Karta Przedmiotu
| Politechnika Białostocka | Wydział Informatyki | ||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Kierunek studiów | Data Science |
Poziom i forma studiów |
pierwszego stopnia stacjonarne |
||||||||||||||||||||||||
| Grupa przedmiotów / specjalność |
Profil kształcenia | ogólnoakademicki | |||||||||||||||||||||||||
| Nazwa przedmiotu | Sztuczna inteligencja w medycynie | Kod przedmiotu | DS1S5SIM | ||||||||||||||||||||||||
| Rodzaj zajęć | obowiązkowy | ||||||||||||||||||||||||||
| Formy zajęć i liczba godzin | W | Ć | L | P | Ps | T | S | Semestr | 5 | ||||||||||||||||||
| 30 | 30 | Punkty ECTS | 4 | ||||||||||||||||||||||||
| Program obowiązuje od | 2025/2026 | ||||||||||||||||||||||||||
| Przedmioty wprowadzające | Przegląd metod i narzędzi AI (DS1S2PMN), Przetwarzanie i wizualizacja danych (DS1S3PWD), Uczenie maszynowe 1 (DS1S3UM1), | ||||||||||||||||||||||||||
| Cele przedmiotu |
Przekazanie wiedzy o zastosowaniach sztucznej inteligencji w medycynie, ze szczególnym uwzględnieniem diagnostyki, terapii oraz systemów wspomagania decyzji medycznych. Rozwój praktycznych umiejętności w zakresie przetwarzania i analizy danych medycznych (sygnałów, obrazów, danych klinicznych) z wykorzystaniem metod sztucznej inteligencji, z uwzględnieniem aspektów prawnych i etycznych. Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA: - Data Science (DATS) - poziom 4: analiza i interpretacja złożonych danych medycznych, tworzenie modeli predykcyjnych dla diagnostyki - Machine Learning (MLNG) - poziom 4: projektowanie i implementacja modeli uczenia maszynowego dla danych medycznych - Data Engineering (DENG) - poziom 3: przetwarzanie i integracja różnorodnych danych medycznych - AI and Data Ethics (AIDE) - poziom 3: implementacja zasad etycznych w systemach AI stosowanych w medycynie |
||||||||||||||||||||||||||
| Ramowe treści programowe | Zastosowania sztucznej inteligencji w medycynie, ze szczególnym uwzględnieniem przetwarzania sygnałów i obrazów medycznych, systemów wspomagania decyzji klinicznych oraz technologii AI w diagnostyce i terapii. Metody przetwarzania danych medycznych, projektowanie i implementacja modeli AI. Wyzwania i korzyści związane z Europejską Przestrzenią Danych Medycznych (EHDS). Praktyczne wdrażanie systemów AI w medycynie, obejmujące analizę danych, implementację oraz ewaluację rozwiązań. | ||||||||||||||||||||||||||
| Inne informacje o przedmiocie | przedmiot ma związek z prowadzoną na Uczelni działalnością naukową | ||||||||||||||||||||||||||
| Wyliczenie: | Nakład pracy studenta związany z: | Godzin ogółem |
W tym kontaktowych |
W tym praktycznych |
|||||||||||||||||||||||
| udział w wykładach | 30 | 30 | |||||||||||||||||||||||||
| udział w innych formach zajęć | 30 | 30 | 30 | ||||||||||||||||||||||||
| indywidualne wsparcie merytoryczne procesu uczenia się, udział w zaliczeniach organizowanych poza planem zajęć | 4 | 4 | 4 | ||||||||||||||||||||||||
| przygotowanie do zaliczenia wykładu | 8 | ||||||||||||||||||||||||||
| przygotowanie do bieżących zajęć | 28 | 28 | |||||||||||||||||||||||||
| Razem godzin: | 100 | 64 | 62 | ||||||||||||||||||||||||
| Razem punktów ECTS: | 4 | 2.6 | 2.5 | ||||||||||||||||||||||||
| Zakładane kierunkowe efekty uczenia się | Wiedza | Umiejętności | Kompetencje społeczne |
||||||||||||||||||||||||
| DS1_W06 | DS1_U13(H1_U01) | DS1_K03 (H1_K01) | |||||||||||||||||||||||||
| DS1_W07 | DS1_U04 | DS1_K05 | |||||||||||||||||||||||||
| DS1_W09 | DS1_U08 | ||||||||||||||||||||||||||
| DS1_W11 | DS1_U11 | ||||||||||||||||||||||||||
| DS1_W16 | DS1_U18 | ||||||||||||||||||||||||||
| DS1_W21 | DS1_U21 | ||||||||||||||||||||||||||
| Cele i treści ramowe sformułował(a) | prof. dr hab. inż. Marek Krętowski, dr inż. Paweł Tadejko | Data: | 29/05/2025 | ||||||||||||||||||||||||
| Realizacja w roku akademickim | 2027/2028 | ||||||||||||||||||||||||||
| Treści programowe | |||||||||||||||||||||||||||
| 1. | Wprowadzenie do AI w medycynie. Historia rozwoju, obecny stan i perspektywy. Specyfika danych medycznych. Kluczowe obszary zastosowań AI w medycynie. | ||||||||||||||||||||||||||
| 2. | Metody przetwarzania i analizy sygnałów medycznych. Charakterystyka sygnałów biomedycznych (EKG, EEG, EMG). Techniki filtracji i przygotowania danych. Zastosowanie deep learning w analizie sygnałów. | ||||||||||||||||||||||||||
| 3. | Analiza obrazów medycznych. Modalności obrazowania (RTG, CT, MRI, USG). Segmentacja obrazów medycznych. Detekcja i klasyfikacja zmian patologicznych. Systemy CAD (Computer-Aided Diagnosis). | ||||||||||||||||||||||||||
| 4. | Systemy wspomagania decyzji klinicznych (CDSS). Architektura systemów. Modele predykcyjne w diagnostyce. Rekomendacje terapeutyczne oparte na AI. Integracja z systemami HIS/RIS/PACS. | ||||||||||||||||||||||||||
| 5. | AI w personalnej opiece medycznej. Telemedycyna i zdalny monitoring pacjenta. Systemy wczesnego ostrzegania. Analiza danych z urządzeń ubieralnych (wearables). | ||||||||||||||||||||||||||
| 6. | AI w farmacji i projektowaniu leków. Prognozowanie aktywności związków. Projektowanie nowych molekuł. Optymalizacja procesu odkrywania leków. | ||||||||||||||||||||||||||
| 7. | AI w genomice i medycynie precyzyjnej. Analiza sekwencji DNA. Medycyna spersonalizowana. Identyfikacja biomarkerów. Przewidywanie odpowiedzi na leczenie. | ||||||||||||||||||||||||||
| 8. | Przetwarzanie języka naturalnego w medycynie. Analiza dokumentacji medycznej. Ekstrakcja informacji z tekstów klinicznych. Automatyczne kodowanie rozpoznań. | ||||||||||||||||||||||||||
| 9. | Europejska Przestrzeń Danych Medycznych (EHDS). Założenia, cele i struktura EHDS. Modele wymiany danych. Standardy interoperacyjności. Implikacje dla rozwoju systemów AI. | ||||||||||||||||||||||||||
| 10. | Regulacje prawne dotyczące AI w medycynie. Klasyfikacja rozwiązań AI według poziomów ryzyka. Certyfikacja i oznakowanie systemów AI w medycynie. | ||||||||||||||||||||||||||
| 11. | Wyzwania etyczne AI w medycynie. Interpretacja i wyjaśnialność modeli (XAI). Odpowiedzialność za decyzje systemów AI. Prywatność i bezpieczeństwo danych pacjentów. Ewaluacja systemów AI w medycynie. | ||||||||||||||||||||||||||
| 12. | Implementacja AI w systemach ochrony zdrowia. Studia przypadków udanych wdrożeń. Bariery adaptacji. Model dojrzałości technologicznej dla rozwiązań AI. | ||||||||||||||||||||||||||
| 13. | Przyszłość AI w medycynie. Trendy rozwojowe. Potencjalne przełomy technologiczne. Wpływ na organizację systemów opieki zdrowotnej i rolę personelu medycznego. | ||||||||||||||||||||||||||
| 14. | Przyszłość AI w medycynie. Trendy rozwojowe. Potencjalne przełomy technologiczne. Wpływ na organizację systemów opieki zdrowotnej i rolę personelu medycznego. | ||||||||||||||||||||||||||
| 15. | Zaliczenie wykładu. | ||||||||||||||||||||||||||
| Pracownia specjalistyczna | |||||||||||||||||||||||||||
| 1. | Podstawy analizy danych medycznych. | ||||||||||||||||||||||||||
| 2. | Przygotowanie środowiska programistycznego. | ||||||||||||||||||||||||||
| 3. | Eksploracja przykładowych zbiorów danych. | ||||||||||||||||||||||||||
| 4. | Implementacja podstawowych metod preprocessingu danych medycznych. | ||||||||||||||||||||||||||
| 5. | Implementacja podstawowych metod preprocessingu danych medycznych. | ||||||||||||||||||||||||||
| 6. | Wybrane zagadnienie analiza danych medycznych, ekstrakcja cech. | ||||||||||||||||||||||||||
| 7. | Implementacja algorytmów detekcji anomalii. | ||||||||||||||||||||||||||
| 8. | Przetwarzanie obrazów medycznych: segmentacja struktur anatomicznych. | ||||||||||||||||||||||||||
| 9. | Przetwarzanie obrazów medycznych: detekcja zmian patologicznych. | ||||||||||||||||||||||||||
| 10. | Przetwarzanie obrazów medycznych: klasyfikacja obrazów medycznych z wykorzystaniem sieci konwolucyjnych. | ||||||||||||||||||||||||||
| 11. | Systemy predykcyjne w medycynie: implementacja modeli prognostycznych, predykcja ryzyka choroby. | ||||||||||||||||||||||||||
| 12. | Systemy predykcyjne w medycynie: przewidywanie odpowiedzi na leczenia, ocena skuteczności modeli. | ||||||||||||||||||||||||||
| 13. | Projektowanie systemów wspomagania decyzji: implementacja prostego systemu CDSS; integracja z bazami wiedzy medycznej; testowanie i walidacja; implementacja mechanizmów wyjaśnialności AI. | ||||||||||||||||||||||||||
| 14. | Projekt końcowy: implementacja kompletnego rozwiązania AI dla wybranego problemu medycznego, dokumentacja zgodności z regulacjami, prezentacja wyników. | ||||||||||||||||||||||||||
| 15. | Zaliczenie pracowni specjalistycznej. | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja stacjonarna) |
|||||||||||||||||||||||||||
| W | wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| Ps | zadania projektowe w grupach; dyskusja rozwiązań | ||||||||||||||||||||||||||
| Metody dydaktyczne (realizacja zdalna) |
|||||||||||||||||||||||||||
| W | wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną | ||||||||||||||||||||||||||
| - | |||||||||||||||||||||||||||
| Forma zaliczenia | |||||||||||||||||||||||||||
| W | zaliczenie pisemne z pytaniami testowymi i otwartymi | ||||||||||||||||||||||||||
| Ps | opracowanie zadań projektowych realizowanych w grupach | ||||||||||||||||||||||||||
| Warunki zaliczenia | |||||||||||||||||||||||||||
| W | Uzyskanie min. 30% z każdego E1-E3, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Ps | Uzyskanie min. 30% z każdego E4-E7, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0 |
||||||||||||||||||||||||||
| Symbol efektu | Zakładane efekty uczenia się | Odniesienie do efektów uczenia się zdefiniowanych dla kierunku studiów | |||||||||||||||||||||||||
| Wiedza | Umiejętności | Kompetencje społeczne |
|||||||||||||||||||||||||
| Wiedza: student zna i rozumie | |||||||||||||||||||||||||||
| E1 | metody i techniki sztucznej inteligencji stosowane w analizie danych medycznych | ||||||||||||||||||||||||||
| E2 | specyfikę przetwarzania danych medycznych w kontekście systemów sztucznej inteligencji | ||||||||||||||||||||||||||
| E3 | regulacje prawne i aspekty etyczne dotyczące zastosowania sztucznej inteligencji w medycynie | ||||||||||||||||||||||||||
| Umiejętności: student potrafi | |||||||||||||||||||||||||||
| E4 | implementować i stosować metody sztucznej inteligencji do analizy sygnałów i obrazów medycznych | ||||||||||||||||||||||||||
| E5 | projektować systemy wspomagania decyzji klinicznych uwzględniające wymagania prawne i etyczne | ||||||||||||||||||||||||||
| E6 | przeprowadzić ewaluację rozwiązań sztucznej inteligencji w kontekście medycznym | ||||||||||||||||||||||||||
| Kompetencje społeczne: student jest gotów do | |||||||||||||||||||||||||||
| E7 | uwzględniania aspektów etycznych i społecznej odpowiedzialności przy projektowaniu systemów sztucznej inteligencji w medycynie | ||||||||||||||||||||||||||
| Symbol efektu | Sposób weryfikacji efektu uczenia się | Forma zajęć na której zachodzi weryfikacja | |||||||||||||||||||||||||
| E1 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E2 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E3 | zaliczenie pisemne | W | |||||||||||||||||||||||||
| E4 | wykonanie sprawozdań laboratoryjnych. rozwiązywanie zadań problemowych, ocena projektu | Ps | |||||||||||||||||||||||||
| E5 | wykonanie sprawozdań laboratoryjnych. rozwiązywanie zadań problemowych, ocena projektu | Ps | |||||||||||||||||||||||||
| E6 | wykonanie sprawozdań laboratoryjnych. rozwiązywanie zadań problemowych, ocena projektu | Ps | |||||||||||||||||||||||||
| E7 | wykonanie sprawozdań laboratoryjnych. rozwiązywanie zadań problemowych, ocena projektu | Ps | |||||||||||||||||||||||||
| Literatura podstawowa | |||||||||||||||||||||||||||
| 1. | A. J. Gutman, J. Goldmeier, Analityk danych: przewodnik po data science, statystyce i uczeniu maszynowym, Helion, Gliwice, 2023 | ||||||||||||||||||||||||||
| 2. | P. Lee, C. Goldberg, I. Kohane, Rewolucja sztucznej inteligencji w medycynie, Helion, 2024 | ||||||||||||||||||||||||||
| 3. | N. Lidströmer, H. Ashrafian, Artificial Intelligence in Medicine (Volume 1 & 2), Springer, 2022 | ||||||||||||||||||||||||||
| 4. | A. Nguyen, Hands-On Healthcare Data: Taming the Complexity of Real-World Data, O'Reilly Media, 2022 | ||||||||||||||||||||||||||
| 5. | S. Raschka, W. Mirjalili , Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2, Helio, Gliwice, 2021 | ||||||||||||||||||||||||||
| Literatura uzupełniająca | |||||||||||||||||||||||||||
| 1. | S. Stephenson, Big Data, nauka o danych i AI bez tajemnic: podejmuj lepsze decyzje i rozwijaj swój biznes!, Helion, Gliwice, 2020 | ||||||||||||||||||||||||||
| 2. | M. Raz, T.C. Nguyen, E. Loh., Artificial Intelligence in Medicine Applications, Limitations and Future Directions, Springer, Berlin, 2021 | ||||||||||||||||||||||||||
| 3. | F. Hu, X. Hei, AI, Machine Learning and Deep Learning. A Security Perspective, Taylor & Francis Ltd, 2024 | ||||||||||||||||||||||||||
| 4. | K. Holley, M. Mathur, LLMs and Generative AI for Healthcare, O′Reilly Media, 2024 | ||||||||||||||||||||||||||
| 5. | V. Zocca, G. Spacagna, D. Slater, P. Roelants, Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe, Helio, Gliwice, 2018 | ||||||||||||||||||||||||||
| Koordynator przedmiotu: | dr inż. Marcin Czajkowski, dr inż. Krzysztof Jurczuk, prof. dr hab. inż. Marek Krętowski | Data: | 30/05/2025 | ||||||||||||||||||||||||