ID:
512147
Durata (ore):
50
CFU:
6
SSD:
BIOINGEGNERIA ELETTRONICA E INFORMATICA
Anno:
2026
Dati Generali
Periodo di attività
Secondo Semestre (01/03/2027 - 11/06/2027)
Syllabus
Obiettivi Formativi
Il corso fornisce le conoscenze teoriche e le competenze pratiche necessarie a comprendere, valutare e applicare i modelli di Intelligenza Artificiale Generativa nel dominio medico e clinico.
Al termine del corso lo studente sarà in grado di:
– comprendere i fondamenti delle principali architetture generative (VAE, GAN, Diffusion, Flow Matching) e dei Foundation Model basati su Transformer;
– utilizzare modelli pre-addestrati allo stato dell'arte mediante prompt engineering, esecuzione in locale, approcci zero-/few-shot e distillazione;
– valutare criticamente qualità, affidabilità, equità (fairness) e sicurezza dell'output generativo, gestendo bias e privacy dei dati clinici;
– applicare modelli generativi a dati clinici testuali (generazione di note cliniche, sistemi RAG), tabulari e serie temporali (dati sintetici, forecasting di traiettorie);
– affrontare applicazioni avanzate su dati multimodali e omici per la medicina di precisione e comprendere l'architettura di sistemi decisionali complessi basati su agenti autonomi.
Al termine del corso lo studente sarà in grado di:
– comprendere i fondamenti delle principali architetture generative (VAE, GAN, Diffusion, Flow Matching) e dei Foundation Model basati su Transformer;
– utilizzare modelli pre-addestrati allo stato dell'arte mediante prompt engineering, esecuzione in locale, approcci zero-/few-shot e distillazione;
– valutare criticamente qualità, affidabilità, equità (fairness) e sicurezza dell'output generativo, gestendo bias e privacy dei dati clinici;
– applicare modelli generativi a dati clinici testuali (generazione di note cliniche, sistemi RAG), tabulari e serie temporali (dati sintetici, forecasting di traiettorie);
– affrontare applicazioni avanzate su dati multimodali e omici per la medicina di precisione e comprendere l'architettura di sistemi decisionali complessi basati su agenti autonomi.
Prerequisiti
Conoscenza di base del linguaggio di programmazione Python.
Contenuti del corso di Apprendimento Automatico (Machine Learning).
Contenuti del corso di Apprendimento Automatico (Machine Learning).
Metodi didattici
Il corso si articola in lezioni frontali e esercitazioni pratiche in laboratorio
Le esercitazioni prevedono l'implementazione diretta e la sperimentazione dei modelli e delle metodologie presentati a lezione.
Le esercitazioni prevedono l'implementazione diretta e la sperimentazione dei modelli e delle metodologie presentati a lezione.
Verifica Apprendimento
La verifica dell'apprendimento prevede il completamento di 5 esercitazioni distribuite durante il semestre e un progetto finale con discussione orale.
Testi
Slide e materiale forniti dal docente.
Articoli scientifici selezionati (ad es. Nature Medicine, https://www.nature.com/articles/s41591-025-03983-2).
Ulteriori riferimenti bibliografici saranno indicati durante il corso.
Articoli scientifici selezionati (ad es. Nature Medicine, https://www.nature.com/articles/s41591-025-03983-2).
Ulteriori riferimenti bibliografici saranno indicati durante il corso.
Contenuti
Il corso è organizzato in tre blocchi tematici.
TEORIA FONDAMENTALE
Modulo 1 – Architetture di base (8 ore): introduzione all'IA Generativa nella medicina moderna; approcci probabilistici alle architetture generative (VAE, GAN, Diffusion, Flow Matching) per la creazione di dataset clinici artificiali; Foundation Model, architettura Transformer e meccanismi di attenzione, self-supervised learning, approcci zero-/few-shot, RLHF.
Modulo 2 – Utilizzo dei modelli (8 ore): prompt engineering e strategie avanzate di interazione con modelli allo stato dell'arte (ChatGPT, Gemini, Perplexity, Claude, OpenEvidence, NoteLLM); download, gestione locale e implementazione zero-shot di modelli pre-addestrati; distillazione dei modelli per l'applicazione in contesti clinici. Esercitazione 1 (2 ore).
Modulo 3 – Valutazione dei modelli (4 ore): analisi dei bias, fairness e gestione della privacy dei dati clinici; interpretabilità (XAI) e protocolli di reliability per l'output generativo; metriche di valutazione (perplexity, FID, BLEU). Esercitazione 2 (2 ore).
APPLICAZIONI DI BASE
Modulo 4 – Applicazione a dati testuali (8 ore): generazione automatica di note cliniche da dati strutturati e semi-strutturati; sistemi RAG per potenziare i modelli linguistici con evidenze mediche aggiornate; automazione del workflow di scrittura medica e sintesi di cartelle cliniche complesse. Esercitazione 3 (2 ore).
Modulo 5 – Applicazione a dati tabulari e serie temporali (4 ore): generazione di dati tabulari con modelli pre-addestrati e Prior-Fitted Networks; modelli generativi per il forecasting e la simulazione di traiettorie cliniche temporali. Esercitazione 4 (2 ore).
APPLICAZIONI AVANZATE
Modulo 6 – Applicazione a dati multimodali e omici per la medicina di precisione (4 ore): approcci integrati e knowledge base per la medicina di precisione (PrimeKG, TxGNN, ComptoxAI); molecular contrastive learning; GNN e Co-Optimal Transport. Esercitazione 5 (2 ore).
Modulo 7 – Applicazione in sistemi decisionali complessi e ABM (4 ore): introduzione all'architettura di agenti autonomi capaci di pianificare ed eseguire task complessi; sistemi di supporto alle decisioni cliniche in grado di elaborare dati multimodali.
TEORIA FONDAMENTALE
Modulo 1 – Architetture di base (8 ore): introduzione all'IA Generativa nella medicina moderna; approcci probabilistici alle architetture generative (VAE, GAN, Diffusion, Flow Matching) per la creazione di dataset clinici artificiali; Foundation Model, architettura Transformer e meccanismi di attenzione, self-supervised learning, approcci zero-/few-shot, RLHF.
Modulo 2 – Utilizzo dei modelli (8 ore): prompt engineering e strategie avanzate di interazione con modelli allo stato dell'arte (ChatGPT, Gemini, Perplexity, Claude, OpenEvidence, NoteLLM); download, gestione locale e implementazione zero-shot di modelli pre-addestrati; distillazione dei modelli per l'applicazione in contesti clinici. Esercitazione 1 (2 ore).
Modulo 3 – Valutazione dei modelli (4 ore): analisi dei bias, fairness e gestione della privacy dei dati clinici; interpretabilità (XAI) e protocolli di reliability per l'output generativo; metriche di valutazione (perplexity, FID, BLEU). Esercitazione 2 (2 ore).
APPLICAZIONI DI BASE
Modulo 4 – Applicazione a dati testuali (8 ore): generazione automatica di note cliniche da dati strutturati e semi-strutturati; sistemi RAG per potenziare i modelli linguistici con evidenze mediche aggiornate; automazione del workflow di scrittura medica e sintesi di cartelle cliniche complesse. Esercitazione 3 (2 ore).
Modulo 5 – Applicazione a dati tabulari e serie temporali (4 ore): generazione di dati tabulari con modelli pre-addestrati e Prior-Fitted Networks; modelli generativi per il forecasting e la simulazione di traiettorie cliniche temporali. Esercitazione 4 (2 ore).
APPLICAZIONI AVANZATE
Modulo 6 – Applicazione a dati multimodali e omici per la medicina di precisione (4 ore): approcci integrati e knowledge base per la medicina di precisione (PrimeKG, TxGNN, ComptoxAI); molecular contrastive learning; GNN e Co-Optimal Transport. Esercitazione 5 (2 ore).
Modulo 7 – Applicazione in sistemi decisionali complessi e ABM (4 ore): introduzione all'architettura di agenti autonomi capaci di pianificare ed eseguire task complessi; sistemi di supporto alle decisioni cliniche in grado di elaborare dati multimodali.
Lingua Insegnamento
ITALIANO
Corsi
Corsi (2)
BIOINGEGNERIA
Laurea Magistrale
2 anni
COMPUTER ENGINEERING
Laurea Magistrale
2 anni
No Results Found
Persone
Persone
No Results Found