Detail předmětu

Počítačová podpora lékařské diagnostiky

FEKT-MPDGAk. rok: 2019/2020

Předmět je věnován použití umělé inteligence v medicíně. Je orientován na získání znalostí o počítačově podporované lékařské diagnostice, principech rozhodování v medicíně, práci s neurčitostí v medicínských datech, usuzování za podmínek neurčitosti, principech fuzzy vyjádření neurčité informace a stavbě expertních systémů. Praktické znalosti získají studenti v oblasti programování expertních systémů.

Jazyk výuky

angličtina

Počet kreditů

4

Garant předmětu

prof. Ing. Valentine Provazník, Ph.D.

Zajišťuje ústav

Ústav biomedicínského inženýrství (UBMI)

Nabízen zahraničním studentům

Všech fakult

Výsledky učení předmětu

Absolvent předmětu je schopen:
- popsat základní způsoby počítačového zpracování biomedicínských dat,
- vysvětlit základní pojmy počítačově podporované lékařské diagnostiky,
- popsat principy základních metod pravděpodobnostního rozhodování,
- diskutovat výhody a nevýhody jednotlivých metod,
- navrhovat jednoduché expertní systémy,
- na základě definovaných požadavků vyhodnotit kvalitu rozhodovacích metod.

Prerekvizity

Student by měl být schopen vysvětlit základní principy pravděpodobnostního počtu, měl by znát základní pojmy zpracování dat a měl by ovládat základní znalosti z databázových systémů. Obecně jsou požadovány znalosti matematiky na úrovni bakalářského studia.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky a laboratorní cvičení na počítači. Předmět využívá e-learning (Moodle). Student odevzdává projekty podle pokynů vyučujících

Způsob a kritéria hodnocení

až 30 bodů ze cvičení (samostatný projekt)
až 70 bodů za písemnou zkoušku
Zkouška je zaměřena na ověření orientace v základních pojmech počítačově podporované lékařské diagnostiky a schopnosti aplikovat základní principy rozhodování v medicíně.

Osnovy výuky

Data, datové struktury
Problematika velkých dat (Big Data) a Smart data, využití ve zdravotnictví
Datamining v medicíně
Pravděpodobnostní usuzování v medicíně, diagnostické testy, pravděpodobnostní testy, kvalita testů, šance, Bayesův teorém
Předtestová a potestová pravděpodobnost, senzitivita a specificita, rozhodovací stromy
Úvod do expertních systémů, umělá inteligence.
Reprezentace znalostí, produkční pravidla
Logika v reprezentaci znalostí, Vennovy diagramy, výroková logika
Inference, modus ponens
Prokazování tvrzení, rezoluční pravidlo, příklady rezoluce
Neurčitost a nepřesná inference
Fuzzy množiny a fuzzy logika

Učební cíle

Cílem předmětu je poskytnout studentům základní orientaci v problematice počítačově podporované diagnostiky v medicíně s prvky umělé inteligence a navrhování jednoduchých diagnostických systémů pro použití v medicíně.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Laboratorní výuka je povinná. Řádně omluvené zameškané hodiny lze nahradit po domluvě s vyučujícím.

Základní literatura

Giarratano, J., Riley, G.: Expert Systems. Principles and Programming. PWS-Publishing Company, Boston, 632 str., 1998. (EN)
Krishnamoorthy, C. S., Rajeev, S.: Artificial Intelligence and Expert Systems for Engineers. CRC Press, 1996. (EN)
Nguyen, H. T., Walker, E. A.: A First Course in Fuzzy Logic. CRC Press, 1997. (EN)
Provazník, I., Kozumplík, J. Expertní systémy. Brno: VUTIUM, 1999. ISBN 8021414863 (CS)

Elearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program EEKR-M1 magisterský navazující

    obor M1-BEI , 2 ročník, zimní semestr, volitelný oborový

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1 ročník, zimní semestr, volitelný oborový

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Ing. Jiří Sekora, MBA

Osnova

1. Úvod do expertních systémů, umělá inteligence.
2. Pravděpodobnostní usuzování v medicíně, diagnostické testy.
3. Pravděpodobnostní testy, kvalita testů, šance, Bayesův teorém.
4. Předtestová a potestová pravděpodobnost, senzitivita a specificita, rozhodovací stromy.
5. Reprezentace znalostí, produkční pravidla.
6. Logika v reprezentaci znalostí, Vennovy diagramy, výroková logika.
7. Inference, modus ponens.
8. Prokazování tvrzení, rezoluční pravidlo.
9. Příklady rezoluce.
10. Neurčitost a nepřesná inference.
11. Fuzzy množiny.
12. Fuzzy logika.

Cvičení na počítači

13 hod., povinná

Vyučující / Lektor

Ing. Jiří Sekora, MBA

Osnova

Řešení individuálních projektů návrhu expertních systémů jako systémů počítačově podporované diagnostiky v medicíně.

Elearning

eLearning: aktuální otevřený kurz