Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
Продължителност 14 часa (2 дни)
Съдържание и теми, включени в курса
Въведение в ИИ в здравеопазването
- Приложения на ИИ в клиничната подкрепа за вземане на решения и диагностиката
- Преглед на модалностите на здравните данни: структурирани, текстови, образни, сензорни
- Уникални предизвикателства при разработката на медицински ИИ
Подготовка и управление на здравни данни
- Работа с електронни медицински записи, лабораторни резултати и HL7/FHIR данни
- Предварителна обработка на медицински изображения (DICOM, CT, MRI, рентген)
- Обработване на данни от времеви редове от носими устройства или монитори в интензивни отделения
Техники за фино настройване на модели за здравеопазване
- Трансферно обучение и специфична за домейна адаптация
- Специфично за задачата настройване на модели за класификация и регресия
- Фино настройване с ограничени ресурси при наличие на малко анотирани данни
Предсказване на заболявания и прогнозиране на изхода
- Оценяване на риска и системи за ранно предупреждение
- Предсказваща аналитика за повторен прием и отговор на лечение
- Интеграция на мултимодални модели
Етика, поверителност и регулаторни съображения
- HIPAA, GDPR и обработване на пациентски данни
- Намаляване на пристрастията и одит на справедливостта в моделите
- Обяснимост при вземането на клинични решения
Оценка и валидиране на модели в клинична среда
- Показатели за ефективност (AUC, чувствителност, специфичност, F1)
- Техники за валидиране при небалансирани и високорискови набори от данни
- Симулирани спрямо реални тестови процеси
Внедряване и наблюдение в здравни среди
- Интеграция на модели в болнични IT системи
- CI/CD в регулирани медицински среди
- Откриване на отклонения след внедряване и непрекъснато обучение
Обобщение и следващи стъпки
Изисквания
- Разбиране на принципите на машинното обучение и обучението с учител
- Опит с набори от здравни данни като електронни медицински записи, образни данни или клинични бележки
- Познания по Python и ML рамки (напр. TensorFlow, PyTorch)
Аудитория
- Разработчици на медицински ИИ
- Data scientists в здравеопазването
- Професионалисти, изграждащи диагностични или предсказващи модели за здравеопазване