Curso de Especialización de Inteligencia Artificial aplicada a la Salud

MÓDULO I: FUNDAMENTOS BÁSICOS DE LA IA PARA LA SALUD (40 horas lectivas)

Objetivos:

1. Proporcionar los conocimientos básicos para la comprensión sobre lo que es la IA, especialmente en el área del machine learning.
2. Identificar las principales técnicas de IA aplicadas a la salud: machine learning y PLN.
3. Conocer las principales técnicas de machine learning, su validación y sus métricas de evaluación.
4. Conocer los fundamentos del Procesamiento de Lenguaje Natural
5. Identificar las principales fuentes de datos en el ámbito de la salud asistencial, clínica y de investigación biosanitaria
6. Conocer el área de la computación natural y su incidencia en el ámbito de la biología de sistemas biomédicos.
7. Conocer los diferentes niveles de análisis lingüístico para el estudio y comprensión profunda de la lengua, identificando sus elementos y características en cada nivel.
8. Proporcionar los conocimientos básicos para la creación y gestión corpus lingüísticos de calidad, aplicando criterios de selección y estructuración que permitan obtener datos fiables y relevantes para el análisis lingüístico.

Contenidos:

• Introducción: ¿Qué es la IA? IA fuerte, IA débil, singularidad. Algunas áreas de la IA. Machine learning y deep learning. Procesamiento de Lenguaje Natural. IA generativa. Modelos de lenguaje. IA explicable, responsable y ética. Fuentes de datos para la IA en salud. Ámbitos de aplicación de la IA en salud. Retos de la IA en salud.
• Machine learning: Principales técnicas de machine learning: redes neuronales artificiales, random forests, Support Vector Machines, etc. Técnicas de regresión. Clustering. Aprendizaje ensamblado: bagging y boosting. Entrenamiento y validación de los modelos. Sobreajuste. Métricas de evaluación para experimentos en machine learning.
• Procesamiento de Lenguaje Natural.
  • Introducción al PLN.
  • Evolución histórica del PLN.
  • Aplicaciones de PLN: Recuperación de información, extracción de información, clasificación de información, desambiguación, minería de opiniones, simplificación, generación de resúmenes.
  • Líneas de trabajo en PLN: Adaptación al dominio y casos de uso.
  • Ecosistema de PLN.

• • Recursos lingüísticos: niveles de análisis y corpus.

• • Modelos del Lenguaje.
    • ¿Qué es un modelo de lenguaje?
    • ¿Cómo aprenden los LLMs?
    • Métodos de evaluación de un LLMs.
    • Resolución de tareas concretas con LLMs.
    • Ejemplos prácticos del uso de LLMs.

• • Aplicaciones de PLN en salud y biomedicina.
    • ¿Por qué el PLN es relevante en biomedicina? ¿Qué retos específicos enfrenta en este campo?
    • Inteligencia Artificial Generativa aplicada a la biomedicina
    • Ingeniería de Instrucciones (Prompting).
    • Retrieval-Augmented Generation (RAG)
    • Asistentes virtuales para biomedicina
    • Observación de tendencias en biomedicina: T2Know

MÓDULO II: IA EN LA INVESTIGACIÓN BIOMÉDICA (32 horas lectivas)

Objetivos:

1. Conocer las fuentes de datos ómicas.
2. Realizar experimentos simples de ML con datos ómicos.
3. Conocer modelos de lenguaje para información ómica.
4. Conocer la computación natural y su aplicación en los gemelos digitales para la biología de sistemas.

Contenidos:

• IA para las ciencias ómicas: genómica, proteómica y transcriptómica. Fuentes de datos NGS: variantes, secuencias y alineamientos. Curación de datos. Otras fuentes de datos: biología estructural, metagenoma y epigenoma.
• Machine learning aplicado a los datos ómicos: clasificación, predicción y generación. Experimentos con datos ómicos.
• Modelos de lenguaje ómicos.
• Modelos estructurales para ómica y farmacología. Representación de la información y aprendizaje. Alpha Fold.
• Deep learning y RNAs aplicados a la radiómica.
• Radiómica: Fuentes de datos y curación de imágenes.
• Epidemiología: Computación natural y biología de sistemas. Gemelos digitales: biosimuladores inteligentes.

MÓDULO III: IA EN LA SALUD ASISTENCIAL (28 horas lectivas)

Objetivos:

1. Conocer las fuentes de datos en la salud asistencial haciendo especial énfasis en la historia clínica.
2. Conocer las principales técnicas de recuperación de información e interpretación de textos biomédicos.
3. Conocer otros ámbitos de actuación de la IA en la salud asistencial (salud mental, asistentes en la toma de decisión, dispositivos inteligentes, etc.).
4. Conocer las principales normas legales vigentes en el uso de la IA y los datos en el ámbito de la salud.

Contenidos:

• Fuentes de datos: Historia clínica.
• Recuperación de la información y minería de textos biomédicos.
• IA generativa para la interpretación de textos biomédicos y a la historia clínica.
• IA generativa en el diagnóstico y terapia para la salud mental.
• IA en los cuidados de los pacientes (AI healthcare, teleasistencia, dispositivos wearables para la salud).
• Protección de datos y aspectos legales.