Umetna inteligenca v medicinski fiziki

Vpis v letnik.

Specifična uporaba umetne inteligence (UI) v medicini:

• Uporaba konvolucijskih nevronskih mrež in podobnih pristopov za kvantitativno analizo slik
• Uporaba rekurzivnih in podobnih mrež za longitudinalne podatke
• Sestavljanje napovednih modelov, primerjava s standardnimi statističnimi metodami

Vrednotenje uspešnosti UI v medicini:

• Prepoznavanje dogodkov izven učne domene (angleško Outof-domain detection)
• Določanje zanesljivosti rezultatov
• Kvantifikacija interpretabilnosti metod
• Sprotno učenje algoritmov na novih podatkih

• LeCun, Y., Bengio, Y. & Hinton, G. Deep learning. Nature 521, 436–444 (2015)

• Gonzalez C, Gotkowski K, Fuchs M, et al. Distance-based detection of out-of-distribution silent failures for Covid-19 lung lesion segmentation. Medical Image Analysis 82 2022: 102596.

• Abdar, M, Pourpanah F, Hussain S, et al. A Review of Uncertainty Quantification in Deep Learning: Techniques, Applications and Challenges. Information Fusion 76 2021: 243-97.

• Samek, W.; Binder, A.; Montavon, G.;Lapuschkin, S.; and M¨uller, K. 2017. Evaluating the visu-alization of what a deep neural network has learned. IEEE Trans. Neural Netw. Learning Syst. 28(11):2660–2673.

• Pan, S.J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22, 1345-1359.

Študenti spoznajo vidike uporabe umetne inteligence v medicini, predvsem z vidika metodologije vrednotenja uspešnosti delovanja pri posameznih aplikacijah

Predmetno specifične komponente:

Poznavanje in razumevanje temeljnih principov uporabe AI v medicini. Poznavanje najpogostejših modelov uporabe. Poznavanje metod za presojo ustreznosti AI za posamezen cilj. Poznavanje najpogostejših težav in omejitev AI v medicini.

Znanje in razumevanje:
Fizikalno in matemtično ozadje najpogostejših metod AI v medicini. Metode za prepoznavanje uspešnosti delovanja AI v specifičnem okolju.

Uporaba:

Primeri uporabe AI v medicini – napovedovanje ogroženosti pri mamografiji, segmentacija limfomov, prepoznavanje demenc na PET/CT slikah.

Praktično vrednotenje zanesljivosti metod, prepoznavanja primerov izven učne domene, interpretabilnosti metod in možnosti sprotnega učenja.

Refleksija:
Razumevanje in prepoznavanje omejitev AI. Ilustracija upadanja uspešnosti pri naraščanju kompleksnosti problemov.

Predavanja, domače naloge, konzultacije.

Praktične domače naloge

5 - 10, pri čemer velja, da je pozitivna ocena od 6 - 10

Andrej Studen:

• Hribernik N, Huff DT, Studen A, et al. Quantitative imaging biomarkers of immune-related adverse events in immune-checkpoint blockade-treated metastatic melanoma patients: a pilot study. Eur J Nucl Med Mol Imaging. 2022;49(6):1857-1869.
• Klanecek Z, Wagner T, Wang YK et al. Uncertainty estimation for deep learning-based pectoral muscle segmentation via Monte Carlo dropout. Phys. Med. Biol. 68 2023: 115007.
• Studen A, Clinthorne N. System resolution versus image uncertainty for positron emission tomography scanners. J Med Imaging (Bellingham). 2022;9(3):033501.