Il Master di Machine learning e big data nella medicina di precisione e nella ricerca biomedica prepara i professionisti dell’ambito biomedico dall’acquisizione delle tecniche fino alla loro implementazione nell’elaborazione dei dati, al fine di sfruttare il potenziale informativo dei big data.
Il corso, infatti, è orientato all’apprendimento dell’utilizzo di metodologie avanzate di analisi di tali dati ed è caratterizzato da una valenza fortemente pratica e applicativa.
In merito alle tecniche di apprendimento automatico in ambito biomedico, non a caso, per ciascuna tecnica di machine learning viene presentato un case study che prevede l’utilizzo, sotto la guida di docenti esperti, del software e del linguaggio di programmazione di R.
Il Master di Machine learning e big data nella medicina di precisione e nella ricerca biomedica prevede la trattazione dei seguenti argomenti principali: introduzione ai tipi di problemi di analisi che il Machine Learning può affrontare e al software R; introduzione alle tecniche supervisionate e non supervisionate per la previsione numerica e la classificazione quali modelli lineari e generalizzati, random forest, clustering gerarchico k-means, Self Organizing Maps, reti Bayesiane, reti neurali, support vector machines, nonnegative matrix factorization.
Si trattano inoltre, infine, i fondamenti teorici del Deep Learning e alcune tecniche di explainability. Per ciascuna tecnica di Machine Learning viene presentato un case study.
Il Master di Machine learning e big data nella medicina di precisione e nella ricerca biomedica si rivolge in particolare ai professionisti che già operano o che intendono operare nell’ambito biomedico (soprattutto biostatistici, bioingegneri, bioinformatici e biologi computazionali).
Per quanto riguarda gli sbocchi occupazionali, è atteso che l’applicazione delle tecniche di machine learning in ambito medico sia destinata a cambiare il modo a cui si pensa a diagnosi e cura, nell’ottica della medicina personalizzata. Pertanto, le conoscenze acquisite nel Master sono rilevanti per l’ulteriore specializzazione di professionisti sanitari già occupati e per la definizione di profili tecnico-quantitativi che opereranno nell’ambito sanitario, nella ricerca biomedica e nelle CRO.
Il Master di Machine learning e big data nella medicina di precisione e nella ricerca biomedica prevede la formazione in materia di:
Modulo 1 – MACHINE LEARNING PER LA PREVISIONE DI ESITI
La possibilità di predire esiti sanitari è un aspetto fondamentale della pratica medica e clinica. La previsione copre molte aree di applicazione che vanno dalla prognosi alla valutazione della terapia. Vengono trattate MLT supervisionate per la previsione numerica e la classificazione.
Modulo 2 – MACHINE LEARNING PER PREDIRE LA CONDIZIONE CLINICA
In questo modulo si introducono tecniche di base ed avanzate utilizzate nella ricerca clinica e biomedica in problemi di predizione e stratificazione, con particolare attenzione alla identificazione della condizione clinica dei pazienti, alla loro risposta a differenti strategie terapeutiche e alla loro appartenenza a specifiche classi di progressione. Il modulo copre argomenti relativi all’apprendimento con e senza supervisione, come i GLM, i GMM, le reti Bayesiane e i modelli di sopravvivenza. A partire dai fondamenti delle varie metodologie, si considerano gli scenari di ricerca biomedica e di pratica clinica in cui queste tecniche avanzate trovano applicazione.
Modulo 3 – GESTIONE DELL’ETEROGENEITÀ NELLA RICERCA BIOMEDICA E NELLA PRATICA CLINICA
In questo modulo si introducono tecniche di clustering standard e avanzate, quali clustering gerarchico k-means e self organizing maps. Vengono presentati esempi di applicazioni a dati biologici e clinici.
Modulo 4 – TECNICHE AVANZATE PER LA PREDIZIONE E LA STRATIFICAZIONE
In questo modulo si introducono tecniche avanzate per la predizione e la stratificazione in ambito biomedico e nella pratica clinica, quali neural networks, support vector machines e non negative matrix factorization. A partire dai fondamenti delle varie metodologie, si considerano gli scenari di ricerca biomedica e di pratica clinica in cui queste tecniche avanzate trovano applicazione.
Modulo 5 – DEEP LEARNING IN AMBITO CLINICO PERLA RICERCA BIOMEDICA
In questo modulo viene introdotto il Deep learning (DL). Il modulo tratta i seguenti argomenti:
- fondamenti teorici di questo strumento innovativo
- linguaggio di programmazione più diffuso per il DL: Python
- applicazione del DL all’analisi del test e delle immagini con particolare attenzione ai dataset medici
- processo di training
- applicazione del DL a dataset di piccola dimensione
- tool e librerie per lo sviluppo di sistemi DL.
Modulo 6 – GENERALIZZABILITÀ, TRASPARENZA ED EXPLAINABILITY NELLA RICERCA CLINICA
In ambito clinico così come in altri ambiti di applicazione dell’intelligenza artificiale e del Machine Learning è fondamentale poter dare una spiegazione delle predizioni in termini di variabili e valori delle variabili che concorrono alla classificazione del soggetto in una classe di rischio, anche nell’ottica di identificare relazioni casuali invece di sole correlazioni.
Il Master è di II livello con didattica a distanza, erogata in maniera asincrona tramite la piattaforma multimediale Moodle dell’Università di Padova, pensato per gli studenti e i professionisti desiderosi di conciliare l’esercizio di altre attività e professioni con la necessità di qualificarsi o specializzarsi ulteriormente. L’inizio dell’attività è previsto per dicembre 2024 e la durata è annuale. Il corso si struttura in diversi moduli di circa 4 settimane ciascuno seguiti da 1 settimana di pausa. Alla fine di ogni modulo viene assegnato un homework, sempre in modalità asincrona, per accertare le competenze acquisite. Al termine delle lezioni, viene assegnato un project work che costituisce la base della discussione di diploma che avviene nel mese di settembre/ottobre su zoom
Informazioni
Ottieni la brochure
"*" indica i campi obbligatori
FAQ
Non sono previsti stage o tirocini perché è atteso che siano inconciliabili con il profilo tipo dei fruitori del Master. Tuttavia, gli studenti avranno la possibilità di confrontarsi con quesiti scientifici e basi di dati reali, proposti dal direttivo nel corso delle lezioni e del project work. Gli studenti, in accordo con i docenti e il proprio tutor, potranno anche scegliere di svolgere il project work in un ambito di interesse personale e professionale specifico.
- Non è prevista quota di iscrizione per corsisti con disabilità, che presentano una disabilità con invalidità compresa fra il 66% e il 100% o con certificazione ai sensi della legge n.104, che pertanto verseranno solo il contributo di preiscrizione, l’assicurazione e le imposte di bollo
- PA110 e Lode: i dipendenti della Pubblica Amministrazione che si iscrivono al nostro master godono di una scontistica di 330 euro sul contributo della seconda rata
- È prevista la possibilità di iscrizione in sovrannumero per il personale dell’Ateneo al fine di consentire l’aggiornamento continuo e permanente. La quota di iscrizione per il personale tecnico amministrativo dell’Ateneo è parametrata alla tassa di iscrizione minima fissata all’art. 24, comma 1 del presente Regolamento, ed è pari al 20% della quota prevista. Nel caso in cui il personale tecnico amministrativo dell’Ateneo sia in possesso dei requisiti di ammissione al Corso, una volta terminato il percorso, potrà ottenere il Diploma o l’Attestato relativo; se sprovvisti dei requisiti di ammissione potrà essere ammesso in qualità di uditore e ottenere un attestato di partecipazione
- Il contributo di iscrizione per gli uditori è pari al 50% del contributo di iscrizione al Corso.
La frequenza è obbligatoria, anche se online. È prevista una percentuale massima di assenze del 30%. Dato, però, che le videolezioni sono pre-registrate ed è possibile consultarle 24 ore su 24, 7 giorni su 7, è molto semplice mettersi al passo con il piano di studio. La segreteria didattica e i docenti sono a disposizione per cercare di venire incontro agli studenti nel caso di gravosi impegni o periodi di intensa attività lavorativa.