Wprowadzenie do informatyki z Pythonem

Celem kursu jest zapoznanie studentów z podstawami Pythona w kontekście analizy danych medycznych, uczenia maszynowego (ML) i głębokiego (DL), a także ich zastosowań w systemach wspomagania decyzji klinicznych i medycynie personalizowanej. Kurs obejmuje zakres tematyczny od podstaw programowania w Pythonie, przez przetwarzanie danych medycznych, aż do zaawansowanych modeli predykcyjnych. Grupa docelowa to studenci informatyki, bioinformatyki, inżynierii biomedycznej oraz lekarze i badacze zainteresowani sztuczną inteligencją w medycynie. Metodyka kursu łączy wykłady teoretyczne z warsztatami praktycznymi, wykorzystując narzędzia takie jak Jupyter Notebook i Google Colab.

Program Wykładu: Wprowadzenie do informatyki z Pythonem – Implementacja metod ML/DL w systemach wspomagania decyzji medycznych

1. Podstawy Pythona w analizie danych medycznych

– Środowisko programistyczne i podstawy Pythona

– Narzędzia: Jupyter Notebook, Google Colab, VS Code.

– Składnia Pythona: zmienne, operatory, pętle, funkcje.

– Przykład: Wczytywanie plików CSV z danymi pacjentów.

– Biblioteki do przetwarzania danych

– NumPy: Operacje na macierzach (np. dane z EEG/ECG).

– Pandas: Czyszczenie i eksploracja danych (braki danych, normalizacja).

– Matplotlib/Seaborn: Wizualizacja sygnałów medycznych.

– Przykład: Analiza prostego zestawu danych EKG (wykrywanie artefaktów).

– Wstęp do przetwarzania sygnałów biomedycznych

– Filtracja sygnałów (FFT, filtr Butterwortha).

– Ekstrakcja cech (np. częstotliwość, amplituda w EEG).

– Case study: Detekcja anomalii w sygnale EEG przy użyciu FFT.

2. Uczenie Maszynowe (ML) w diagnostyce

– Wprowadzenie do ML w medycynie

– Rodzaje problemów: klasyfikacja (diagnoza), regresja (prognoza), klasteryzacja (segmentacja pacjentów).

– Biblioteki: `scikit-learn`, `imbalanced-learn` (dane niezbalansowane).

– Klasyfikacja danych medycznych

– Algorytmy:

– Drzewa decyzyjne (interpretowalność w diagnozie).

– SVM (wykrywanie nowotworów na podstawie biomarkerów).

– Lasy losowe (wybór cech istotnych klinicznie).

– Case study: Klasyfikacja pacjentów z cukrzycą na podstawie danych laboratoryjnych.

–  Ocena modeli i wyzwania

– Metryki: czułość, specyficzność, AUC-ROC.

– Walidacja krzyżowa i problem overfittingu.

– Etyka: Błędy diagnostyczne a odpowiedzialność algorytmu.

3. Uczenie Głębokie (DL) w systemach medycznych

– Podstawy sieci neuronowych

– Architektury: MLP, CNN, RNN/LSTM.

– Biblioteki: TensorFlow/Keras, PyTorch.

– Przykład: Sieć MLP do prognozowania ryzyka zawału.

–  CNN w analizie obrazów medycznych

– Przetwarzanie obrazów MRI/CT (augmentacja danych).

– Transfer learning (np. wykorzystanie modelu ResNet w radiologii).

– Case study: Detekcja guzów mózgu na podstawie MRI.

Przetwarzanie sygnałów czasowych

– RNN/LSTM w analizie EEG i EKG.

– Case study: Wykrywanie padaczki z danych EEG przy użyciu LSTM.

– Transformers w przetwarzaniu tekstów medycznych (np. notatki lekarskie).

4. Systemy wspomagania decyzji i personalizacja terapii (800 słów)

– Integracja modeli ML/DL w praktyce klinicznej

– Systemy rekomendacyjne (np. dobór leków w farmakogenomice).

– Interpretowalność modeli (SHAP, LIME) – dlaczego model podjął decyzję?

– Przykład: Personalizacja dawkowania leków na podstawie genotypu.

– Wyzwania i etyka

– Ochrona danych (anonimizacja, RODO).

– Bias w danych (np. niedoreprezentowanie grup etnicznych).

– Granice odpowiedzialności AI w medycynie.