3 дня
8 часов каждый день
В Сколтехе
или у заказчика
Программа дополнительного образования
«Машинное обучение в медицине»


Научитесь создавать компьютерные модели распознавания закономерностей в медицине
О курсе
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).
Особенности курса
Преподаватели
Преподаватели курса имеют значительный опыт решения задач в индустрии и преподавания машинного обучения в медицине.
Гибкость
Курс может проводиться как на территории кампуса Сколковского института науки
и технологий, так и на площадке заказчика. Курс подойдет как частной клинике, так и крупному государственному учреждению.

Средства оценки качества
Программа курса включает домашние задания, финальный проект и контрольную работу
по итогам курса*.
*Компаниям-заказчикам рекомендуется выделить сотрудникам достаточно времени для полноценного прохождения курса и выполнения заданий.
Интенсивность работы
Рекомендованная продолжительность программы — три дня, по 8 часов в день раз в неделю. Оптимальное количество слушателей — 10-20 человек.
Преподаватель курса
Доцент Сколковского института науки и технологий, кандидат физико-математических наук
Заведующий направлением «Биомедицина»
CDISE Сколтеха
PhD
, Принстонский университет, США

Эксперт в области физики формирования изображений и их математического анализа. Автор фундаментальных работ по стохастическому усилению шумных изображений (публикации в Nature Photonics, Physical Review Letters, Optics Letters), а также прикладных работ в области биофотоники, микроскопии и связанной с ними аналитики
(15 международных патентов).

Разработки Дмитрия Дылова внедрены
в компаниях GE Healthcare (включая два выделенных биотехнических стартапа) и опробованы в ведущих клинических центрах США (MSKCC, MGH, UCSF, Albany Med).

Дмитрий преподавал в Принстонском Университете, где получил сертификат McGraw Teaching Excellence, и обучал инженеров
в General Electric в рамках программы дополнительного образования (Edison Engineering Development Program). Также обучал основам программирования студентов-медиков
в центрах радиологии и хирургии в Нью Йорке при работе над конкретными техническими задачами в рамках сотрудничества по научным проектам.
Согласование программы с заказчиком
Задача Сколтеха — провести максимально эффективный курс, который поможет компании улучшить показатели в различных областях.
Программа может быть адаптирована под потребности конкретного заказчика.
Учет уровня слушателей
Базовый курс разработан в расчете на участников с высшим образованием
и опытом программирования, однако программа может быть адаптирована под слушателей любого уровня подготовки с учетом запросов компании-заказчика.
Выбор общего уровня группы
Наиболее эффективны курсы, которые проводятся в группе с участниками схожего уровня подготовки. Курсы для сотрудников с гуманитарными и техническими функциями в компании могут быть проведены отдельно.
Адаптация содержания и вида программы
Программа курса может быть изменена после обсуждения целей заказчика. Продолжительность курса может быть увеличена или сокращена. Курс может проводиться в формате еженедельных занятий или в формате ежедневного интенсива.

Например, директора поликлиник смогут научиться стратегическим инструментам прогнозирования эффективности лечения, основанным на статистических данных; в то время как программисты отдела радиологии найдут более полезным интенсивный курс по компьютерному зрению, применимо к рентген-изображениям или к МРТ.
Содержание курса
Пример трёхдневной программы, приведенной ниже, составлен для работника медучреждения, знакомого с техническими науками и программированием (в идеале, Python). В случае отсутствия навыков программирования, мы рекомендуем вначале пройти специальный курс для медработников.

Этот вариант программы подходит для большинства IT отделов, состоящих при госпиталях или клиниках (как государственных, так и частных). В целях ознакомления в курсе присутствует некоторый математический материал, который адаптирован под слушателя (без серьезного углубления в детали).

День 1
  1. Часто встречающиеся задачи в медицине
  2. Что такое анализ данных и какие существуют инструменты
  3. Статистические стандарты: правильная подготовка выборки данных
  4. Задачи классификации, регрессии и кластеризации на примерах
День 2
  1. Что такое Big Data и как с ней работать. Знакомство с WEKA
  2. Снижение размерности данных (на примере PCA)
  3. Детектирование аномалий
  4. Ядерные методы (SVM) и решающие деревья (Random Forest)
  5. Пример из жизни: анализ медицинской базы данных
День 3
  1. Основы работы с изображениями в ImageJ
  2. Обзор задач компьютерного зрения в медицине
  3. Нейронные сети и стандартные библиотеки анализа в Python
  4. Практикум: диагностика и сегментирование опухоли по МРТ
  5. О будущем: симбиоз медицины и искусственного интеллекта
Узнайте больше о курсе
Если вас заинтересовала возможность проведения курсов по машинному обучению в медицине, пожалуйста, заполните форму по ссылке или напишите по адресу fedu@skoltech.ru
Made on
Tilda