Проектирование интеллектуальных медицинских систем
内容描述: В ходе курса магистранты получат систематизированные знания о методах и средствах проектирования интеллектуальных медицинских систем, которые активно применяются в современной медицинской практике.
贷款数: 6
Пререквизиты:
- Интегральная и микропроцессорная схемотехника
*СomplexityDiscipline(zh-CN)*:
| *TypesOfClasses(zh-CN)* | *hours(zh-CN)* |
|---|---|
| *Lectures(zh-CN)* | 30 |
| *PracticalWork(zh-CN)* | |
| *LaboratoryWork(zh-CN)* | 30 |
| *srop(zh-CN)* | 30 |
| *sro(zh-CN)* | 90 |
| *FormOfFinalControl(zh-CN)* | экзамен |
| *FinalAssessment(zh-CN)* | устный экзамен |
零件: Вузовский компонент
循环次数: Профилирующие дисциплины
Цель
- Формирование у магистрантов теоретических знаний и практических навыков в области разработки, внедрения и оценки интеллектуальных медицинских систем, основанных на методах искусственного интеллекта, машинного обучения и анализа данных, с учетом требований медицинской отрасли, стандартов и аспектов надежности, интерпретируемости и кибербезопасности.
Задача
- понимание принципов проектирования интеллектуальных медицинских систем
- овладение методами обработки и анализа медицинских данных
- освоение алгоритмов машинного обучения и их применения в медицине
- освоение современных технологий и инструментов разработки интеллектуальных медицинских систем
- понимание правовых и этических аспектов внедрения интеллектуальных технологий в здравоохранение
Результат обучения: знание и понимание
- описывать концепции и принципы проектирования интеллектуальных медицинских систем,
- объяснять методы обработки, анализа и визуализации медицинских данных,
Результат обучения: применение знаний и пониманий
- разрабатывать модели машинного обучения и искусственного интеллекта для решения медицинских задач,
- использовать современные инструменты (Python, MATLAB, TensorFlow, OpenCV) для проектирования и тестирования интеллектуальных медицинских систем,
Результат обучения: формирование суждений
- критически анализировать и интерпретировать результаты работы интеллектуальных медицинских систем,
- оценивать качество и точность моделей, применять методы Explainable AI для интерпретации решений,
Результат обучения: коммуникативные способности
- демонстрировать способность к междисциплинарному взаимодействию с медицинскими специалистами и инженерами,
Результат обучения: навыки обучения или способности к учебе
- применять современные технологии и методы проектирования интеллектуальных медицинских систем, анализировать научные публикации и осваивать новые инструменты для решения актуальных задач в цифровой медицине.
*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.
| *Period2(zh-CN)* | *TypeOfTask(zh-CN)* | *Total(zh-CN)* |
|---|---|---|
| 1 *Rating(zh-CN)* | Выполнение и защиты лабораторной работы "Классификация медицинских данных с помощью методов машинного обучения. " | 0-100 |
| Выполнение и защиты лабораторной работы "Прогнозирование заболеваний с помощью нейросетей. " | ||
| Выполнение и защиты лабораторной работы "Обнаружение аномалий в медицинских данных. " | ||
| Рубежный контроль 1 | ||
| 2 *Rating(zh-CN)* | Выполнение и защиты лабораторной работы "Разработка системы поддержки принятия врачебных решений (CDSS)." | 0-100 |
| Выполнение и защиты лабораторной работы "Интеграция предсказательной модели в медицинское приложение. " | ||
| Выполнение и защиты лабораторной работы "Оценка надежности и интерпретируемости интеллектуальных медицинских систем." | ||
| Рубежный контроль 2 | ||
| *TotalControl(zh-CN)* | экзамен | 0-100 |
*PolicyAssignmentTask(zh-CN)*
| *TypeOfTask(zh-CN)* | 90-100 | 70-89 | 50-69 | 0-49 |
|---|---|---|---|---|
| Excellent | *Grade4(zh-CN)* | *Grade3(zh-CN)* | *Grade2(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:
| И= 0,6 | Р1+Р2 | +0,4Э |
| 2 |
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:
| Оценка по буквенной системе | Цифровой эквивалент | Баллы (%-ное содержание) | Оценка по традиционной системе |
|---|---|---|---|
| A | 4.0 | 95-100 | Отлично |
| A- | 3.67 | 90-94 | |
| B+ | 3.33 | 85-89 | Хорошо |
| B | 3.0 | 80-84 | |
| B- | 2.67 | 75-79 | |
| C+ | 2.33 | 70-74 | |
| C | 2.0 | 65-69 | Удовлетворительно |
| C- | 1.67 | 60-64 | |
| D+ | 1.33 | 55-59 | |
| D | 1.0 | 50-54 | |
| FX | 0.5 | 25-49 | Неудовлетворительно |
| F | 0 | 0-24 |
Темы лекционных занятий
- Введение в интеллектуальные медицинские системы. Определение и назначение интеллектуальных медицинских систем (ИМС). Основные направления применения ИМС в клинической практике. Классификация и архитектура ИМС.
- Методы искусственного интеллекта в медицине. Основные алгоритмы машинного обучения и глубокого обучения. Экспертные системы и системы поддержки принятия решений. Применение обработки естественного языка (NLP) в медицинской сфере.
- Особенности медицинских данных и подготовка к анализу. Основные типы медицинских данных (структурированные, неструктурированные, временные ряды, изображения). Методы предварительной обработки данных. Управление пропущенными данными и выбросами.
- Методы интеллектуального анализа медицинских данных. Методы классификации, регрессии и кластеризации. Выявление закономерностей и аномалий. Методы объяснимого ИИ (Explainable AI).
- Разработка моделей для диагностики и прогнозирования заболеваний. Построение диагностических моделей. Использование машинного обучения для прогнозирования состояний пациента. Методы оценки качества моделей.
- Разработка систем поддержки принятия врачебных решений (CDSS). Архитектура CDSS. Алгоритмы принятия решений и интерпретация результатов. Практические примеры CDSS в медицинской практике.
- Использование компьютерного зрения в медицине. Методы анализа медицинских изображений. Автоматизированная обработка рентгеновских, КТ и МРТ снимков. Разработка алгоритмов детекции патологий.
- Технологии персонализированной медицины. Индивидуализация медицинских рекомендаций на основе данных пациента. Геномные исследования и предсказательное моделирование. Применение цифровых двойников в медицине.
- Инструменты и программные платформы для разработки ИМС. Языки программирования и фреймворки (Python, MATLAB, TensorFlow, PyTorch, Scikit-learn). Использование облачных технологий и распределённых вычислений. Основные библиотеки и API для работы с медицинскими данными.
- Цифровые технологии в умных медицинских системах. Интернет вещей (IoT) в медицине: носимые устройства, сенсоры, телемедицина. Блокчейн в медицинских системах: безопасность, децентрализация, защита данных пациентов. Облачные вычисления и распределенные системы в здравоохранении.Перспективы развития умных госпиталей и цифровых медицинских платформ.
- Кибербезопасность и защита медицинских данных. Основные угрозы безопасности в ИМС. Методы защиты данных пациентов (шифрование, аутентификация, контроль доступа). Регуляторные требования (GDPR, HIPAA)
- Реализация ИМС в клинической практике: сложности и вызовы. Барьеры внедрения интеллектуальных систем в медицинских учреждениях. Точность и интерпретируемость моделей ИМС. Практические кейсы и успешные примеры внедрения.
- Будущее ИМС: тенденции и инновации. Искусственный интеллект в хирургии и реабилитации. Биосенсоры и носимые устройства. Влияние квантовых вычислений на развитие ИМС.
- Медицинские цифровые двойники и их применение. Концепция цифрового двойника пациента. Использование симуляционных моделей в медицине. Прогнозирование развития заболеваний с помощью цифровых двойников.
- Этические и правовые аспекты применения ИМС. Этические вопросы использования ИИ в медицине. Ответственность врачей и разработчиков при использовании ИМС. Законодательное регулирование интеллектуальных медицинских технологий.
Основная литература
- Тополь Э. Искусственный интеллект в медицине. Как умные технологии меняют подход к лечению. - 2022. - 400с.
- Карпов О. Э., Храмов А. Е. Информационные технологии, вычислительные системы и искусственный интеллект в медицине. - М.: ДПК Пресс, 2022. – 480 с.
- Кобринский Б. и др.Интеллектуальные и информационные системы в медицине: мониторинг и поддержка принятия решений. 2016. – 529 с.
Дополнительная литература
- Гусев А. В., Романов Ф. А., Дуданов И. П., Воронин А. В. Медицинские информационные системы: Монография. / А.В. Гусев, Ф. А. Романов, И. П. Дуданов, А. В. Воронин. ПетрГУ. - Петрозаводск: Издательство, ПетрГУ. - 404 с.
- Edward H. Shortliffe, James J. Cimino Biomedical Informatics: Computer Applications in Health Care and Biomedicine. – 2021. – 1152р.
