Corso su IA in medicina

Lezione 1 • Storia dell'IA in ambito sanitario

Traccia le tappe fondamentali dell'IA, dai primi sistemi esperti alle moderne reti neurali in medicina. Fornisce il contesto per comprendere le capacità e i limiti attuali.

Lezione 2 • Che cos'è l'intelligenza artificiale

Definisce IA, machine learning e deep learning con esempi medici. Pone le basi per i capitoli successivi stabilendo un vocabolario condiviso.

Lezione 3 • Panoramica delle principali tecniche di IA

Introduce l'apprendimento supervisionato, non supervisionato e per rinforzo a livello concettuale. Prepara il terreno per una copertura tecnica più approfondita nei capitoli successivi.

Lezione 4 • Tipi di dati medici

Esamina i dati strutturati, non strutturati e multimodali generati in ambito clinico. Prepara i discenti ad abbinare i tipi di dati ai metodi di IA appropriati.

Lezione 1 • Tecniche di pre-elaborazione dei dati

Applica normalizzazione, codifica e imputazione a dataset clinici grezzi. Produce input pronti per l'analisi, richiesti dai capitoli di modellazione successivi.

Lezione 2 • Privacy e sicurezza dei dati

Affronta la de-identificazione, la crittografia e il controllo degli accessi per i dati sanitari sensibili. Garantisce la conformità ai principi di privacy del paziente, centrali per tutti i progetti di IA.

Lezione 3 • Qualità e validazione dei dati

Identifica problemi di qualità comuni come valori mancanti, duplicati e rumore di etichettatura. Insegna strategie di validazione che prevengono errori del modello a valle.

Lezione 4 • Ingegneria delle feature per dati clinici

Trasforma variabili grezze in feature informative che migliorano le prestazioni del modello. Collega la preparazione dei dati ai metodi di machine learning introdotti successivamente.

Lezione 1 • Valutazione e validazione del modello

Misura le prestazioni del modello utilizzando metriche cliniche e strategie di validazione incrociata. Garantisce che i modelli soddisfino gli standard di accuratezza e affidabilità prima dell'implementazione.

Lezione 2 • Apprendimento non supervisionato nella stratificazione dei pazienti

Applica clustering e riduzione della dimensionalità per scoprire sottogruppi di pazienti. Consente compiti di fenotipizzazione dove i dati etichettati non sono disponibili.

Lezione 3 • Gestione di dataset clinici sbilanciati

Affronta lo sbilanciamento delle classi, comune nei dataset di malattie rare ed eventi avversi. Applica metodi di ricampionamento e sensibili ai costi per migliorare il rilevamento della classe minoritaria.

Lezione 4 • Modellazione di regressione e prognosi

Utilizza tecniche di regressione per prevedere esiti continui come la durata della degenza. Estende le competenze di classificazione alla previsione clinica quantitativa.

Lezione 1 • Fondamenti di reti neurali

Spiega neuroni, strati, funzioni di attivazione e backpropagation in termini accessibili. Fornisce la base teorica per tutte le sezioni di deep learning che seguono.

Lezione 2 • Prestazioni e limiti dell'IA per imaging

Valuta modelli di imaging utilizzando metriche radiologiche e identifica le modalità di fallimento. Prepara i discenti a valutare criticamente gli strumenti di IA prima dell'adozione clinica.

Lezione 3 • Transfer Learning e modelli pre-addestrati

Adatta modelli pre-addestrati su grandi dataset a piccole raccolte di imaging medico. Riduce i tempi di addestramento e i requisiti di dati per progetti di IA clinica.

Lezione 4 • Patologia e analisi di immagini whole-slide

Applica il deep learning a vetrini patologici in gigapixel per il grading e il rilevamento del cancro. Estende le competenze di imaging alle sfide distinte della patologia digitale.

Lezione 1 • Pre-elaborazione e rappresentazione del testo

Converte il testo clinico grezzo in rappresentazioni numeriche adatte alla modellazione. Collega i dati grezzi agli algoritmi di NLP introdotti nelle sezioni successive.

Lezione 2 • Caratteristiche del testo clinico

Descrive le caratteristiche uniche del linguaggio medico, incluse abbreviazioni e negazione. Motiva gli approcci NLP specializzati utilizzati in tutto questo capitolo.

Lezione 3 • Riconoscimento ed estrazione di entità nominate

Identifica entità cliniche come diagnosi, farmaci e procedure nel testo. Consente l'estrazione di dati strutturati da documentazione clinica non strutturata.

Lezione 4 • Modelli linguistici di grandi dimensioni in ambito sanitario

Applica LLM basati su transformer a compiti di riassunto clinico, codifica e domanda-risposta. Affronta il paradigma NLP più attuale e di impatto in medicina.

Lezione 1 • Strategie di mitigazione del bias

Implementa tecniche di debiasing in pre-elaborazione, in fase di elaborazione e post-elaborazione. Riduce i divari prestazionali tra gruppi demografici senza sacrificare l'accuratezza complessiva.

Lezione 2 • Rilevamento e audit del bias

Applica test statistici e strumenti di visualizzazione per rilevare prestazioni disomogenee del modello. Produce rapporti di audit a supporto della revisione normativa e istituzionale.

Lezione 3 • Quadri etici per l'IA medica

Applica beneficenza, autonomia, giustizia e non maleficenza alle decisioni di progettazione dell'IA. Collega il lavoro tecnico sull'equità all'etica professionale e istituzionale più ampia.

Lezione 4 • Fonti di bias nell'IA medica

Traccia le origini del bias dalla raccolta dati all'implementazione del modello in ambito clinico. Stabilisce perché l'analisi dell'equità è obbligatoria prima che un qualsiasi sistema di IA entri in funzione.

Lezione 1 • Monitoraggio post-commercializzazione dei sistemi di IA

Progetta piani di monitoraggio continuo per rilevare il degrado delle prestazioni dopo l'implementazione. Chiude il ciclo di validazione collegando gli esiti del mondo reale agli aggiornamenti del modello.

Lezione 2 • Progettazione di studi di validazione clinica dell'IA

Tratta la selezione dell'endpoint, la dimensione del campione e la scelta del comparatore per le sperimentazioni di IA. Garantisce che gli studi generino evidenze che soddisfino gli standard scientifici e normativi.

Lezione 3 • Standard di rendicontazione e trasparenza

Applica linee guida consolidate per la rendicontazione dell'IA a manoscritti e documenti normativi. Promuove la riproducibilità e la fiducia nella ricerca pubblicata sull'IA clinica.

Lezione 4 • Livelli di evidenza clinica per l'IA

Mappa le evidenze di validazione dell'IA dagli studi retrospettivi agli studi randomizzati. Stabilisce la gerarchia delle evidenze che gli enti regolatori e i clinici si aspettano.

Lezione 1 • Strutture di governance e supervisione dell'IA

Stabilisce comitati, politiche e percorsi di escalation per la supervisione continua dell'IA. Crea l'infrastruttura istituzionale necessaria per sostenere un uso responsabile dell'IA.

Lezione 2 • Misurare l'impatto clinico ed economico

Valuta l'impatto dell'IA utilizzando metriche di esito clinico, analisi dei costi e quadri di ritorno sull'investimento. Dimostra il valore alla leadership e giustifica il continuo investimento nei programmi di IA.

Lezione 3 • Analisi e riprogettazione del flusso di lavoro clinico

Mappa i flussi di lavoro esistenti per identificare i punti di integrazione e riprogettare i processi attorno all'IA. Previene il fallimento comune di implementare l'IA senza adattare le fasi cliniche circostanti.

Lezione 4 • Gestione del cambiamento e adozione da parte dei clinici

Applica modelli di gestione del cambiamento per superare la resistenza e costruire la fiducia dei clinici nell'IA. Affronta i fattori umani che più spesso determinano il successo o il fallimento dell'implementazione.