Отраслевой модуль: Анализ медицинских данных на основе методов искусственного интеллекта

Проект ТОП-ИИ

Анализ медицинских данных на основе методов искусственного интеллекта

Формат обучения

Объем модуля

Период проведения

Здравоохранение (медицина, фармакология, психология, физическая культура и спорт)

Онлайн (очный с применением дистанционных технологий)

180 ак. часа

Рекомендуется студентам с 3 курса

ТОП-ИИ

Отраслевой модуль

Модуль разработан для внедрения
в образовательные программы вузов

Модуль ориентирован на подготовку специалистов в области медицины (лечебное дело), обладающих практическими навыками применения технологий искусственного интеллекта для анализа медицинских данных, поддержки клинических решений и диагностики. В нём рассматриваются современные ИИ-решения и инструменты для предобработки структурированных и неструктурированных медицинских данных (электронные медицинские карты, лабораторные анализы, витальные показатели, текстовые документы), методы машинного обучения для классификации, регрессии, кластеризации и обнаружения аномалий, а также основы нейронных сетей и компьютерного зрения для анализа рентгеновских снимков, дерматоскопических изображений, гистологических данных и других медицинских изображений. Особое внимание уделяется работе с облачными средами, Python и библиотекам для анализа данных, визуализации и построения моделей.

Модуль разработан в рамках проекта ТОП-ИИ Минцифры России при участии АНО «Аналитический центр при Правительстве Российской Федерации» и предлагается вузам для внедрения в образовательные программы высшего образования.

Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки врачей, обеспечить связь медицинских компетенций обучающихся с актуальными запросами здравоохранения и сформировать у студентов базовые навыки работы с медицинскими данными, инструментами анализа данных и прикладными ИИ-решениями, востребованными в клинической практике, дифференциальной диагностике, персонализированной медицине и принятии обоснованных клинических решений.

Для кого подготовлен

о модуле

31.05.01 Лечебное дело

Специальности и направления подготовки высшего образования, при реализации которых применяется модуль:

Модуль предполагается к прохождению студентами 3-ого курса бакалавриата и старше. Реализуется как компонент основной профессиональной образовательной программы (ОПОП).

Формат обучения

1 семестр, 5 зачетных единиц

Продолжительность

180 ак.ч.: 36 ак.ч. лекции, 28 ак.ч. лабораторные работы, 116 ак.ч. самостоятельная работа (включая подготовку к дифференцированному зачёту)

Трудоемкость

Модуль реализуется вузом самостоятельно в рамках части ОП, формируемой участниками образовательных отношений (электив/факультатив).

Условия реализации

Онлайн (очный с применением дистанционных технологий)

Формат обучения

Русский

Язык обучения

Программа обучения

Отраслевой модуль раскрывает возможности применения искусственного интеллекта для решения ключевых задач в области медицины и здравоохранения: анализа структурированных и неструктурированных медицинских данных, диагностики заболеваний на основе изображений (рентген, дерматоскопия, гистология) и табличных клинических показателей, прогнозирования рисков и исходов, стратификации пациентов, а также разработки интеллектуальных систем поддержки принятия клинических решений.

Технологический стек модуля

TensorFlow / Keras

Построение и обучение сверточных нейронных сетей (CNN), полносвязных сетей, применение transfer learning для классификации медицинских изображений (рентген, дерматоскопия, гистология).

Pandas

Библиотеки для загрузки, фильтрации, агрегации и первичной обработки структурированных медицинских данных (CSV, Excel)

Наборы медицинских данных для практических кейсов

Wisconsin Breast Cancer Dataset
Chest X-Ray Images (Pneumonia)
Skin Cancer MNIST (HAM10000)
Breast Histopathology Images
Cardiovascular Disease Dataset
Hospital Patient Treatment Dataset

NumPy

Инструменты работы с геопространственными данными, спутниковыми снимками и экологическим мониторингом для решения прикладных задач природопользования

Jupyter Notebook / JupyterLab

Формат интерактивных блокнотов, используемый для совмещения кода, визуализаций и текстовых пояснений в рамках единого отчёта.

Matplotlib / Seaborn

Построение гистограмм, scatter-графиков, матриц ошибок, визуализация распределений клинических показателей и временных рядов.

Scikit-learn

Библиотека классического машинного обучения для решения задач классификации, регрессии, кластеризации, деревья решений, метрики оценки качества моделей.

Python

Основной язык программирования модуля для реализации алгоритмов и скриптов, включая автоматизацию обработки, визуализацию и построение моделей машинного обучения.

Разработчики, преподаватели, эксперты

М.Н. Сорокин

Директор ООО "АЙТИМЭДЖИКЛАБ" эксперт

А.А. Целых

Кандидат технических наук, доцент Центра образовательных программ в области искусственного интеллекта
ФГАОУ ВО Южный федеральный университет

С. Сингх

Ассистент кафедры систем автоматического управления Института радиотехнических
систем и управления ФГАОУ ВО Южный федеральный университет

В.В. Шадрина

Кандидат технических наук, доцент, заведующая кафедрой систем автоматического управления Института
радиотехнических систем и управления ФГАОУ ВО Южный федеральный университет

А.В. Прибыльский

Кандидат технических наук, доцент кафедры систем автоматического управления Института
радиотехнических систем и управления ФГАОУ ВО Южный федеральный университет

Результаты обучения

Анализировать возможности применения ИИ в медицине и здравоохранении

Слушатель сможет соотносить клинические и диагностические задачи (бинарная и многоклассовая классификация заболеваний, прогнозирование рисков и исходов, кластеризация пациентов по факторам риска, обнаружение аномальных паттернов в гистологических данных, анализ медицинских изображений и временных рядов) с подходящими ИИ‑подходами и инструментами и определять, в каких клинических кейсах использование ИИ дает наибольший практический эффект для поддержки принятия врачебных решений и персонализированной медицины.

Работать с медицинскими данными различных типов для задач ИИ

Слушатель сможет подбирать и загружать структурированные и неструктурированные медицинские данные (электронные медицинские карты, лабораторные анализы, витальные показатели, рентгенограммы, дерматоскопические и гистологические изображения), применять методы очистки, обработки пропусков и выбросов, нормализации и стандартизации, а также выполнять разведочный анализ (EDA) и визуализацию распределений клинических показателей.

Применять модели ИИ к решению клинических и диагностических задач

Слушатель сможет использовать современные алгоритмы машинного обучения и нейросетевые архитектуры для решения задач бинарной и многоклассовой классификации заболеваний, регрессии для прогнозирования длительности госпитализации и стоимости лечения, кластеризации пациентов по факторам сердечно-сосудистого риска и обнаружения редких патологических паттернов, интерпретируя полученные результаты с клинической точки зрения.

Оценивать качество и ограничения ИИ‑подходов в медицине

Слушатель сможет подбирать метрики для оценки качества решений, анализировать типичные ошибки моделей на медицинских данных (ложноположительные и ложноотрицательные результаты в клиническом контексте, влияние дисбаланса на диагностическую значимость), выявлять влияние качества и репрезентативности медицинской выборки на результат и формулировать ограничения применимости конкретных моделей для безопасного внедрения в клиническую практику.

Учитывать междисциплинарные, этические и практические аспекты применения ИИ в медицине

Слушатель сможет учитывать взаимодействие ИИ с клинической медициной, медицинской статистикой, биоинформатикой и организацией здравоохранения, выявлять этические и социальные риски (алгоритмическая предвзятость, дискриминация, непрозрачность моделей, приватность пациентов, ответственность за неверный прогноз), понимать влияние качества обучающей выборки на этико-социальные аспекты функционирования ИИ и формулировать рекомендации по ответственному, воспроизводимому и научно обоснованному применению ИИ в клинических проектах и системах поддержки принятия решений.

Анализировать возможности применения ИИ в медицине и здравоохранении

Слушатель сможет соотносить клинические и диагностические задачи (бинарная и многоклассовая классификация заболеваний, прогнозирование рисков и исходов, кластеризация пациентов по факторам риска, обнаружение аномальных паттернов в гистологических данных, анализ медицинских изображений и временных рядов) с подходящими ИИ‑подходами и инструментами и определять, в каких клинических кейсах использование ИИ дает наибольший практический эффект для поддержки принятия врачебных решений и персонализированной медицины.

Работать с медицинскими данными различных типов для задач ИИ

Слушатель сможет подбирать и загружать структурированные и неструктурированные медицинские данные (электронные медицинские карты, лабораторные анализы, витальные показатели, рентгенограммы, дерматоскопические и гистологические изображения), применять методы очистки, обработки пропусков и выбросов, нормализации и стандартизации, а также выполнять разведочный анализ (EDA) и визуализацию распределений клинических показателей.

Применять модели ИИ к решению клинических и диагностических задач

Слушатель сможет использовать современные алгоритмы машинного обучения и нейросетевые архитектуры для решения задач бинарной и многоклассовой классификации заболеваний, регрессии для прогнозирования длительности госпитализации и стоимости лечения, кластеризации пациентов по факторам сердечно-сосудистого риска и обнаружения редких патологических паттернов, интерпретируя полученные результаты с клинической точки зрения.

Оценивать качество и ограничения ИИ‑подходов в медицине

Слушатель сможет подбирать метрики для оценки качества решений, анализировать типичные ошибки моделей на медицинских данных (ложноположительные и ложноотрицательные результаты в клиническом контексте, влияние дисбаланса на диагностическую значимость), выявлять влияние качества и репрезентативности медицинской выборки на результат и формулировать ограничения применимости конкретных моделей для безопасного внедрения в клиническую практику.

Учитывать междисциплинарные, этические и практические аспекты применения ИИ в медицине

Слушатель сможет учитывать взаимодействие ИИ с клинической медициной, медицинской статистикой, биоинформатикой и организацией здравоохранения, выявлять этические и социальные риски, понимать влияние качества обучающей выборки на этико-социальные аспекты функционирования ИИ и формулировать рекомендации по ответственному, воспроизводимому и научно обоснованному применению ИИ в клинических проектах и системах поддержки принятия решений.

04

03

02

01

Преимущества внедрения модуля

За счет включения в образовательную программу актуальных сценариев применения ИИ в диагностике, прогнозировании заболеваний, анализе медицинских изображений и поддержке клинических решений.

Через освоение современных подходов к предобработке и анализу медицинских данных, построению моделей машинного обучения и нейросетей, визуализации результатов и клинической интерпретации полученных выводов с учётом этических и регуляторных ограничений.

По направлениям подготовки «Лечебное дело», «Педиатрия», «Медико-профилактическое дело» и другим медицинским специальностям, а также программам в области биомедицинской информатики и смежных направлений, где требуется формирование компетенций по применению ИИ в профессиональной деятельности врача.

Благодаря решению реальных клинических кейсов с использованием современных инструментов анализа данных (Python, TensorFlow, Scikit-learn) и работе с открытыми медицинскими датасетами (рентген, дерматоскопия, гистология, электронные медицинские карты).

Повышение практической подготовки врачей

Расширение прикладных компетенций обучающихся

Модуль предлагается вузам, реализующим программы ВО

Усиление связи образования с запросами здравоохранения

Пререквизиты. Учебные курсы, которые студент должен освоить перед началом обучения по модулю:

Что нужно знать студенту на старте

Математика (включая основы математической статистики, теории вероятностей, линейной алгебры)
Информатика (базовые знания, включая понимание алгоритмов, структур данных и работы с компьютером)
Медицинская информатика (опционально) — для понимания принципов работы с электронными медицинскими системами и стандартами обмена данными
Основы программирования на Python (опционально) — для уверенной работы с кодом в ходе выполнения кейсов и лабораторных работ