Datadriven hälsa
Data-driven Health

BMEN35F, 7,5 högskolepoäng

Gäller från och med: Höstterminen 2022
Beslutad av: Professor Thomas Johansson
Datum för fastställande: 2022-03-24

Allmänna uppgifter

Avdelning: Biomedicinsk teknik
Kurstyp: Gemensam kurs, avancerad nivå och forskarnivå
Kursen ges även på avancerad nivå med kurskod: BMEN35
Undervisningsspråk: Engelska

Syfte

Kursen ger grundläggande kunskaper inom området artificiell intelligens och maskininlärning för tillämpningar inom medicin och hälsa. Kursen täcker kedjan från medicinska databaser via algoritmer till regelverk och krav på diagnostisk mjukvara.

Mål

Kunskap och förståelse

För godkänd kurs skall doktoranden

• kunna och förstå och ha en helhetsbild över hur maskininlärning och artificiell intelligens kan designas för olika medicinska frågeställningar.
• kunna tillämpa de vanligaste metoderna på verkliga problem och verkliga medicinska signaler (Python)
• kunna och förstå hur speciella krav och regelverk för diagnostiska system och andra medicintekniska produkter påverkar design- och valideringsprocessen.

Färdighet och förmåga

För godkänd kurs skall doktoranden

• kunna förstå egenskaperna för de vanligaste maskininlärningsmetoderna.
• kunna förstå vilka inställningar som behöver göras för olika metoder.
• kunna förstå hur egenskaper hos medicinsk tränings- och valideringsdata påverkar metodernas prestanda.
• kunna välja lämplig metod för en beskriven situation.
• kunna överblicka konsekvenserna av olika metodval och utvärderingsstrategier som kan väljas för olika typer av problem
• kunna använda tillgängliga toolboxar för maskininlärning och på detta sätt lösa praktiska problem i Python.

Värderingsförmåga och förhållningssätt

För godkänd kurs skall doktoranden

• ha förmåga att analysera och värdera olika maskininlärningsalgoritmer, samt tolka och beskriva deras inneboende principer.
• ha insikt om hur olika metoders transparens och generaliserbarhet gör dem mer eller mindre lämpliga i olika medicinska sammanhang

Kursinnehåll

Områden som omfattas är: - Introduktion av artificiell intelligens i vårdapplikationer - Översikt över maskininlärningsalgoritmer och metoder - Hur man väljer ML -metoder för olika applikationer - Hur man väljer inställningar och optimerar prestanda - Hur man utvärderar prestanda - Reglerande, sociala, etiska och juridiska frågor om artificiell intelligens inom medicin - State-of-.the-art AI som tillämpas på viktiga medicinska områden som EKG, neurologi, biomedicinsk avbildning, hjärtljud, onkologi, diabetes etc. Praktiskt arbete: - Introduktion till Python/Jupyter/Colab (grunder, linjär algebra, plottning) - Linjära modeller - Mätvärden och visualisering - Träd och knn - Ensamblande metoder - Neurala nätverk (grunt, MLP, introduktion till Keras/Tensorflow) - Deep Neural Networks (CNN) - Deep Learning (LSTM/RNN)

Kurslitteratur

• Österberg, M. & Lindsköld, L.: AI for Better Health. 2020.
• Lindholm, A., Wahlström, N., Lindsten, F. & Schön, Thomas B.: Machine Learning - A First Course for Engineers and Scientists. Cambridge University Press, 2021.
• Bohr, A. & Memarzadeh, K.: Artificial Intelligence in Healthcare. Academic Press, 2020. ISBN 9780128184387.
• Xing, L., Giger, Maryellen L. & Min, J.: Artificial Intelligence in Medicine: Technical Basis and Clinical Applications. Academic Press, 2020. ISBN 9780128212592.

Kursens undervisningsformer

Undervisningsformer: Föreläsningar, seminarier, övningar

Kursens examination

Examinationsform: Skriftlig tentamen. Godkända datorövningar
Betygsskala: Underkänd, godkänd
Examinator:

Antagningsuppgifter

Förutsatta förkunskaper: EITF75 Digital signal processing OR EITA50 Signal processing in multimedia OR EITF15, BMEF25 Digital signal processing - theory and applications OR BMEA05 Signals and systems OR EITG10 Systems, Signals and Discrete Transforms EDAA50 Programming, a first course OR EDAA45 Introduction to programming

Kurstillfällesinformation

Startdatum: 2022-07-01
Kursfart: Helfart

Anmälningsinformation

Anmälan via epost till kursansvarig

Kontaktinformation och övrigt

Kursansvariga:

• Christian Antfolk <christian.antfolk@bme.lth.se>
• Martin Stridh <martin.stridh@bme.lth.se>