Ingegneria Informatica e Biomedica

L’obiettivo del corso sarà quello di fornire le conoscenze sull’applicazione delle tecniche di Machine Learning in ambito biomedico. Saranno presentati i principali modelli utilizzati nella ricerca clinica e biomedica nel campo della diagnosi, della predizione e della stratificazione clinica dei pazienti. A partire dai fondamenti delle varie metodologie, saranno considerati gli scenari di ricerca biomedica e di pratica clinica in cui queste tecniche avanzate trovano applicazione, enfatizzando l’importanza dell’approccio multidisciplinare nel settore biomedico. - Raccolta dei dati e costruzione di un dataset in forma tabellare - Analisi e valutazione delle differenti features utilizzabili - Applicazione di Python con il software Orange3 per analisi di machine learning - Utilizzazione dei modelli di machine learning più diffusi sulla base dei diversi quesiti clinici (predizione, classificazione, stratificazione) - Applicazione autonoma delle metodologie di analisi dei dati basate sul machine learning.

Il corso affronta le principali applicazioni del Machine Learning in medicina, con particolare attenzione alle patologie degenerative del sistema nervoso. Verranno analizzati i diversi ambiti clinici di utilizzo dell’Intelligenza Artificiale, tra cui la diagnosi, la prognosi e la stratificazione dei pazienti. Saranno esplorate le diverse tipologie di dati biomedici, incluse variabili cliniche, dati neurofisiologici e bioimmagini, con un focus sulla strutturazione e organizzazione dei dataset per l’analisi computazionale. Uno degli aspetti fondamentali sarà la definizione del quesito clinico e la selezione delle feature, con l’obiettivo di identificare i parametri di interesse e ottimizzare l’efficacia predittiva attraverso tecniche di feature selection e feature engineering. Verranno approfondite le tecniche di preprocessamento dei dati, inclusa la normalizzazione, la gestione dei dati mancanti e le strategie di bilanciamento dei dataset per ridurre eventuali bias. L’analisi esplorativa dei dati (EDA) sarà trattata attraverso metodologie di analisi statistica descrittiva, con particolare attenzione all’identificazione di pattern e anomalie. Successivamente, si analizzeranno le tecniche di Machine Learning non supervisionato, come il clustering per la stratificazione dei pazienti, e le metriche di valutazione necessarie per ottimizzare i modelli. Nel contesto del Machine Learning supervisionato, si studieranno modelli predittivi basati su alberi di decisione, con particolare riferimento alle tecniche di bagging e boosting, nonché alle metriche di performance e validazione, tra cui accuratezza e AUC-ROC. Un’attenzione particolare sarà dedicata alla valutazione dell’importanza delle feature e alla gestione della multicollinearità tra variabili, al fine di migliorare la robustezza e l’affidabilità dei modelli. Il corso approfondirà inoltre l’uso del Machine Learning interpretabile, presentando sia metodi agnostici per l’interpretazione dei modelli, come SHAP e LIME, sia approcci glass-box, che garantiscono un elevato livello di trasparenza nei processi decisionali. Infine, saranno presentate applicazioni pratiche e scenari di utilizzo attraverso casi studio basati su dati reali, con particolare attenzione alla validazione e all’implementazione dei modelli in contesti medici concreti.

Non sono previsti prerequisiti formali obbligatori, ma le conoscenze sottoelencate sono consigliate per una migliore fruizione del corso: - Statistica e analisi dei dati: concetti fondamentali di analisi statistica, variabili, distribuzioni e test di ipotesi. - Informatica di base: capacità di utilizzare strumenti digitali per l’elaborazione e la gestione di dati.

L’insegnamento sarà erogato attraverso una combinazione di metodi didattici per favorire l’acquisizione di conoscenze teoriche e competenze pratiche applicate. In particolare, le modalità didattiche prevedono: - Lezioni frontali: per l’approfondimento teorico degli argomenti trattati, con il supporto di materiali multimediali (slide, video) per una migliore comprensione. - Esercitazioni pratiche: focalizzate sull’analisi e interpretazione di dati biomedici. - Laboratori informatici: per l’uso di software dedicati all’elaborazione di dati neurofisiologici e l’implementazione di tecniche di Machine Learning e AI. - Seminari tematici: con esperti del settore, volti ad approfondire le innovazioni tecnologiche nelle neuroscienze e le loro applicazioni pratiche. - Lavori di gruppo e discussioni guidate: per sviluppare capacità di collaborazione interdisciplinare e abilità comunicative. - Studio di casi pratici: Include l’analisi di casi reali per promuovere il pensiero critico e l’autonomia di giudizio, oltre a collegare le conoscenze teoriche con applicazioni pratiche. - Utilizzo di strumenti telematici: La didattica sarà supportata da piattaforme online per la condivisione di materiali didattici (e-learning), la somministrazione di esercitazioni e la gestione delle attività di tutoraggio.

L’apprendimento sarà verificato attraverso un esame finale obbligatorio, che consisterà in una prova orale basata su un project work. La valutazione si baserà sulla capacità dello studente di: - Dimostrare la comprensione teorica delle tecnologie avanzate applicate alla medicina, incluse le metodologie di analisi dei dati biomedici e l’intelligenza artificiale. - Applicare le conoscenze acquisite nell’analisi e interpretazione di dati biomedici, utilizzando strumenti e tecniche appropriate. - Sviluppare un approccio critico e autonomo nella valutazione dell’affidabilità e delle implicazioni delle tecnologie studiate. - Comunicare in modo chiaro ed efficace i concetti trattati, dimostrando capacità di sintesi e argomentazione scientifica. Prova finale (obbligatoria) – Esame orale Esame finale (obbligatorio) – Project Work e colloquio orale - Modalità: prova orale individuale basata su un project work assegnato alla fine del corso. - Obiettivo: valutare la capacità dello studente di applicare in modo pratico le conoscenze acquisite e di discutere criticamente le metodologie utilizzate. - Struttura della prova: - Project Work: sviluppo di un’analisi di dati biomedici utilizzando tecniche di Machine Learning per la soluzione di problemi in ambito medico. - Colloquio orale: discussione del project work e approfondimenti sui temi trattati nel corso. - Durata del colloquio: 20-30 minuti. - Peso sulla valutazione finale: 100%. Materiali consentiti e comunicazione dei risultati - Esame finale: per la preparazione del project work sarà consentito l’uso di software specifici (Orange 3, Python, strumenti di analisi dati). - Comunicazione dei risultati: i risultati della prova saranno comunicati direttamente agli studenti.

• Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python. Bruce, Peter, Bruce, Andrew, Gedeck, Peter, O'Reilly UK Ltd. - Molnar, Christoph. Interpretable machine learning. A Guide for Making Black Box Models Interpretable. Lulu. com, 2020. - Explainable AI with Python. Gianfagna, Leonida, Di Cecco, Antonio

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Conoscenza e capacità di comprensione: - Comprensione dell'architettura e dei principi di progettazione delle basi di dati; - Comprensione dell'architettura e dei principi di progettazione dei sistemi informativi; Capacità di applicare conoscenza a comprensione: - Capacità di utilizzo dei modelli per la progettazione delle basi di dati; - Capacità di utilizzo dei linguaggi di interrogazione delle basi di dati; - Conoscenze dei principi di progettazione di basi di dati e sistemi informativi. - Soluzioni AI per il design di modelli di basi di dati.

Il corso ha l’obiettivo di fornire le nozioni fondamentali della tecnologia delle basi di dati, con riferimento ai principali modelli e linguaggi d'interrogazione dei dati, nonché di fornire la conoscenza di base utile alla progettazione e implementazione di un sistema informativo.

Computer Science Fundamentals. Operating Systems, Networks, and Programming languages.

Lezioni Frontali. Esercitazioni

Esame scritto e orale.

Sistemi di Basi di Dati - Fondamenti e complementi. Autori: Ramez A. Elmasri, Shamkant B. Navathe. Editore: Pearson.

fornire allo studente delle nozioni sulla dinamica dei fluidi con particolare riferimento ai fluidi presenti nell'organismo umano.

Statica dei Fluidi: equazioni fondamentali Dinamica dei fluidi: equazioni fondamentali Fluidi biologici: Principali caratteristiche e relativa modellistica Il sistema cardiocircolatorio: Funzioni e schema generale, Elementi di emodinamica, proprietà fisiche del sangue, Resistenza vascolare e analogia elettrica, flusso attraverso valvole, idrostatica della circolazione, sistema di conduzione ed eccitazione, esempi applicativi delle leggi della statica e della dinamica. Modellizazzione del sistema arterioso umano: Analisi dei modelli di Windkessel, Guyton, Westerhof, Noordergraaf e Gnudi Banchi prova per dispositivi cardiovascolari: Descrizione dei banchi prova per dispositivi vascolari; dimensionamento fluidodinamico delle resistenze, delle compliance e delle inertanze.

nozioni di fisica

lezioni frontali ed esercitazioni

esame scritto e orale

Biofluidodinamica, patron

Capacità di riconoscere, nel contesto delle bioimmagini, la forma energetica utilizzata ed il segnale misurato. Capacità di discriminare tra segnale rilevato, utile alla formazione dell’immagine e rumore prodotto. Conoscenza dei meccanismi di base che consentono di acquisire le diverse immagini mediche. Conoscenza dei sensori utili a generare immagini. Conoscenza della strumentazione di base per la generazione di immagini mediche.

In questo corso verranno trattati i principi fisici fondamentali per la formazione delle immagini mediche, la strumentazione utilizzata e le principali applicazioni cliniche.

Conoscenze di fisica (in particolare elettromagnetismo)

Lezioni frontali

L'esame consiste in un quiz scritto di sbarramento seguito da una prova orale obbligatoria. Il quiz consiste in 10 domande a risposta multipla (quattro possibili risposte per domanda, una sola risposta corretta per domanda). Relativamente al quiz, una risposta corretta vale 1 punto, una risposta errata -0.5 punti. Il punteggio per una domanda senza risposta è pari a 0. La votazione minima per accedere alla successiva prova orale è pari a 6.

1. G. Valli, G. Coppini, “Bioimmagini", Collana di Ingegneria Biomedica, Pàtron Editore, Bologna, 2002. NUOVA EDIZIONE 2. P. Suetens “Fundamentals of Medical Imaging”, Cambridge University Press. 3. N.B. Smith, A. Webb. “Introduction to Medical Imaging” Cambridge University Press. 4. A. Webb. Introduction to Biomedical Imaging, IEEE Press-Wiley Interscience, 2003

Al termine del corso lo/la studente/ssa sarà in grado di: (i) descrivere e rappresentare informaticamente le principali entità biologiche e i dati omici; (ii) reperire informazioni in banche dati biologiche e impostare interrogazioni appropriate; (iii) applicare e interpretare metriche di similarità e allineamenti di sequenze, includendo MSA e cenni a euristiche; (iv) comprendere i principi base di analisi filogenetica e di predizione/confronto di strutture; (v) impostare semplici analisi di dati genomici/proteomici e concetti base di data mining in studi caso‑controllo; (vi) utilizzare ontologie e strumenti di enrichment e ragionare su similarità semantica; (vii) costruire, visualizzare e analizzare reti biologiche con strumenti software (Cytoscape, R

Il corso introduce i fondamenti della Bioinformatica e le principali tipologie di dati biologici (sequenze di DNA/RNA e proteine, strutture, dati omici e reti). Si affrontano: rappresentazione e preprocessing dei dati; banche dati biologiche e strategie di interrogazione; similarità e allineamento di sequenze (globale/locale, a coppie e multiplo) con cenni a metodi euristici; analisi filogenetica; concetti di confronto e predizione di struttura (secondaria/terziaria) e cenni al protein folding; analisi di dati genomici e proteomici e introduzione a tecniche di per studi caso‑controllo; ontologie biomediche, similarità semantica e arricchimento funzionale; reti biologiche (PPI e brain networks) e strumenti per analisi/visualizzazione (Cytoscape, R).

Conoscenze di base di programmazione (preferibilmente Python o R), strutture dati elementari e nozioni di biologia/molecolare utili alla lettura dei dati.

Lezioni frontali con esempi guidati; esercitazioni pratiche (R e Cytoscape); discussione di casi studio e brevi attività applicative su dataset reali.

Verifica dell’apprendimento tramite prove in itinere (quiz/progetti didattici o breve prova scritta su argomenti del corso ed esercitazioni) e prova orale finale volta a valutare comprensione dei concetti, capacità di ragionamento sui risultati e uso degli strumenti. La valutazione finale tiene conto dell’esito delle prove in itinere e dell’orale.

1) S. Pascarella, A. Paiardini, Bioinformatica. 2) M. Cannataro, P.H. Guzzi, G. Agapito, C. Zucco, M. Milano, Artificial Intelligence in Bioinformatics: From Omics Analysis to Deep Learning and Network Mining, Elsevier. Materiale aggiuntivo (slide, articoli e tutorial) fornito dal docente sulla piattaforma e‑learning.

Obiettivi formativi e risultati di apprendimento attesi (secondo i descrittori di Dublino): Conoscenza e capacità di comprensione (knowledge and understanding) conoscenza delle principali metodologie per l’analisi e la sintesi di sistemi di controllo in retroazione sia a tempo continuo che a tempo discreto conoscenza dei regolatori standard PID, metodi di taratura automatica e problematiche implementative

Il corso fornisce le basi metodologiche e gli strumenti della Teoria del controllo per l’analisi e la sintesi di sistemi di controllo in retroazione, con particolare enfasi per i sistemi lineari e stazionari sia a tempo continuo che a tempo discreto.

Superamento esame di Fondamenti di Automatica

Didattica Frontale

La valutazione dell'apprendimento verrà effettuata attraverso una prova scritta, consistente nella risoluzione di un quesito di progettazione e di due esercizi numerici, e una prova orale facoltativa

Paolo Bolzern, Riccardo Scattolini, Nicola Schiavoni, Fondamenti di controlli automatici, McGraw-Hill, 4^ edizione, 2015

Fondamenti di Deep Learning • impostazione e soluzione di problemi con l’utilizzo di Machine Learning e strumenti di Artificial Intelligence • approccio data-driven Risuluzione di Problemi di supervised machine learning, unsupervised machine learning e reinforcement learning o applicazioni dei modelli generative Imparare a discutere un progetto e a presentarlo efficacemente o Imparare a trasferire la conoscenza acquisita in svariati contesti applicativi

Fondamenti di Analisi dei Dati, Deep Learning, Intelligenza Artificiale applicata al Dominio Biomedico

PROGRAMMAZIONE IN PYTHON, ANALISI MATEMATICA

EZIONI FRONTALI, ESERCITAZIONI, FLIPPED CLASSROOM

DISCUSSIONE PROGETTO, PROVA INTERMEDIA SCRITTA

Machine Learning with PyTorch and Scikit-Learn

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Giudizio Finale - Frequenza: Non obbligatoria

Obiettivi formativi e risultati di apprendimento attesi (secondo i descrittori di Dublino): Conoscenza e capacità di comprensione (knowledge and understanding) conoscenza delle principali architetture hardware per il controllo

Il corso presenta i principali aspetti ingegneristici e tecnologici relativi alla realizzazione dei sistemi di controllo e di automazione per applicazioni di rilevante interesse industriale e biomedicale. Le attività di didattica frontale, comprensive di esercitazioni svolte dal docente, mirano a fornire le conoscenze fondamentali per la scelta e il dimensionamento dei componenti in funzione dell'applicazione considerata, per la progettazione del controllore e la relativa implementazione all’interno di

Superamento dell’esame di Fondamenti di Automatica, conoscenza delle principali tecniche di sintesi di sistemi lineari di controllo.

Didattica Frontale

La valutazione dell'apprendimento verrà effettuata attraverso una prova scritta, consistente nella risoluzione di quattro esercizi numerici, e una prova orale vertenti sui diversi contenuti del programma d’esame

GianAntonio Magnani, Gianni Ferretti, Paolo Rocco, Tecnologie dei sistemi di controllo 2/ed, McGraw-Hill, 2007 Claudio Bonivento, Luca Gentili, Andrea Paoli, Sistemi di automazione industriale - Architetture e controllo, McGraw-Hill, 2011.

Tipo esame: Orale - Valutazione: Giudizio Finale - Frequenza: Non obbligatoria