Mesterséges intelligencia az orvosbiológiában

VIMIMSEV001-00 | Egészségügyi mérnök MSc | Kredit: 5 | Hivatalos tantárgyi adatlap

A tantárgy célkitűzése

A tantárgy célja, hogy a hallgatók átfogó, rendszerszintű képet kapjanak a mesterséges intelligencia modern módszereiről és azok orvosbiológiai alkalmazásairól. A kurzus bemutatja a gépi tanulás alapelveit, a mélytanulási modellek működését, valamint a legfontosabb korszerű irányokat (generatív modellek, ágenses rendszerek, federált tanulás, magyarázható és megbízható MI), különös hangsúllyal a gyakorlati alkalmazhatóságra és a modellek kritikus értékelésére.

A tantárgy a következő kompetenciák elsajátítását teszi lehetővé:

1. Ismeretek (tudás)

A hallgató:

átfogó képet szerez a modern mesterséges intelligencia fő területeiről és azok orvosbiológiai alkalmazásairól,

megismeri a gépi tanulás és a mélytanulás alapelveit, a modellek felépítését és működését,

érti a különböző adattípusok (pl. klinikai, képi, idősoros, hálózati) modellezésének alapvető megközelítéseit,

tisztában van a modellek értékelésének módszereivel és azok korlátaival (pl. túlilleszkedés, torzítások, adatszivárgás),

ismeri a magyarázható és megbízható mesterséges intelligencia alapfogalmait, valamint a korreláció és okság közötti különbséget,

áttekintést kap a korszerű irányokról, mint a generatív modellek, federált tanulás és LLM-alapú ágenses rendszerek.

2. Képességek (készségek)

A hallgató képes:

különböző típusú orvosbiológiai problémákhoz megfelelő modellezési megközelítést választani,

alapvető gépi tanulási és mélytanulási modelleket alkalmazni előkészített környezetben,

modellek teljesítményét értelmezni és kritikus módon értékelni különböző metrikák alapján,

felismerni a tipikus hibákat (pl. túlilleszkedés, hibás validáció, adatminőségi problémák),

modellek döntéseit értelmezni és a magyarázatok korlátait azonosítani,

megkülönböztetni a prediktív modellek által feltárt összefüggéseket az oksági kapcsolatoktól,

egyszerű döntéstámogató folyamatokban a modellkimeneteket megfelelően felhasználni.

3. Attitűdök (szemlélet)

A hallgató:

kritikus szemlélettel viszonyul az adatvezérelt modellekhez és azok eredményeihez,

felismeri a mesterséges intelligencia módszereinek korlátait és alkalmazási feltételeit,

törekszik a modellek megbízhatóságának és általánosíthatóságának vizsgálatára,

nyitott a különböző modellezési paradigmák (modellalapú és adatvezérelt) összevetésére és integrálására,

tudatosan törekszik arra, hogy a modellek alkalmazása során a szakmai kontextust (pl. orvosbiológiai háttér) figyelembe vegye.

Gézsi András

docens

tárgyfelelős

A tárgy oktatói

Gézsi András

docens

A tantárgy részletes tematikája

Előadások:

1. Bevezetés: mesterséges intelligencia az orvosbiológiában. A mesterséges intelligencia szerepe az orvosbiológiában: diagnosztika, kockázatbecslés, prognózis, adatgenerálás és felfedezés. Adattípusok (klinikai, képi, idősoros, hálózati) és ezek sajátosságai. Tanulási paradigmák: felügyelt, felügyelet nélküli és generatív tanulás áttekintése. A modellezési folyamat fő lépései.

2. Tanulás, generalizáció és értékelés. A tanulási probléma formalizálása. Tanító-, validációs és teszt adathalmazok szerepe. Túlilleszkedés és alulilleszkedés. Keresztvalidáció. Teljesítménymérő mutatók (pl. pontosság, ROC, precision-recall) és ezek korlátai kiegyensúlyozatlan adatok esetén. Orvosbiológiai sajátosságok: adatszivárgás, kohorsz bias, időbeli torzítások.

3. Adatközpontú szemlélet és reprezentáció. Adatminőség, hiányzó adatok, címkézési hibák és torzítások hatása a modellekre. Jellemzőképzés és reprezentációtanulás összehasonlítása. Beágyazások és látens reprezentációk szerepe komplex biológiai rendszerek modellezésében.

4. Neurális hálózatok alapjai. Többrétegű neurális hálózatok felépítése és működése. Aktivációs függvények. A neurális háló mint általános függvényközelítő. Modellkapacitás és kifejezőerő.

5. Tanítás és optimalizáció. Veszteségfüggvények. Gradiensalapú optimalizáció és a tanítás folyamata. Tanulási ráta, inicializáció és konvergencia kérdései. A tanulás dinamikájának intuitív értelmezése.

6. Regularizáció és generalizáció mély modellekben. Túlilleszkedés kezelése. Regularizációs technikák (pl. dropout, súlycsökkentés, korai megállítás). Modellkomplexitás és általánosító képesség kapcsolata.

7. Képi adatok és konvolúciós modellek. Konvolúciós neurális hálózatok alapelvei. Lokális mintázatok és hierarchikus reprezentációk. Orvosi képfeldolgozási alkalmazások (pl. radiológia, patológia).

8. Szekvenciális és idősoros modellek. Időbeli függőségek modellezése. Rekurrens megközelítések és transzformeralapú modellek alapötlete. Alkalmazások: EKG jelek, genetikai szekvenciák.

9. Multimodális modellezés. Különböző típusú adatok integrálása. Korai és késői fúzió. Klinikai, képi és egyéb adatok kombinálása egy közös modellben.

10. Hálózati adatok és gráfalapú modellek. Biológiai hálózatok (pl. gén-gén, fehérje-fehérje kölcsönhatások) reprezentációja. Gráfalapú tanulás alapelvei. Információterjedés hálózatokban és alkalmazások biológiai rendszerek modellezésében.

11. Generatív modellek és adatgenerálás. Szintetikus adatok előállítása és adataugmentáció. Generatív modellek szerepe ritka események modellezésében és adatbővítésben. Orvosbiológiai alkalmazások (pl. képgenerálás, molekulatervezés) áttekintése.

12. Ágenses rendszerek és döntéshozatal. Ágenses megközelítések alapjai. Nagy nyelvi modellekre épülő ágensek és eszközhasználat. Predikció és döntéshozatal kapcsolata: küszöbértékek, kockázat és hasznosság. Döntéstámogató rendszerek az orvosbiológiában.

13. Magyarázható mesterséges intelligencia és oksági szemlélet. Modellek értelmezhetősége: globális és lokális magyarázatok. Jellemzők fontosságának megállapítására szolgáló módszerek. A magyarázatok korlátai és instabilitása. Korreláció és okság megkülönböztetése, zavaró tényezők. A modellekből levont következtetések kritikus értékelése.

14. Megbízható és elosztott MI rendszerek. Bizonytalanság becslése, modellkalibráció, robusztusság és eloszláseltolódás kezelése. Modellek viselkedése új környezetben. Federált tanulás alapjai és alkalmazása több intézmény adatain. A modellek megbízhatóságának komplex értékelése.

Gyakorlatok:

A gyakorlatok során a hallgatók valós vagy valósághű orvosbiológiai adatokon (pl. klinikai, képi és idősoros adatok) dolgoznak. A gyakorlatok során a hallgatók a következő jellegű feladatokat oldanak meg:

gépi tanulási és mélytanulási modellek alkalmazása előkészített környezetben,

modellek teljesítményének értékelése különböző metrikákkal,

túlilleszkedés, adatszivárgás és torzítások gyakorlati vizsgálata,

különböző adattípusok modellezése (képi, idősoros, multimodális),

generatív modellek és adataugmentáció alkalmazása,

egyszerű ágenses rendszerek kipróbálása döntéstámogatási feladatokon,

modellek magyarázhatóságának és bizonytalanságának elemzése.

A gyakorlatok irányított (pl. Jupyter notebook alapú) környezetben zajlanak, a hangsúly a modellezési szemléleten, az alkalmazáson és az eredmények értelmezésén van.