Hvala što ste poslali upit! Jedan od naših članova tima će vas uskoro kontaktirati.
Hvala što ste poslali rezervaciju! Jedan od naših članova tima će vas uskoro kontaktirati.
Trajanje 14 sati
Sadržaj kursa
Uvod u veštačku inteligenciju u zdravstvu
- Primene veštačke inteligencije u kliničkoj potpori odlučivanju i dijagnostici
- Pregled modaliteta zdravstvenih podataka: strukturirani, tekstualni, snimci, senzorski podaci
- Izazovi specifični za razvoj medicinske veštačke inteligencije
Priprema i upravljanje zdravstvenim podacima
- Rad sa EMR, laboratorijskim rezultatima i HL7/FHIR podacima
- Predobrada medicinskih snimaka (DICOM, CT, MRI, rendgen)
- Ophranjavanje vremenskih serija podataka iz nosive elektronike ili ICU monitora
Tehnike usavršavanja modela za zdravstvo
- Transfer learning i adaptacija na specifičan domen
- Podešavanje modela za specifične zadatke klasifikacije i regresije
- Usavršavanje sa malim brojem resursa i ograničenim anotiranim podacima
Predviđanje bolesti i prognoza ishoda
- Ocenjivanje rizika i ranopreventivni sistemi upozorenja
- Prediktivna analitika za ponovne hospitalizacije i odgovor na tretman
- Integracija multimedijalnih modela
Etika, privatnost i regulatorna razmatranja
- HIPAA, GDPR i rukovanje podacima pacijenata
- Mitigacija pristrasnosti i audiranje pravičnosti u modelima
- Objašnjivost (explainability) u kliničkim odlukama
Evaluacija i validacija modela u kliničkim uslovima
- Metrike performansi (AUC, osetljivost, specifičnost, F1)
- Tehnike validacije za nesbalansirane i visoko rizikovne skupove podataka
- Testiranje u simulaciji vs. testiranje u stvarnom svetu
Implementacija i praćenje u zdravstvenim okruženjima
- Integracija modela u bolničke IT sisteme
- CI/CD u regulisanim medicinskim okruženjima
- Detekcija drifta nakon implementacije i kontinuirano učenje
Zaključak i sledeći koraci
Uslovi
- Razumevanje principa mašinskog učenja i nadziranog učenja (supervised learning)
- Iskustvo sa zdravstvenim skupovima podataka, poput EMR, snimaka ili kliničkih beležaka
- Znanje jezika Python i ML frameworkova (npr. TensorFlow, PyTorch)
Ciljna grupa
- Developeri medicinske veštačke inteligencije
- Naučnici na podacima u zdravstvu
- Profesionalci koji grade dijagnostičke ili prediktivne modele za zdravstvo
Iskustva korisnika (2)
veštine i projekti u Claude-u, raznolikost alata za različite svrhe
Agnieszka Czypionka
Kurs - Generative AI in Healthcare: Transforming Medicine and Patient Care
Mašinski prevedeno
Obimnost u vezi sa pozadinom; kako da se sastavi uputstvo.
Olaf Kannt - Helios Klinikum Krefeld
Kurs - Generative AI and Prompt Engineering in Healthcare
Mašinski prevedeno