Распознавание различных закономерностей в медицине осуществляется обычно медработником на основе имеющихся данных и на основе накопленного опыта в медицинском сообществе. Цель машинного обучения – создать компьютерные модели такого распознавания. Эти модели могут либо помогать врачам своей рекомендацией (например, при сложной диагностике), либо могут даже заменять человека целиком (например, при исполнении рутинных задач лечебной практики, таких как учёт больничных коек или заказ израсходованных материалов в клинике).

Знание методов машинного обучения особенно актуально сегодня, когда происходит повсеместное внедрение высокотехнологичных решений в здравоохранение -- от носимых гаджетов и телемедицины (для использования в домашних условиях), до сложных молекулярных исследований и генетических анализов, проводимых в лабораториях. Очевидна также и необходимость внедрения методов машинного обучения в амбулаторную практику, где системы формирования изображений (например, МРТ, КТ, ультразвук) и физиологические системы мониторинга (ЭКГ, ЭЭГ, пульс-оксиметрия) генерируют огромное количество данных.

В рамках этого курса будут рассмотрены методы автоматизации обучения на больших данных, методы извлечения полезной информации из больших массивов, а также – создание диагностической рекомендации, и статистическая оценка её качества. В зависимости от нужд медицинского коллектива, программа может включать в себя самый разный перечень решаемых сегодня задач машинного обучения в медицине. Сложность курса варьируется от поверхностного обзора самых последних достижений (идеально подходит для руководителей диагностических центров и главврачей) до тематических «погружений» в конкретные задачи (идеально для IT отделов).