Informatika a AI v medicíně

Garant předmětu:

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra dozimetrie a aplikace ionizujícího záření

Anotace:

Předmět seznamuje studenty se základy umělé inteligence a jejími aplikacemi v medicíně, zejména v radiologii a radioterapii. Zaměřuje se na porozumění klinickému workflow, práci s medicínskými daty a principům jejich zpracování. Studenti získají základní přehled o metodách strojového učení a jejich využití v analýze medicínských obrazů, včetně souvisejících etických a bezpečnostních aspektů.

Požadavky:

Studenti během semestru vypracují 5 praktických úloh zaměřených na práci s daty a obrazy v Pythonu. Obsahem úloh bude vizualizace a základní analýza dat, zpracování medicínského obrazu, implementace jednoduchého modelu strojového učení, vyhodnocení modelu (metriky, interpretace) a mini projekt aplikace AI nebo zpracování obrazu v medicíně. Úlohy jsou řešeny samostatně na základě připravených podkladů a průběžně konzultovány v rámci cvičení. Kontrola probíhá průběžně během semestru a je zakončena individuálním ústním pohovorem, během kterého student prokáže porozumění jednotlivým krokům řešení, použitým metodám i dosaženým výsledkům. Podmínkou získání klasifikovaného zápočtu je odevzdání všech úloh a úspěšné absolvování tohoto pohovoru. Hodnocení zohledňuje kvalitu zpracování úloh, míru porozumění problematice a schopnost kriticky diskutovat výsledky.

Osnova přednášek:

1.AI v medicíně: Přehled využití AI v medicíně.

2.AI v klinickém workflow radiologie: Tok dat od akvizice obrazu po diagnostiku, role AI.

3.Základy informatiky ve zdravotnictví: Typy medicínských dat, ukládání a přenos dat.

4.Bezpečnost a ochrana dat ve zdravotnictví: Šifrování, anonymizace, ochrana osobních údajů.

5.DICOM a PACS systémy: Struktura medicínských obrazových dat, ukládání a sdílení obrazů.

6.Digitální obraz a základy CT rekonstrukce: Pixel, voxel, šum, základní principy rekonstrukce.

7.Zpracování medicínského obrazu: Filtrace, úprava kontrastu, základní operace.

8.Základy strojového učení: Model, trénování, chyba modelu.

9.Neuronové sítě a konvoluční přístupy: Princip neuronových sítí a jejich využití v obraze.

10.Aplikace AI v radiologii: Detekce, klasifikace, low-dose CT, rekonstrukce.

11.Aplikace AI v radioterapii a radiobiologii: Segmentace, plánování léčby, predikce odezvy.

12.Validace modelů, bias a etika AI ve zdravotnictví: Limity AI, bezpečné použití v klinické praxi.

Osnova cvičení:

Cvičení probíhají formou praktické práce v prostředí Python (Jupyter Notebook). Studenti pracují s připravenými (anonymizovanými) medicínskými daty, včetně formátu DICOM, a postupně upravují a rozšiřují dodaný kód. Důraz je kladen na praktické porozumění práci s pacientskými daty v klinickém kontextu, jejich bezpečné zpracování a interpretaci výsledků.

1.2. týden: Základy programování v Pythonu, práce s datovými strukturami

3.4. týden: Načítání, vizualizace a kontrola kvality medicínských obrazových dat (včetně artefaktů)

5.6. týden: Práce s DICOM metadaty, jejich extrakce, anonymizace a základy bezpečné manipulace s daty

7.8. týden: Základní metody zpracování obrazu a úvod do segmentace

9.10. týden: Implementace a základní vyhodnocení modelu strojového učení (včetně metrik kvality)

11. týden: Samostatná práce na projektu (analýza dat nebo obrazu, návrh jednoduché pipeline)

12. týden: Prezentace projektů, diskuse výsledků a jejich interpretace v klinickém kontextu

Cíle studia:

Předmět poskytuje studentům ucelený úvod do informatiky ve zdravotnictví a základů umělé inteligence se zaměřením na radiologii, radioterapii a zpracování medicínských dat. Důraz je kladen na pochopení struktury a toku medicínských dat, principů digitálního obrazu a základních metod strojového učení, stejně jako na jejich praktické využití v klinickém prostředí. Součástí výuky je i základní práce s daty v jazyce Python, která umožní studentům prakticky si osvojit principy zpracování obrazu a jednoduchých modelů.

Studijní materiály:

[1]Goodfellow, I.; Bengio, Y.; Courville, A. Deep Learning. MIT Press, 2016.

[2]Huang: PACS and Imaging Informatics: Basic Principles And Applications; John Wiley & Sons, 2009. ISBN 9780470373729.

[3]STEPHAN, Thompson (ed.). Artificial intelligence in medicine. Boca Raton: CRC Press, 2025. ISBN 9781032438344.

Poznámka:

Další informace:

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů: