Microcredencial Universitària d'Aplicacions de la IA en la Investigació en Salut i Benestar (2 ECTS)

1. Introducció a la Intel·ligència Artificial.

  1.1 Història i evolució de la IA.

  1.2 Conceptes bàsics per a entendre el funcionament de la IA.

  1.3 Tipologies de IA.

  1.4 Intel·ligència artificial generativa.

  1.5 Aspectes ètics i legals de la IA.

 
2. Aplicacions de l'Aprenentatge Automàtic a dades de salut.

  2.1 Què és l'aprenentatge automàtic: introducció i tipus.

  2.2 Fonts, tipus, i tractament de les dades de salut.

  2.3 Algorismes d’aprenentatge automàtic i aplicacions clíniques. Comparativa entre models.

  2.4 Casos pràctics d’IA en medicina.

  2.5 Riscos i biaixos en l’ús de la IA en salut.

 
3. Aplicacions del Deep Learning a imatges biomèdiques.

  3.1 Casos d'aplicacions dels nostres camps d'estudi/investigació.

  3.2 Els grans models de l'estat de l'art de classificació/detecció/segmentació/coregistre. Mètriques específiques de cada tasca.

  3.3. Cas d'estudi: exemples pràctics basats en l'experiència.

  3.4. Acceptació pels especialistes: explicabilitat i interpretabilitat.

4. Ús de tècniques d’IA amb dades òmiques i multiòmiques.

  4.1. Tipus de dades òmiques: genòmica, transcriptòmica, proteòmica, metabolòmica, epigenòmica, microbioma, radiòmica. Reptes associats: dimensionalitat, nombre de mostres, biaixos.

  4.2. Preparació i tractament de dades òmiques: variables depenents, reducció de dimensionalitat, normalització, imputació, filtratge, selecció de variables.

  4.3. Representació de dades òmiques: Taules d'expressió, xarxes gèniques, embeddings, matrius de coexpressió.

  4.4. Regularització: penalitzacions en la funció de pèrdua, augmentació de dades, dropout i batch normalization.

  4.5. Mètodes d'integració de dades multiòmiques. Cas d'estudi.