DE1024 Mākslīgais intelekts veselības aprūpē

Kods DE1024
Nosaukums Mākslīgais intelekts veselības aprūpē
Statuss Obligātais/Ierobežotās izvēles
Līmenis un tips Augstākā līmeņa, Akadēmiskais
Tematiskā joma Datorika
Struktūrvienība Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte
Mācībspēks Katrīna Šmite, Dmitrijs Bļizņuks
Kredītpunkti 6.0
Daļas 1
Anotācija Studiju kurss pievēršas mākslīgā intelekta (MI) un mašīnmācīšanās pārveidojošajai lomai mūsdienu medicīnas praksē. Sākot ar datu ieguvi no medicīnas sensoriem un beidzot ar augstas veiktspējas datoraprēķiniem. Studiju kurss piedāvā visaptverošu ieskatu MI metožu izmantošanā veselības aprūpes jomā. Studenti iegūs praktisku pieredzi medicīnas datu priekšapstrādē, vizualizācijā, paplašināšanā un validēšanā. Studiju kursā uzmanība tiek pievērsta gan uz tradicionālo mašīnmācīšanos, gan neironu tīkliem, apgādājot studentus ar prasmēm izstrādāt diagnostikas sistēmas, automatizēt datu anotācijas un optimizēt MI modeļus, izmantojot jaunākās tehnoloģijas. Medicīnas nozarei specifiskas prasības pieprasa augstu pārliecību lēmumu pieņemšanā un īpašus datu apstrādes noteikumus. Tāpēc tiks pētīti izskaidrojamā MI, uzticamā MI, datu stratifikācijas un datu koplietošanas regulējuma aspekti. Pateicoties lekcijām, praktiskajām nodarbībām un grupu projektiem studenti iegūs dziļu izpratni par to, kā MI var uzlabot diagnostikas precizitāti, prognozēt pacienta iznākumus un automatizēt pacienta aprūpi. Studiju kurss ir domāts gan veselības aprūpes speciālistiem, gan MI entuziastiem, jo izveido saikni starp medicīnu un tehnoloģijām, veicinot nākamās paaudzes veselības aprūpes inovatorus..
Studiju kursa saturs
Saturs Pilna un nepilna laika klātienes studijas Nepilna laika neklātienes studijas
Kontaktstundas Patstāvīgais darbs Kontaktstundas Patstāvīgais darbs
Lekcija: Ievads. 2 2 0 0
Lekcija: Medicīnas datu iegūšanas process (datu iegūšana no sensoriem). 2 2 0 0
Lekcija: Vizuālo datu priekšapstrāde (pārbaude un filtrēšana). 2 2 0 0
Praktiskā nodarbība: Datu validēšana un priekšapstrāde. 2 4 0 0
Lekcija: Mākslīgā intelekta metodes, ko piemēro medicīnas datu apstrādē (mūsdienu tehnoloģijas). 2 2 0 0
Praktiskā nodarbība: Iepazīšanās ar programmēšanas vidi, nepieciešamo bibliotēku instalēšana. 4 8 0 0
Lekcija: Medicīnas datu dekodēšana un vizualizācija. Datu sagatavošana mākslīgā intelekta metožu pielietošanai. 2 2 0 0
Praktiskā nodarbība: Iegūto datu vizualizācija un izpēte, dažādu parametru izpēte, trokšņaino datu tīrīšana, attēlu stabilizācija. 4 8 0 0
Lekcija: Datu klasterēšana. 2 2 0 0
Praktiskā nodarbība: Datu klasterēšana, dimensiju samazināšana, UMAP. 2 4 0 0
Grupas darbs: Diagnostikas sistēmas izstrāde. 2 4 0 0
Lekcija: Apmācības kopu veidošana no grafiskajiem datiem. 2 2 0 0
Praktiskā nodarbība: Attēlu segmentēšanas metodes. 2 4 0 0
Lekcija/Praktiskā nodarbība: Apmācības kopu veidošana no skaitliskajiem datiem. 2 4 0 0
Lekcija: Tradicionālo mašīnmācīšanās metožu pielietošana datu klasifikācijai. 2 2 0 0
Praktiskā nodarbība: Lēmumu koki, Nejaušie meži, nozīmīgu parametru izpēte. 4 8 0 0
Grupas darbs: Diagnostikas sistēmas izstrāde. 2 4 0 0
Lekcija: Neironu tīkli medicīnas datu klasifikācijā, uzraudzītā mācīšanās. 2 2 0 0
Praktiskā nodarbība: Neironu tīkla sagatavošana, apmācība. 2 4 0 0
Lekcija: Datu paplašināšana un stratifikācija. 2 2 0 0
Lekcija/Praktiskā nodarbība: Datu paplašināšana. 4 6 0 0
Lekcija: Automatizēta datu anotācija, neuzraudzīta mācīšanās. 2 2 0 0
Praktiskā nodarbība: Automatizēta datu anotācija. 2 4 0 0
Grupas darbs: Diagnostikas sistēmas izstrāde. 2 4 0 0
Lekcija/Praktiskā nodarbība: Neironu tīkla parametru optimizācija, GPU/TPU. 2 2 0 0
Lekcija: Augstas veiktspējas datoraprēķini (HPC). 2 2 0 0
Lekcija: Medicīnas datu koplietošanas regulējumi, MI sertifikācija un risinājumi. 2 2 0 0
Praktiskā nodarbība: Grupas darbu prezentācija. 2 2 0 0
Kopā: 64 96 0 0
Mērķis un uzdevumi, izteikti
kompetencēs un prasmēs 		Studiju kursa mērķis ir sniegt teorētiskās zināšanas par datu apstrādes metodēm, mākslīgā intelekta algoritmiem un praktiskās iemaņas to pielietošanai veselības aprūpes jomā. Studiju kursa uzdevumi: - sniegt teorētiskās zināšanas par galvenajiem jēdzieniem, metodēm un mākslīgā intelekta pielietojumiem veselības aprūpes jomā; -attīstīt praktiskās iemaņas veikt medicīnas datu priekšapstrādi, paplašināšanu, anotēšanu, vizualizāciju un mākslīgā intelekta modeļa izstrādi un optimizāciju; - attīstīt prasmi patstāvīgi un radoši izmantot gan tradicionālās mašīnmācīšanās metodes, gan mūsdienīgās neironu tīklos balstītas metodes veselības aprūpes problēmu risināšanā; - attīstīt prasmi strādāt komandā un izstrādāt kompleksas diagnostikas sistēmas, kas var uzlabot medicīnisko diagnožu precizitāti un efektivitāti.
Sasniedzamie studiju
rezultāti un to vērtēšana 		Pārzina galvenos jēdzienus, metodes un mākslīgā intelekta pielietojumus veselības aprūpes jomā. - Eksāmens, testi.
Spēj veikt medicīnas datu priekšapstrādi, vizualizāciju un mākslīgā intelekta modeļa izstrādi un optimizāciju. - Praktiskie darbi.
Izprot datu kvalitātes svarīgumu un spēj pielietot datu papildināšanas un automatizētas anotācijas tehnikās. - Praktiskie darbi, testi.
Prot izmantot gan tradicionālās mašīnmācīšanās metodes, gan mūsdienīgās neironu tīklos balstītas metodes veselības aprūpes problēmu risināšanā. - Praktiskie darb.i
Spēj veikt mākslīgā intelekta modeļu optimizēšanu, izmantot GPU/TPU resursus, un augstas veiktspējas datu apstrādi medicīnisku lietojumu kontekstā. - Praktiskie darbi, testi.
Spēj izstrādāt un īstenot mākslīgā intelekta vadītas diagnostikas sistēmas, kas var uzlabot medicīnisko diagnožu precizitāti un efektivitāti. - Grupas darbs.
Spēj strādāt komandās un prezentēt savu ieguldījumu grupas darbā. - Grupas darbs.
Studiju rezultātu vērtēšanas kritēriji
Eksāmens - 20%
Testi - 10%
Praktiskie darbi - 40%
Grupas darbs - 30%
 
Priekšzināšanas Programmēšanas prasmes (pamata līmenis).
Studiju kursa plānojums
Daļa KP Stundas Pārbaudījumi
Lekcijas Prakt. d. Lab. Ieskaite Eksāmens Darbs
1 6.0 32.0 32.0 0.0 *
Pieteikties uz šo kursu
[Kursa apraksts PDF formātā]