Diplomado en Inteligencia Artificial aplicada al diagnóstico médico

El Diplomado en Inteligencia Artificial aplicada al diagnóstico médico entrega herramientas para comprender los fundamentos metodológicos de la Inteligencia Artificial aplicadas en el diagnóstico y pronóstico médico; evaluar de forma crítica las oportunidades y barreras que representan estas tecnologías y adquirir las habilidades para incluir estas herramientas en la práctica clínica.

El Diplomado en Inteligencia Artificial para el diagnóstico médico está diseñado para equipar a los y las profesionales de la salud con un profundo conocimiento y habilidades prácticas en la aplicación de tecnologías de Inteligencia Artificial (IA) en el área de la medicina. Los y las estudiantes aprenderán conceptos fundamentales y avanzados de Machine Learning y Deep Learning, aplicados específicamente al diagnóstico y pronóstico médico. A través de cursos como Fundamentos computacionales para IA en medicina, Análisis exploratorio y Visualización de datos, Introducción a IA para diagnóstico y pronóstico médico, y Deep Learning, los participantes desarrollarán la capacidad de analizar datos estructurados y no estructurados, interpretar señales de sensores, textos e imágenes médicas, y aplicar estos conocimientos en su práctica profesional.

La pertinencia de este diplomado radica en su capacidad para transformar la práctica clínica a través de la integración de tecnologías avanzadas de IA. Este programa no solo introduce y actualiza al profesional en las últimas tendencias tecnológicas de IA aplicadas al ámbito de la salud, sino que también habilita a los participantes para liderar la implementación de soluciones de IA en sus respectivos entornos de trabajo.

El diplomado adopta una metodología dinámica e interactiva, utilizando una plataforma de streaming para la entrega de clases sincrónicas, a través de una plataforma de videoconferencia, que permite la participación activa de los y las estudiantes desde cualquier lugar, así como seminarios presenciales que permiten el networking con sus pares. El diplomado combina teoría con proyectos prácticos, permitiendo a los y las estudiantes aplicar directamente los conocimientos adquiridos en escenarios reales y simulados. Este enfoque práctico garantiza que los y las graduadas no sólo comprendan los aspectos teóricos de la IA, sino que también sean capaces de utilizar estas soluciones en sus respectivos campos profesionales. La colaboración entre la Facultad de Ingeniería y el Instituto de Ingeniería Biológica y Médica (de las Facultades de Ingeniería, Medicina y Ciencias Biológicas) UC con el Instituto Milenio en Ingeniería e Inteligencia Artificial para la Salud (iHEALTH) enriquece el programa, a través de un enfoque interdisciplinario que integra conocimientos técnicos y clínicos. Esta sinergia asegura que los contenidos no solo sean de alta calidad técnica, sino también ajustados a las necesidades y desafíos reales del sector salud.

Introduction to AI for medical diagnosis and prognosis

Docente(s): Rodrigo Cádiz (responsable) y Claudia Prieto

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 3

Horas Totales: 48 | Horas directas: 24 | Horas indirectas: 24

Descripción del curso:

Esta asignatura ofrece una visión introductoria a las temáticas, herramientas y técnicas fundamentales en Aprendizaje Automático o de Máquina (Machine Learning, ML). Los estudiantes primero identificarán las distintas áreas de aplicación de ML, con el fin de identificar problemas en los que ML es aplicable. Luego, desarrollarán capacidades para elegir herramientas y técnicas adecuadas y pertinentes para los problemas a resolver, en conjunto con conocimiento para entender el desempeño de las propuestas realizadas, a través de algunos casos de estudio. Finalmente, se expondrán los posibles caminos a seguir luego de este curso, tanto para profundizar los conocimientos adquiridos como para conocer nuevas técnicas en el área.

Resultados de aprendizaje:

• Identificar áreas de aplicación de Machine Learning en el área de diagnóstico médico.
• Comprender las técnicas utilizadas para la resolución de problemas en el diagnóstico médico.

Contenidos:

• Fundamentos
• ¿Qué es Machine Learning?
• Introducción a scikit-learn, una librería de Python para machine learning.
• Determinación de parámetros de entrenamiento y validación de modelos.
• Ingeniería de características (Feature engineering).
• Métodos básicos
• Naive Bayes.
• Regresión logística.
• k-nearest Neighbors.
• Support Vector Machines.
• Métodos estadísticos
• Análisis discriminante.
• Métodos basados en árboles de búsqueda
• Modelos de árboles de decisión
• Random forest.
• Métodos no-supervisados
• Análisis de Componentes Principales.
• K-Means clustering.
• Clustering jerárquico.
• Gaussian Mixtures.
• Kernel Density Estimation.
• Escalado y variables categóricas.
• Evaluación y mejora de modelos en contextos clínicos
• Boosting: AdaBoost y XGBoost.
• Evaluación de modelos de clasificación en aplicaciones prácticas en medicina.
• Estrategias para datos desbalanceados en análisis de datos clínicos.
• Aplicaciones en casos reales en salud
• Clasificación de lesiones en imágenes en dermatología
• Detección de patrones cardiorrespiratorios en audio
• Predicción de enfermedades crónicas

Estrategias metodológicas:

• Clases expositivas y participativas.
• Talleres prácticos de análisis de casos de estudios en el área de salud.

Estrategias evaluativas:

• 2 controles - 30%
• Tareas: 2 problemas cortos de solución acotada, desarrollados de manera grupal o individual -30%
• Evaluación final: Proyecto aplicado - 40%