaluación de modelos y métricas. Librerías y herramientas en Python.
3. Aprendizaje Supervisado
- Regresión lineal y logística. Máquinas de vectores soporte (SVM). Árboles de decisión y bosques aleatorios. Redes neuronales artificiales (perceptrones multicapa). Aplicaciones prácticas.
4. Aprendizaje No Supervisado
- Clustering (K-means, DBSCAN, jerárquico). Reducción de la dimensionalidad (PCA: Análisis de Componentes Principales, t-SNE: t-Distributed Stochastic Neighbor Embedding). Aplicaciones prácticas.
5. Deep Learning
- Introducción a las redes neuronales profundas. Arquitecturas: Redes Neuronales Convolucionales, Redes Neuronales Recurrentes, Transformers. Aplicaciones en visión por ordenador y procesamiento del lenguaje natural. Implementación con TensorFlow/PyTorch. Modelos generativos. Redes generativas adversas (GANs) y Autoencoders Variacionales (VAEs).
6. Ética, sesgos y futuro de la IA.
El curso combina enfoques teóricos y prácticos para garantizar un aprendizaje integral, con énfasis en la aplicación de la inteligencia artificial en entornos de salud, estructurado en clases teóricas, sesiones prácticas, análisis y discusión de casos de aplicaciones reales de IA en la ingeniería de la salud) y el desarrollo de un proyecto donde los estudiantes aplican los conocimientos adquiridos para resolver un problema específico del ámbito sanitario.
Los elementos de evaluación de la asignatura son: Evaluación continua (10 %), Exámenes parcial (punto de control) y final (40 %) y Prácticas (50 %).
Se valorará:
- La comprensión de los fundamentos de la Inteligencia Artificial, su evolución, tipologías y diferencias entre IA, Machine Learning y Deep Learning, así como su aplicación en el ámbito de la ingeniería de la salud.
- El dominio de los principios del Machine Learning, incluyendo tipos de aprendizaje, conceptos de modelos, características, sobreajuste e infraajuste, y el uso correcto de métricas de evaluación.
- La capacidad para aplicar técnicas de aprendizaje supervisado, como regresión, SVM, árboles de decisión y redes neuronales, a la resolución de problemas biomédicos reales.
- La habilidad para utilizar técnicas de aprendizaje no supervisado, incluyendo clustering y reducción de dimensionalidad (PCA, t-SNE), interpretando adecuadamente los patrones extraídos de los datos.
- La comprensión y aplicación de modelos de Deep Learning, incluyendo arquitecturas convolucionales, recurrentes y transformers, así como modelos generativos, en contextos como visión médica y análisis de señales.
- La destreza en la implementación práctica de modelos mediante herramientas y librerías en Python (como TensorFlow o PyTorch), así como en la correcta interpretación de los resultados obtenidos.
- La capacidad para organizar, gestionar, analizar y presentar información y conocimiento de forma estructurada, clara y adaptada al contexto científico y sanitario.
- La reflexión crítica sobre los aspectos éticos, sesgos, fiabilidad, interpretabilidad y marco regulatorio del uso de la IA en entornos de salud, valorando su impacto presente y futuro.
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/