IA PARA DIAGNÓSTICOS MÉDICOS
IA PARA DIAGNÓSTICOS MÉDICOS

CURSO ONLINE
Horario: sábados de 14 a 18
Horas: 20 en cinco clases de cuatro horas
Comienzo: sábado 21 de noviembre

Arancel: $6.000
Abonando antes del 14 de noviembre: $5.000

La IA está transformando la práctica de la medicina.

Está ayudando a los doctores a diagnosticar pacientes con mayor precisión, hacer predicciones sobre el futuro de su salud y a recomendar mejores tratamientos.

* Detección de enfermedades con visión artificial por computadora

* Evaluación de modelos

* Segmentación en imágenes de resonancias magnéticas

Crearemos modelos de clasificación y segmentación de imágenes con Redes Neuronales Convolucionales para diagnosticar enfermedades mentales y pulmonares

Estos cursos van más allá de los fundamentos de Deep Learning adentrándose en los detalles de la aplicación de la IA a problemas médicos. Se necesita una base de matemática y de programación. No hace falta ser un experto pero es necesario manejar conceptos de redes neuronales profundas, en particular redes convolucionales y un nivel intermedio de Python.


UNIDAD 1

- Detección de enfermedades con visión artificial por computadora

Objetivos de aprendizaje

Preprocesamiento de datos: chequeando filtraciones de datos
Preprocesamiento de imágenes apropiadamente para los conjuntos de entrenamiento, validación y testing
Implementación de una función de pérdida ponderada para resolver el desbalanceo de clases
Configuración de una red neuronal preentrenada para hacer predicciones de enfermedades en radiografías de tórax

Medical Image Diagnosis
Eye Disease and Cancer Diagnosis
Data Exploration & Image Pre-Processing
How to handle class imbalance and small training sets
Building and Training a Model for Medical Diagnosis
Training, prediction, and loss
Image Classification and Class Imbalance
Binary Cross Entropy Loss Function
Impact of Class Imbalance on Loss Calculation
Counting labels and weighted loss function
Resampling to Achieve Balanced Classes
Multi-Task
Multi-task Loss, Dataset size, and CNN Architectures

laboratorio: Densenet

Working with a Small Training Set
Generating More Samples
Model Testing
Splitting data by patient
Patient Overlap - practice
Sampling
Ground Truth and Consensus Voting
Additional Medical Testing

Tareas de programación: Chest X-Ray Medical Diagnosis with Deep Learning

UNIDAD 2

- Evaluación de modelos

Objetivos de aprendizaje

Calcular verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos
Calcular sensiblidad y especificidad
Calcular PPV - Positive Predictive Value y NPV - Negative Predictive Value
Entender intervalos de confianza, curva ROC y F1 score.

Key evaluation metrics
Sensitivity, Specificity, and Evaluation Metrics
Accuracy in terms of conditional probability
Sensitivity, Specificity and Prevalence
PPV, NPV
Confusion matrix
Calculating PPV in terms of sensitivity, specificity and prevalence
How does varying the threshold affect evaluation metrics?
ROC curve and Threshold
Varying the threshold
Interpreting confidence intervals correctly
Sampling from the Total Population
Confidence intervals
95% Confidence interval

Programming: Evaluation metrics
Tareas de programación: Evaluation of Diagnostic Models


UNIDAD 3

- Segmentación en imágenes de resonancias magnéticas

Objetivos de aprendizaje

Segmentación de imágenes en 3d y de MRI
Toma de muestras aleatorias en imágenes 3d
Estandarización de imágenes de entrada
Aplicación de un modelo preentrenado U-net
Implementación de una función de pérdida adecuada para entrenar un modelo (soft dice loss)
Evaluación de la performance del modelo calculando sensibilidad y especificidad

Explore MRI data
Medical Image Segmentation
MRI Data and Image Registration
Get a sub section
Convolutional Neural networks
2D U-Net and 3D U-Net
More about U-Net
Implement U-Net
Data augmentation for segmentation
Loss function for image segmentation
Practical considerations
Different Populations and Diagnostic Technology
External validation
Measuring Patient outcomes

Tareas de programación: Brain Tumor Auto-Segmentation for Magnetic Resonance Imaging (MRI)

La demanda de profesionales de IA con las habilidades y conocimientos necesarios para hacer frente a los desafíos de la medicina moderna está creciendo en forma exponencial. Te invitamos a sumarte a este curso y comenzar tu travesía hacia la construcción del cuidado de la salud del futuro.

Email address *
Apellido *
Nombres *
Celular (Solo números) *
¿Es Graduado FIUBA? *
Localidad de residencia *
¿Te interesa participar en la cooperativa de trabajo?
Clear selection
Otra casilla de correo
Teléfono Particular
Carrera - Facultad - Universidad (En curso SI/NO)
Año de Graduación
Institución Relacionada
Posición que ocupa
Comentarios y Sugerencias
Submit
Never submit passwords through Google Forms.
This content is neither created nor endorsed by Google. Report Abuse - Terms of Service - Privacy Policy