Microcredencial Universitaria de Aplicaciones de la IA en la Investigación en Salud y Bienestar (2 ECTS)

1. Introducción a la Inteligencia Artificial
  1.1. Historia y evolución de la IA.
  1.2. Conceptos básicos para entender el funcionamiento de la IA.
  1.3. Tipologías de IA.
  1.4. Inteligencia artificial generativa.
  1.5. Aspectos éticos y legales de la IA.

2. Aplicaciones del Aprendizaje Automático a datos de salud
  2.1. Qué es el aprendizaje automático: introducción y tipos.
  2.2. Fuentes, tipos y tratamiento de los datos de salud.
  2.3. Algoritmos de aprendizaje automático y aplicaciones clínicas. Comparativa entre modelos.
  2.4. Casos prácticos de IA en medicina.
  2.5. Riesgos y sesgos en el uso de la IA en salud.

3. Aplicaciones del Deep Learning a imágenes biomédicas
  3.1. Casos de aplicaciones en nuestros campos de estudio/investigación.
  3.2. Los grandes modelos del estado del arte en clasificación/detección/segmentación/coregistro. Métricas específicas de cada tarea.
  3.3. Caso de estudio: ejemplos prácticos basados en la experiencia.
  3.4. Aceptación por parte de los especialistas: explicabilidad e interpretabilidad.

4. Uso de técnicas de IA con datos ómicos y multi-ómicos
  4.1. Tipos de datos ómicos: genómica, transcriptómica, proteómica, metabolómica, epigenómica, microbioma, radiómica. Retos asociados: dimensionalidad, número de muestras, sesgos.
  4.2. Preparación y tratamiento de datos ómicos: variables dependientes, reducción de dimensionalidad, normalización, imputación, filtrado, selección de variables.
  4.3. Representación de datos ómicos: tablas de expresión, redes génicas, embeddings, matrices de coexpresión.
  4.4. Regularización: penalizaciones en la función de pérdida, aumento de datos, dropout y batch normalization.
  4.5. Métodos de integración de datos multi-ómicos. Caso de estudio.