Технологии и методы анализа медико-биологических данных

内容描述: Дисциплина посвящена изучению основных алгоритмов машинного обучения с акцентом на их математическом описании и особенностях применения к данным биомедицинского профиля. Рассматриваются вопросы подготовки данных, отбора значимых признаков, дисперсионный анализ, деревья и леса решений, нейронные сети и технологии BigData.

贷款数: 6

Пререквизиты:

• Основы информационно-измерительных технологий

*СomplexityDiscipline(zh-CN)*:

零件: Вузовский компонент

循环次数: Профилирующие дисциплины

Цель

• Формирование у магистрантов знаний и навыков анализа медико-биологических данных, применение современных методов обработки информации в медицине и биологии, а также способность к интерпретации результатов с использованием специализированного программного обеспечения.

Задача

• Освоение основ анализа медико-биологических данных
• Освоение статистических методов в анализе медицинских данных
• Изучение методов машинного обучения и предсказательного моделирования
• Освоение инструментов обработки и визуализации медицинских данных

Результат обучения: знание и понимание

• Определять научные методы теории систем и системного анализа в исследованиях и разработках современных сложных систем.
• Описывать специфику теории подачи биомедицинской информации.

Результат обучения: применение знаний и пониманий

• Классифицировать методы обработки и анализа медицинской информации, грамотно использовать их при анализе медико-биологических данных.

Результат обучения: формирование суждений

• Выбирать необходимые математические модели, лежащие в основе различных подходов к решению биомедицинских задач, связанных с обработкой больших объёмов данных.

Результат обучения: коммуникативные способности

• Представлять результаты анализа данных в виде графиков и отчетов., а также объяснять выводы и решения врачам и исследователям.

Результат обучения: навыки обучения или способности к учебе

• Работать с современными аналитическими инструментами.
• Овладевать новыми методами анализа медицинских данных.

*TeachingMethods(zh-CN)*

- интерактивная лекция (применение следующих активных форм обучения: ведомая (управляемая) дискуссия или беседа; модерация; демонстрация слайдов или учебных фильмов; мозговой штурм; мотивационная речь)

- построение сценариев развития различных ситуаций на основе заданных условий

- информационно-коммуникационная (например, занятия в компьютерном классе с использованием профессиональных пакетов прикладных программ)

- поисково-исследовательская (самостоятельная исследовательская деятельность студентов в процессе обучения)

*AssessmentKnowledge(zh-CN)*

Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.

*PolicyAssignmentTask(zh-CN)*

*EvaluationForm(zh-CN)*

Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:

• 40% результата, полученного на экзамене;
• 60% результатов текущей успеваемости.

Формула подсчета итоговой оценки:

 

где, Р₁, Р₂ – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.

Итоговая буквенная оценка и ее цифровой эквивалент в баллах:

Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:

Темы лекционных занятий

• Введение в анализ медико-биологических данных. Основные источники и типы медицинских данных, их применение в диагностике, мониторинге и прогнозировании. Этика и правовые аспекты обработки данных.
• Методы предобработки и фильтрации данных. Очистка данных от артефактов, устранение пропусков, нормализация и стандартизация. Фильтрация сигналов (Фурье-преобразование, Вейвлет-анализ), шумоподавление.
• Основы машинного обучения и статистики для анализа медицинских данных. Методы описательной статистики, корреляционный анализ, проверка гипотез. Контролируемое и неконтролируемое обучение, основные алгоритмы (регрессия, деревья решений), оценка качества моделей.
• Обработка и анализ биомедицинских сигналов. Методы цифровой обработки сигналов (ЭКГ, ЭЭГ, КТГ), временные и частотные характеристики. Выделение признаков, использование нейросетей.
• Методы распознавания патологий. Алгоритмы автоматического выявления патологий в медицинских данных. Анализ ЭКГ (аритмии, инфаркт), ЭЭГ (эпилепсия), изображения (онкология). Глубокое обучение для диагностики.
• Методы кластеризации и классификации медицинских данных. Кластерный анализ (K-Means, DBSCAN), выявление групп пациентов. Методы классификации (SVM, случайный лес, градиентный бустинг), проблема дисбаланса классов.
• Методы визуализации медицинских данных. Визуализация многомерных данных (PCA, t-SNE), интерпретация графиков. Визуализация биомедицинских сигналов и изображений.
• Основы предсказательного моделирования в медицине. Регрессионные модели, анализ временных рядов, оценка риска заболеваний, персонализированные предсказания.
• Автоматизированные системы анализа медицинских данных. Современные платформы анализа медицинских данных, интеграция с медицинскими информационными системами, применение ИИ в автоматическом анализе.

Основная литература

• Фролов А.В.Цифровая обработка биомедицинских сигналов и изображений. – Москва: МГТУ им. Н.Э. Баумана, 2020. – 400 с.
• Кубланов В.С., Долганов А.Ю., Костоусов В.Б.Биомедицинские сигналы и изображения в цифровом здравоохранении: хранение, обработка и анализ. – Екатеринбург: УрФУ, 2021. – 350 с.
• Красько О.В. Статистический анализ данных в медицинских исследованиях / О. В. Красько. – Минск: МГЭУ им. А.Д. Сахарова, 2024. – Ч. I. – 127 с.
• В.Н.Канюков, А.А. Стадников, О.М. Трубина, А.Д. Стрекаловская Методы исследования в биологии и медицине: учебник / В.Н.Канюков, А.А. Стадников, О.М. Трубина, А.Д. Стрекаловская; Оренбургский гос. ун-т. – Оренбург: ОГУ, 2013. – 192с.

Дополнительная литература

• Васильев В.Г., Куженькин С.Н.Прикладная обработка биомедицинских изображений в среде MATLAB. – Санкт-Петербург: Лань, 2019. – 280 с.
• Макарова Н.В. Статистический анализ медико-биологических данных с использованием пакетов статистических программ Statistica, SPSS, NCSS, SYSTAT: методическое пособие / Н.В. Макарова; Всерос. центр экстрен. и радиац. медицины им. А.М. Никифорова МЧС России – СПб.: Политехника-сервис, 2012. – 178 с.
• Меньшиков В.В., Клинико-лабораторные аналитические технологии и оборудование./ Меньшиков В.В. - М. : Академия, 2007 – 240 с.
• Открытые курсы (МООК) по машинному обучению на Coursera – https://www.coursera.org/courses?query=machine%20learning