Scuola di Medicina e Chirurgia

Università Magna Graecia di Catanzaro

Applicazioni del Machine Learning in Medicina

Ingegneria Informatica e Biomedica

L’obiettivo del corso sarà quello di fornire le conoscenze sull’applicazione delle tecniche di Machine Learning in ambito biomedico. Saranno presentati i principali modelli utilizzati nella ricerca clinica e biomedica
nel campo della diagnosi, della predizione e della stratificazione clinica dei pazienti. A partire dai fondamenti delle varie metodologie, saranno considerati gli scenari di ricerca biomedica e di pratica clinica in cui queste tecniche avanzate trovano applicazione, enfatizzando l’importanza dell’approccio multidisciplinare nel settore biomedico.

Modulo Docente CFU
Rita Nisticò 2
Fabiana Novellino 2
Alessia Sarica 2
Collegamenti Veloci:
Docente:
Non presente

Insegnamento SSD:
MED/50 - MED/50 - MED/50

CFU:
6
Obiettivi del Corso e Risultati di apprendimento attesi

- Raccolta dei dati e costruzione di un dataset in forma tabellare
- Analisi e valutazione delle differenti features utilizzabili
- Applicazione di Python per analisi di machine learning
- Utilizzazione dei modelli di machine learning più diffusi sulla base dei diversi quesiti clinici (predizione, classificazione, stratificazione)
- Applicazione autonoma delle metodologie di analisi dei dati basate sul machine learning.

Programma

- Principali ambiti clinici di applicazione con particolare riferimento alle patologie degenerative del sistema nervoso
- Tipologie di dati che è possibile acquisire (variabili cliniche, neurofisiologiche e bioimmagini)
- Individuazione del quesito clinico e dei parametri di interesse

- Preprocessamento dei dati
- Exploratory Data Analysis (EDA): analisi statistica descrittiva dei dati
- Tecniche di unsupervised learning: clustering per la stratificazione di pazienti e metriche di valutazione del clustering
- Tecniche di supervised learning: modelli predittivi basati su alberi di decisione (bagging e/o boosting) per la diagnosi automatica dei pazienti
- Feature importance e selection: gestione della multicollinearità tra feature
- Interpretable Machine Learning: modelli agnostici (SHAP, LIME) e glass-box
- Presentazione di scenari di applicazione concreta

Stima dell’impegno orario richiesto per lo studio individuale del programma

Lezione: 48 ore
Impegno individuale: 102 ore

Risorse per l'apprendimento

Libri di testo:
 Practical Statistics for Data Scientists: 50+ Essential Concepts Using
R and Python. Bruce, Peter, Bruce, Andrew, Gedeck, Peter, O'Reilly
UK Ltd.
 Molnar, Christoph. Interpretable machine learning. A Guide for
Making Black Box Models Interpretable. Lulu. com, 2020.
 Explainable AI with Python. Gianfagna, Leonida, Di Cecco, Antonio
Ulteriori letture consigliate per approfondimento
Altro materiale didattico
 diapositive e dispense
 Jupyter notebook python

Attività di supporto

Modalità di frequenza

In presenza

Modalità di accertamento

Le modalità generali sono indicate nel regolamento didattico di Ateneo all’art.22 consultabile al link
http://www.unicz.it/pdf/regolamento_didattico_ateneo_dr681.pdf
Durante il corso sarà svolto un esame in itinere in forma scritta. Il risultato dell’esame sarà tenuto in considerazione per la valutazione finale
L’esame finale sarà svolto in forma orale (alla fine del corso sarà assegnato un project work in cui sarà richiesta l’applicazione pratica delle nozioni
acquisite durante il corso e che costituirà la base della discussione della prova d’esame)
I criteri sulla base dei quali sarà giudicato lo studente sono:

 
 
 

 

Conoscenza e comprensione argomento

Capacità di analisi e sintesi

Utilizzo di referenze

Non idoneo

Importanti carenze.

Significative inaccuratezze.

Irrilevanti. Frequenti generalizzazioni. Incapacità di sintesi.

Completamente inappropriato.

18-20

A livello soglia. Imperfezioni  evidenti.

Capacità appena sufficienti.

Appena appropriato.

21-23

Conoscenza routinaria.

E’ in grado di analisi e sintesi corrette. Argomenta in modo logico e coerente

Utilizza le referenze standard.

24-26

Conoscenza buona.

Ha buone capacità di analisi e sintesi.

Argomenti espressi coerentemente.

Utilizza le referenze standard.

27-29

Conoscenza più che buona.

Ha notevoli capacità di analisi e sintesi.

Ha approfondito gli argomenti.

30-30L

Conoscenza ottima.

Ha notevoli capacità di analisi e sintesi.

Importanti approfondimenti.