Medicina e chirurgia HT (abilitante all'esercizio della professione di Medico Chirurgo)

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).

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)

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.