Kunstig intelligens og beregningsorientert medisin

Undervisningssemester

Første fire uker av vårsemesteret.

Mål og innhald

• Kurset vil adressere fordeler og ulemper ved «The computational mindset», maskinlæring og kunstig intelligens i fremtidens medisin
• Kurset er en veiledet «reise» gjennom utvalgte matematiske og statistiske modelleringsteknikker innen biomedisinske og kliniske anvendelser. Eksempler, demonstrasjoner og oppgaver vil typisk¿bli relatert til in vivo avbildning og integrativ kvantitativ fysiologi, bildebaserte biomarkører, omics-data, sensordata og/eller helsejournaler. Gjennom hele kurset vil studentene benytte prinsipper og verktøy fra numerisk programvare, dataanalyse, og beregningsvitenskap innen medisinske anvendelser. Dette vil gi studentene en introduksjon til f.eks. R, Python og Jupyter notebooks og bruk av «skyen» for datalagring og beregninger.

Læringsutbyte

Studenten skal ved avsluttet emne ha følgende læringsutbyte definert i kunnskaper, ferdigheter og generell kompetanse:

Kunnskapar

Studenten..

• Har bred kunnskap om begrepene «big data», «data analytics», «maskinlæring» og «dyplæring» og kunne relatere disse begrepene til eksempler fra persontilpasset og prediktiv medisin.

Ferdigheiter

Studenten..

• Kan finn frem til og bruke et utvalg av moderne programvare for dataanalyse, visualisering og rapportering (e.g. figur og grafikk produksjon med Jupyter notebooks).
• Kan kommunisere om utvalgte metoder og programvare der disse er implementert og forklare relevans for medisinsk forskning og klinisk praksis.

Generell kompetanse

Studenten..

• Erkjenner betydningen av matematiske modeller og beregninger for analyse og forståelse av komplekse fysiologiske systemer og sykdoms-prosesser og behovet for tverrfaglig samarbeid i fremtidens medisin.
• Kan analysere hvordan vitenskapelig samarbeid i form av «open science», deling av data og «reproducible research» kan føre vitenskapen fremover.

Krav til forkunnskapar

Fortrinnsvis gjennomført første to år på medisinstudiet, eller første to år på ingeniørstudiet med fagretning innen data, elektronikk, maskin, kjemi, eller første to år på bachelorstudiet i matematikk / informatikk / fysikk / kjemi / biologi.

Tilrådde forkunnskapar

Medisinerstudenter bør ha forkunnskaper innen organfysiologi, anatomi og cellebiologi / molekylærbiologi tilsvarende andre års studium, samt interesser innen teknikk / matematikk / informatikk. Forskerlinjestudenter er velkomne til å ta kurset. Ingeniørstudenter og realfagstudenter bør ha forkunnskaper innen kalkulus / lineær algebra og programmering tilsvarende andre års studium, samt interesse for fenomener og anvendelser innen biologi og medisin.

Krav til studierett

Studenter tatt opp ved Det medisinske fakultet eller Det matematisk-naturvitenskapelige fakultet ved UiB (eller annet universitet) og studenter opptatt til ingeniørstudiet ved HVL (eller annet universitet/høgskole e.g. Erasmus student). Studenter utenfra UiB vil få gjestestudent-status ved opptak til emnet.

Ver merksam på at påmelding skjer ved epost til elektiv@med.uib.no. Det er en frist for å melde seg opp. For opplysning om denne fristen kontakt elektiv@med.uib.no.

Undervisningsformer og omfang av organisert undervisning

Undervisningsformen er orientert mot «blended learning» og «flipped classroom»:

• To dager med introduksjon- og motivasjons-forelesninger, inklusive demonstrasjoner. Studentene medbringer egen laptop.
• e-lærings moduler (før, under, og tilgjengelig etter kurset) med fokus på læringsutbytte for emnet. Vil omfatte refleksjonsspørsmål og tematiske flervalgsspørsmål.
• To innleveringer med hverandre-vurdering (peer assessment): (i) én innlevering relatert til e-infrastruktur innen moderne beregningsvitenskap (programmerings omgivelser / IDE, data repositorier, kildekode-versjonskontroll [GitHub] etc.), (ii) én innlevering relatert til spesifikke tema innen (bio)medisin, valgt blant et lite utvalg på forhånd definerte prosjekter der en tilstreber samarbeid mellom minst én medisinerstudent og én ingeniørstudent (i.e. «tandem»). Dette samarbeidsprosjektet skal presenteres muntlig ved en av de fire samlingene. Punktene (i) og (ii) kan også slås sammen til et større tverrfaglig gruppeprosjekt, der en "data management plan" vil være en viktig komponent.
• Fire «meet-ups» / samlinger med lærere og undervisnings-assistenter. Avsluttende digital eksamen.

Emnet vil basere seg på at studenten har egen eller lånt laptop.

Obligatorisk undervisningsaktivitet

To obligatoriske innleveringer og én muntlig presentasjon, dels med hverandre-vurdering. Obligatoriske aktiviteter registreres av emneansvarlig og skal være bestått før eksamen.

Vurderingsformer

Avsluttende hjemmeeksamen med flervalgsoppgaver.

Karakterskala

Bestått / ikke bestått

Fagleg overlapp

BMED360/HUFY372 (2 ECTS)

Emneevaluering

Skriftleg evaluering ved bruk av elektronisk evalueringsverktøy.