Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Data Science							Poziom i forma studiów	pierwszego stopnia inżynierskie stacjonarne
Specjalność / Ścieżka dyplomowania	---							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Sztuczna inteligencja w medycynie							Kod przedmiotu	DS1S5SIM
								Rodzaj przedmiotu	obowiązkowy
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	5
	30				30			Punkty ECTS	4
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
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.
Metody dydaktyczne	dyskusja rozwiązań, praca w grupach, wykład konwersatoryjny, wykład problemowy, wykład z prezentacją multimedialną,
Forma zaliczenia	W zaliczenie pisemne z pytaniami testowymi i otwartymi Ps opracowanie zadań projektowych realizowanych w grupach
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
E1	Wiedza: student zna i rozumie metody i techniki sztucznej inteligencji stosowane w analizie danych medycznych								DS1_W07 DS1_W09 DS1_W21
E2	Wiedza: student zna i rozumie specyfikę przetwarzania danych medycznych w kontekście systemów sztucznej inteligencji								DS1_W06 DS1_W16
E3	Wiedza: student zna i rozumie regulacje prawne i aspekty etyczne dotyczące zastosowania sztucznej inteligencji w medycynie								DS1_W11 DS1_W16
E4	Umiejętności: student potrafi implementować i stosować metody sztucznej inteligencji do analizy sygnałów i obrazów medycznych								DS1_U08 DS1_U11 DS1_U13(H1_U01) DS1_U18 DS1_U21
E5	Umiejętności: student potrafi projektować systemy wspomagania decyzji klinicznych uwzględniające wymagania prawne i etyczne								DS1_U04 DS1_U11 DS1_U21
E6	Umiejętności: student potrafi przeprowadzić ewaluację rozwiązań sztucznej inteligencji w kontekście medycznym								DS1_U13(H1_U01) DS1_U18
E7	Kompetencje społeczne: student jest gotów do uwzględniania aspektów etycznych i społecznej odpowiedzialności przy projektowaniu systemów sztucznej inteligencji w medycynie								DS1_K03 (H1_K01) DS1_K05
Symbol efektu uczenia się	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
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - udział w wykładach								30
	2 - udział w innych formach zajęć								30
	3 - indywidualne wsparcie merytoryczne procesu uczenia się, udział w zaliczeniach organizowanych poza planem zajęć								4
	4 - przygotowanie do zaliczenia wykładu								8
	5 - przygotowanie do bieżących zajęć								28
RAZEM:									100
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									64 (1)+(2)+(3)	2.6
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									62 (2)+(3)+(5)	2.5
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
Jednostka realizująca	Wydział Informatyki								Data opracowania programu
Program opracował(a)	dr inż. Marcin Czajkowski,dr inż. Krzysztof Jurczuk,prof. dr hab. inż. Marek Krętowski								2025.05.30