Curso de Inteligência Artificial e Medicina

Aula 1 • Tipos de Tarefas de IA Médica

Analisa tarefas de classificação, regressão, segmentação e geração na medicina. Ajuda os alunos a associar tipos de tarefa aos algoritmos apropriados.

Aula 2 • O que é IA Médica

Define IA, aprendizado de máquina e aprendizado profundo em um contexto clínico. Estabelece o vocabulário compartilhado usado ao longo do curso.

Aula 3 • Principais Partes Interessadas e Funções

Mapeia o ecossistema de clínicos, cientistas de dados, reguladores e pacientes. Esclarece responsabilidades de colaboração para implantação bem-sucedida de IA.

Aula 4 • Formulação de Problemas Clínicos

Ensina como traduzir um desafio clínico em uma declaração de problema de IA. Conecta a formulação do problema às escolhas posteriores de design do modelo.

Aula 1 • Avaliação da Qualidade dos Dados

Identifica completude, precisão, consistência e atualidade como dimensões de qualidade. Prepara os alunos para auditar conjuntos de dados antes do treinamento do modelo.

Aula 2 • Privacidade, Segurança e Governança

Aborda princípios de proteção de dados de pacientes e frameworks de governança institucional. Fundamenta os alunos em práticas responsáveis de administração de dados.

Aula 3 • Padrões de Dados e Interoperabilidade

Explica sistemas de codificação clínica e padrões de troca de dados de saúde. Permite que os alunos trabalhem efetivamente com conjuntos de dados clínicos estruturados.

Aula 4 • Fontes e Tipos de Dados Clínicos

Abrange registros de prontuário eletrônico, arquivos de imagem, genômica e fluxos de dados de dispositivos vestíveis. Estabelece a amplitude de dados disponíveis para projetos de IA médica.

Aula 1 • Treinamento e Otimização de Modelos

Aborda funções de perda, descida de gradiente, ajuste de hiperparâmetros e validação cruzada. Equipa os alunos para treinar modelos robustos em conjuntos de dados clínicos.

Aula 2 • Aprendizado Não Supervisionado na Medicina

Introduz agrupamento, redução de dimensionalidade e detecção de anomalias para descoberta clínica. Permite que os alunos encontrem padrões sem resultados rotulados.

Aula 3 • Avaliação de Modelos de ML Clínico

Ensina AUC-ROC, precisão-revocação, calibração e análise de benefício líquido. Conecta métricas estatísticas a limites de desempenho clinicamente significativos.

Aula 4 • Fundamentos de Aprendizado Supervisionado

Explica regressão logística, árvores de decisão e máquinas de vetores de suporte em contextos clínicos. Conecta a escolha do algoritmo às necessidades de interpretabilidade e desempenho.

Aula 1 • Segmentação de Imagem Médica

Aborda redes codificador-decodificador e mecanismos de atenção para delimitação de órgãos e lesões. Prepara os alunos para construir pipelines de segmentação para fluxos de trabalho clínicos.

Aula 2 • IA de Imagem em Especialidades

Pesquisa IA de imagem implantada em radiologia, patologia, dermatologia e oftalmologia. Ilustra como as escolhas de arquitetura variam por modalidade de imagem.

Aula 3 • Vision Transformers na Medicina

Introduz autoatenção e processamento de imagem baseado em patches para tarefas médicas. Compara o desempenho de transformers com CNNs em benchmarks de imagem clínica.

Aula 4 • Redes Neurais Convolucionais

Detalha convolução, pooling e hierarquias de mapas de características para análise de imagem. Conecta escolhas de design de CNN ao desempenho em radiologia e patologia.

Aula 1 • Avaliação de Sistemas de PLN Clínico

Aborda pontuação F1, correspondência exata, BLEU e métodos de avaliação com especialistas clínicos. Conecta métricas de PLN a avaliações de utilidade clínica no mundo real.

Aula 2 • Modelos Transformer para PLN Clínico

Explica o pré-treinamento no estilo BERT e o ajuste fino em corpora clínicos. Conecta a arquitetura transformer ao desempenho de ponta em PLN clínico.

Aula 3 • Texto Clínico e Fundamentos de PLN

Aborda tokenização, reconhecimento de entidades nomeadas e estrutura de notas clínicas. Estabelece fundamentos de PLN antes de abordar desafios específicos da saúde.

Aula 4 • Extração de Informações de Prontuários Eletrônicos

Ensina extração de relações, raciocínio temporal e fenotipagem a partir de notas clínicas. Permite que os alunos convertam texto livre em características estruturadas prontas para IA.

Aula 1 • Conduzindo uma Auditoria de Equidade

Fornece um fluxo de trabalho estruturado para auditar o desempenho do modelo em subgrupos demográficos. Prepara os alunos para documentar e comunicar os achados da auditoria.

Aula 2 • Métricas e Definições de Equidade

Explica paridade demográfica, igualdade de odds e calibração entre subgrupos. Esclarece compensações entre critérios de equidade concorrentes em contextos clínicos.

Aula 3 • Frameworks Éticos para IA Médica

Aplica beneficência, não maleficência, autonomia e justiça a decisões de implantação de IA. Conecta princípios bioéticos a escolhas práticas de governança de IA.

Aula 4 • Estratégias de Mitigação de Viés

Aborda técnicas de debiasing em pré-processamento, processamento e pós-processamento. Equipa os alunos para selecionar métodos de mitigação adequados a restrições clínicas.

Aula 1 • Documentação de Conjuntos de Dados e Modelos

Abrange cartões de modelo, fichas técnicas de conjuntos de dados e declarações de uso pretendido para submissões regulatórias. Ensina os alunos a produzir documentação que satisfaça revisores.

Aula 2 • Monitoramento Contínuo e Revalidação

Aborda detecção de desvio de modelo, painéis de desempenho e gatilhos de retreinamento. Conecta o monitoramento contínuo à segurança do paciente e conformidade regulatória.

Aula 3 • Padrões de Evidência para IA Clínica

Compara delineamentos de estudos retrospectivos, prospectivos e randomizados controlados para validação de IA. Estabelece a hierarquia de evidência esperada por reguladores e clínicos.

Aula 4 • Frameworks Regulatórios para Dispositivos de IA

Explica a classificação de software como dispositivo médico, níveis de risco e vias de aprovação. Prepara os alunos para navegar por requisitos regulatórios sem detalhes específicos de jurisdição.

Aula 1 • Design de Integração de Fluxo de Trabalho

Mapeia saídas de IA para pontos de decisão clínica e sistemas de alerta em prontuário eletrônico. Garante que recomendações de IA cheguem aos clínicos no momento certo na prestação de cuidados.

Aula 2 • Gerenciamento de Mudanças e Adoção

Aplica princípios de gerenciamento de mudanças a implantações de IA clínica e mitigação de resistência. Conecta estratégias de engajamento de equipe à adoção sustentada da ferramenta.

Aula 3 • Medindo Impacto Clínico e Operacional

Define métricas de resultados abrangendo qualidade clínica, eficiência e experiência do paciente. Equipa os alunos para construir casos de negócio e relatar o valor da IA.

Aula 4 • Escalonando e Sustentando Programas de IA

Aborda estruturas de governança, escalonamento de infraestrutura e gerenciamento de portfólio para programas de IA. Prepara os alunos para crescer de piloto para implantação em toda a empresa.