Medicina e chirurgia HT

Tipologia

Fisiopatologia, metodologia clinica, propedeutica clinica e sistematica medico-chirurgica

SSD

MED/09

Anno

N/D

Semestre

N/D

CFU

1

Distribuzione delle ore

13 classroom hours

Docenti

GIORGIO GRANI

Tipologia

Funzioni biologiche integrate di organi, sistemi e apparati umani

SSD

ING-INF/05

Anno

N/D

Semestre

N/D

CFU

8

Distribuzione delle ore

104 classroom hours

Docenti

PIETRO LIO

Tipologia

Fisiopatologia, metodologia clinica, propedeutica clinica e sistematica medico-chirurgica

SSD

MED/18

Anno

N/D

Semestre

N/D

CFU

1

Distribuzione delle ore

13 classroom hours

Docenti

ANDREA POLISTENA

Tipologia

Fisiopatologia, metodologia clinica, propedeutica clinica e sistematica medico-chirurgica

SSD

MED/12

Anno

N/D

Semestre

N/D

CFU

1

Distribuzione delle ore

13 classroom hours

Docenti

FLAMINIA FERRI

L'obiettivo principale del corso è fornire agli studenti una solida comprensione dei concetti fondamentali e delle tecniche chiave del Machine Learning.
Apprendere le basi teoriche e le principali tecniche per la raccolta dei dati di interesse sanitario.
Saper valutare un modello di intelligenza artificiale per l'utilizzo medico a scopo diagnostico.
Saper valutare un modello di intelligenza artificiale per l'utilizzo medico a scopo prognostico.
Conoscere le limitazioni dei sistemi di IA in medicina.

Al termine del corso, gli studenti saranno in grado di:
Distinguere e spiegare i concetti di apprendimento supervisionato, non supervisionato e (a grandi linee) per rinforzo.
Comprendere i principi matematici e algoritmici alla base dei principali modelli di ML trattati.
Implementare algoritmi di ML utilizzando librerie standard (es. Python con Scikit-learn).
Applicare tecniche di clustering (K-Means, Gerarchico, Lovain) e riduzione della dimensionalità (PCA).
Costruire e valutare modelli predittivi (Regressione Logistica, Alberi, Foreste, XGBoost).
Comprendere i concetti base di reti neurali (CNN, Autoencoders) e Trasformatori.
Selezionare l'approccio di ML più adatto in base al problema e ai dati disponibili.
Valutare criticamente le performance e l'interpretabilità dei modelli.
Lavorare con dataset reali utilizzando strumenti appropriati.

In generale, gli studenti dovrebbero essere in grado di selezionare, implementare e valutare appropriati algoritmi di ML per risolvere problemi specifici, comprendendone i punti di forza, le debolezze e l'interpretabilità.

All'inizio del corso, vi verrà chiesto di compilare un breve form online per raccogliere informazioni sulle vostre aspettative e sul vostro background, al fine di adattare al meglio l'esperienza didattica.

Prerequisiti Consigliati:
Conoscenze di base di programmazione (preferibilmente Python).
Concetti base di probabilità e statistica.
Familiarità con l'analisi di dati è un vantaggio.

Modulo: MEDICINA INTERNA
Applicazioni dell'intelligenza artificiale in medicina: a fini di diagnosi, prognosi, predizione, terapia.

Origini dei big data di interesse sanitario: cartelle cliniche elettroniche, dati amministrativi, schede di dimissione ospedaliera, tecnologie -omiche (genomica, trascrittomica, proteomica, multiomica)

Digital Health ed e-Health come "uso efficiente e sicuro delle tecnologie dell’informazione e della comunicazione a sostegno dei settori della sanità e relativi alla salute, tra cui l’assistenza sanitaria, la sorveglianza sanitaria e l’educazione alla salute, la conoscenza e la ricerca".

Dispositivi indossabili e "Internet-of-things".

Condivisione dei dati e sicurezza.

Il contributo dei big data e della intelligenza artificiale alla medicina di precisione e alla medicina delle quattro P (preventiva, predittiva, personalizzata e partecipativa).

Potenziali limitazioni: overfitting, correlazioni spurie, "black boxes"


Modulo: INTELLIGENZA ARTIFICIALE - MACHINE LEARNING - BIG DATA
Il corso esplorerà i principali paradigmi dell'apprendimento automatico: supervisionato e non supervisionato. Verranno trattati sia metodi considerati più facilmente interpretabili, sia tecniche più complesse.

Apprendimento Supervisionato (Interpretabile): Regressione Logistica, Alberi Decisionali, Random Forest, XGBoost. Si analizzerà come questi metodi gestiscono molte variabili e ne forniscono l'importanza, con un focus sulla Regressione Logistica per outcome binari. Metriche di valutazione dei risultati.

Apprendimento Non Supervisionato (Interpretabile): K-Means Clustering (con focus sull'input del numero di cluster), Clustering Gerarchico (inclusi alberi filogenetici), Lovain Clustering (per reti complesse, basato su community e modularità), Network Medicine (applicazioni da omica a dati clinici e sociali), PCA (Principal Component Analysis per la riduzione della dimensionalità).

Apprendimento Supervisionato (Difficile da Interpretare): Reti Neurali Convoluzionali (CNN), CNN per Immagini Biomediche: U-NET, Segmentazione semantica delle Immagini, Transformers, Vision transformers; Dai Transformers ai Language Models, Esempi di Language Models in Medicina. Cosa e’ l’ Explainability (XAI): riconoscere bias. Shap (SHapley Additive exPlanations).

Apprendimento Non Supervisionato (Difficile da Interpretare): Autoencoders, Variational Autoencoders (VAE). Esempi di integrazione dati Omici e di analisi di Immagini.

Altri Argomenti: Verrà fornita una breve introduzione al Deep Reinforcement Learning: cosa e’ un agente, cosa sono reward e policy, esempio applicazione in medicina.

Il corso avrà un forte orientamento pratico, utilizzando dataset reali provenienti da fonti come UK Biobank, Kaggle Datasets e Physionet, e facendo riferimento a strumenti e librerie comuni (Tensorflow e Pytorch) e repository di programmi (Huggingface).




Modulo: CHIRURGIA GENERALE
Applicazioni di Big Data e Learning machine alla patologia della mammella, alle endocrinopatie di interesse chirurgico del collo, alla patologie delle vie biliari e del pancreas, alla patologia chirurgica della parete addominale.



Modulo: GASTROENTEROLOGIA
AI in Gastroenterology Overview, Applicazione AI alle IBD, alle epatiti acute e croniche, alla diagnosi e alla gestione dell'HCC e al trapianto di fegato

Modulo: MEDICINA INTERNA
Materiali su piattaforma Moodle di Ateneo.



Modulo: INTELLIGENZA ARTIFICIALE - MACHINE LEARNING - BIG DATA
Materiale Didattico: Le slide delle lezioni, notebook di codice, e articoli scientifici rilevanti saranno resi disponibili sulla piattaforma e-learning del corso (Piattaforma Moodle Elearning Sapienza)





Modulo: CHIRURGIA GENERALE
ISBN: 9788821446917
Titolo: Sabiston - Trattato di chirurgia
Autori: Sabiston - Townsend - Beauchamp - Evers - Mattox
Editore: Elsevier - Masson EDIZIONI
Volume: Unico
Edizione: XX 2019


Modulo: GASTROENTEROLOGIA
Materiale su piattaforma Moodle di Ateneo

Modulo: MEDICINA INTERNA
N/D
Modulo: INTELLIGENZA ARTIFICIALE - MACHINE LEARNING - BIG DATA
Testi Consigliati (Opzionali):
Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning. MIT Press (gratuitamente scaricabile dal sito ufficiale https://www.deeplearningbook.org/
Christopher M. Bishop, Hugh Bishop Deep Learning: Foundation and Concepts, Springer 2024
Aurelien Geron Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 3rd edition.


Modulo: CHIRURGIA GENERALE
N/D
Modulo: GASTROENTEROLOGIA
N/D

Metodologie Didattiche: Lezioni frontali con supporto di slide, sessioni pratiche di coding (individuali o di gruppo), discussioni guidate, analisi di articoli scientifici e casi studio.

Partecipazione: È fortemente incoraggiata la partecipazione attiva alle lezioni e alle discussioni. Le sessioni pratiche richiederanno l'uso del proprio laptop (o l'accesso a postazioni del laboratorio, se disponibili) con l'ambiente di sviluppo configurato (dettagli verranno forniti). La preparazione individuale prima delle lezioni (lettura materiali, ripasso concetti) è fondamentale per una proficua partecipazione.

Frequenza: Obbligatoria, con registrazione della frequenza.

La valutazione finale sarà basata sui seguenti componenti:
Prova Scritta Finale: 3/4 domande teoriche, esercizi a risposta breve (mezza pagina A4) + 30 domande a risposta multipla.

Il voto finale sarà espresso in trentesimi, per conversione del punteggio ottenuto nel test scritto.

Le domande sono correlate agli argomenti di lezione: ad esempio,
- definizione di Big Data
- modalità di studio diagnostico delle neoplasie della mammella
- possibili danni iatrogeni durante la tiroidectomia totale
- percorso diagnostico dell'ittero ostruttivo.

Modulo: MEDICINA INTERNA

• Introduzione ai dati in ambito sanitario
  • Testi di riferimento: Documenti disponibili su Moodle


• Le fonti dei dati sanitari
  • Testi di riferimento: Documenti disponibili su Moodle


• Esempi applicativi: l'intelligenza artificiale per la classificazione del nodulo tiroideo
  • Testi di riferimento: Documenti disponibili su Moodle


• Esempi applicativi: l'intelligenza artificiale per la stratificazione del rischio del carcinoma tiroideo
  • Testi di riferimento: Documenti disponibili su Moodle


• Esempi applicativi: le sfide per il miglioramento della qualità dell'assistenza in oncologia
  • Testi di riferimento: Documenti disponibili su Moodle


• Saper interpretare un modello predittivo in ambito clinico: regole e checklist
  • Testi di riferimento: van Smeden M, Heinze G, Van Calster B, Asselbergs FW, Vardas PE, Bruining N, de Jaegere P, Moore JH, Denaxas S, Boulesteix AL, Moons KGM. Critical appraisal of artificial intelligence-based prediction models for cardiovascular disease. Eur Heart J. 2022 Aug 14;43(31):2921-2930. doi: 10.1093/eurheartj/ehac238. PMID: 35639667; PMCID: PMC9443991.


• Overreliance
  • Testi di riferimento: Littmann L. Computer-Estimated Heart Rate vs True Heart Rate-Be Aware of the Software. JAMA Intern Med. 2023 May 1;183(5):480-481. doi: 10.1001/jamainternmed.2022.6613. PMID: 36912855.

• Apprendimento Supervisionato (Interpretabile)
  • Testi di riferimento: Piattaforma Moodle Elearning Sapienza


• Apprendimento Non Supervisionato (Interpretabile)
  • Testi di riferimento: Piattaforma Moodle Elearning Sapienza


• Apprendimento Supervisionato (Difficile da Interpretare)
  • Testi di riferimento: Piattaforma Moodle Elearning Sapienza


• Apprendimento Non Supervisionato (Difficile da Interpretare)
  • Testi di riferimento: Piattaforma Moodle Elearning Sapienza


• Deep Reinforcement Learning
  • Testi di riferimento: Piattaforma Moodle Elearning Sapienza

• patologia della mammella


• endocrinopatie di interesse chirurgico del collo


• patologie delle vie biliari


• patologie del pancreas


• patologia chirurgica della parete addominale

• AI in Gastroenterologia Overview
  • Testi di riferimento: Materiale didattico su Moodle


• Applicazione dell'AI nelle IBD
  • Testi di riferimento: Materiale didattico su Moodle


• Impiego dell'AI nelle malattie epatiche croniche
  • Testi di riferimento: Materiale didattico su Moodle


• Intelligenza artificiale nelle diagnosi e gestione del HCC
  • Testi di riferimento: Materiale didattico su Moodle


• Applicazione dell'AI nell'ambito del trapianto di fegato: dalla scelta del donatore al gestione del post-trapianto
  • Testi di riferimento: Materiale didattico su Moodle


• Integrazione dell'AI nelle metodiche di endoscopia digestiva
  • Testi di riferimento: Materiale didattico su Moodle