Akademik Dersler - Tanıtım

Ders Bilgileri


Ders Kodu - Ders Adı	BİL535 - Sağlıkta Yapay Zeka
Ders Türü	Seçmeli Dersler
Ders Dili	Türkçe
Teori + Uygulama	3+0
AKTS	7.5
Öğretim Elemanları	DOKTOR ÖĞRETİM ÜYESİ SEMA CANDEMİR
Dersin Veriliş Biçimi	Yuz yuze
Dersin Önkoşulları	Doğrusal cebir, olasılık ve istatistik konularında yeterli bilgi. Bilgisayar proglama konularında yeterli bilgi. Ders kapsamında Python dili kullanılacaktır. Görüntü analizi ve makine öğrenmesi konularında yeterli bilgi.
Önerilen Dersler	Bu dersi alacak öğrencilerin, görüntü işleme ve makine öğrenmesi derslerini de alması önerilir.
Okuma Listesi	1) Deep Learning - Aaron Courville, Ian Goodfellow, and Yoshua Bengio https://www.deeplearningbook.org/ 2) Convolutional neural networks: an overview and application in radiology - PubMed (nih.gov)3) O’Reilly - Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems4) Magician’s Corner: 9. Performance Metrics for Machine Learning Models \| Radiology: Artificial Intelligence (rsna.org)5) S. H. Park, K. Han, Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction, Radiology 286 (3) (2018) 800–809. 6) Deep Learning (Nature 2015) - Seminal review paper by LeCun, Bengio, and Hinton https://www.researchgate.net/publication/277411157_Deep_Learning 7) Convolutional Neural Networks for Radiologic Images: A Radiologist’s Guide \| Radiology (rsna.org)
Değerlendirme	Derse Katılım (Katkı payı % 5) Ödevler (Katkı payı 5) Proje/Sunum (Katkı payı `)
Staj & Uygulama	Proje: Öğrenci, bir sağlık problemini tanımlayacak, probleme veri analizi konuları çerçevesinde bir çözüm önerecek, bu çözümü formule edecek, bu amaca uygun analiz ve modelleme yöntemlerini seçip, uygulayacaktır.
Sürdürülebilir Kalkınma Amaçları

Ders İçeriği

Haftalar	Konular
1. hafta	Dersin Amacı ve Öğrenme Çıktıları; Sağlıkta Dijital Dönüşüm, Araştırma ve Geliştirme; Temel Tanımlar: Bilgisayarla görme, Medikal veri analizi, Makine öğrenmesi; Hesaplamalı Model; Dönem İçinde İşlenecek Konuların Özeti; Ders Ön Koşulları; Değerlendirme Ölçütleri; Proje; Derse Ait Kaynaklar; Ödev 1.
2. hafta	Hesaplamalı Model Tanımı; Hesaplamalı Model Geliştirmek icin Araçlar: Görüntü işleme, Bilgisayarla görme, Makine ögrenmesi, Olasılık ve istatistik, Python, Anaconda, IDE Spyder; Veri Analizi Kütüphaneleri: NumPy, ScikitLearn, SciPy; Görüntü İşleme Kütüphaneleri; Derin Öğrenme Kütüphaneleri: Keras, Tensorflow, Pytorch; Python Ortamı ve Kütüphanelerin Kurulumu; Önerilen Okumalar ve Ödev 2.
3. hafta	Hesaplamalı Model Tasarım Aşamaları; Klinik Problem Tanımı; Veri Toplama; Veri Etiketleme; Model Eğitim Stratejileri: Eğiticili öğrenme, Geleneksel öğrenme, Veri tabanlı yaklaşım; Model Değerlendirme ve Performans Metrikleri; Önerilen Okumalar ve Ödev 3.
4. hafta	Derin Öğrenmeye Giriş; Dijital Nöron; Aktivasyon Fonksiyonu; Kayıp Fonksiyonu; Optimizasyon; Derin Öğrenme Yazılım Platformları; Evrişimsel (Konvolüsyonel) Sinir Ağları; Önerilen Okumalar ve Ödev 4.
5. hafta	Medikal Veri ve Örnekleri; Medikal Veri Tipleri; Görüntü verisi, Metinsel veri, Demografik veri, Kategorik veri, Numerik veri; Görüntü Arşivleme ve İletişim Sistemleri, Elektronik Sağlık Kayıtları; DICOM; Araştırmacılara Açık Veri Seti Kaynakları; Veri Toplanmasi; Eksik, Yetersiz ve Dengesiz Veri; Veri Korunumu; Önerilen Okumalar ve Ödev.
6. hafta	Öğrenme Yöntemleri: Eğiticili öğrenme, Yarı eğiticili öğrenme, Transfer öğrenimi, Hafif eğiticili öğrenme, Birleşik öğrenme; Önerilen Okumalar ve Ödev.
7. hafta	Derin Öğrenme Model Eğitimi; Verinin Model Eğitimi için Hazırlanması: Yeniden boyutlandırma, Bölütleme, Normalizasyon, Veri bölme, Veri arttırma; Model Olusturma; Hiper-parametreler; Aşırı Uydurma ve Yetersiz Uydurma; Aşırı Uydurma Önleme Yöntemleri; Model Eğitiminin Sonlandirilmasi; Önerilen Okumalar ve Ödev.
8. hafta	Medikal Görüntü Analizi Uygulama: Sınıflandırma; Örnek Uygulamalar.
9. hafta	Medikal Görüntü Analizi Uygulama: Bölütleme; U-Net; Bölütleme Metrikleri; Örnek Uygulamalar.
10. hafta	Medikal Görüntü Analizi Uygulama: Klinik Nesne Bulunması; Derin Öğrenme Modelleri: R-CNN, Yolo; Örnek Uygulamalar.
11. hafta	Medikal Görüntü Analizi Uygulama: İleri Modeller; 3-Boyutlu Veri ve Video Analizi; Derin Öğrenme Modelleri: Recurrent NN, Long short term memory.
12. hafta	Çok Modlu Veri Analizi; Çok Modlu Model Geliştirme; Çoklu Kaynak ve Mod Bilgilerinin Birleştirilmesi; Önerilen Okumalar ve Ödev.
13. hafta	Medikal Model Yorumlama; Model Yorumlama Teknikleri: Occlusion, LIME Methodu, CAM, GRAD-CAM, Shapley Değeri, Önerilen Okumalar.
14. hafta	Dönem Projelerinin Sunulması

Öğretim Yöntem ve Teknikleri

Öğretim Yöntemleri
Anlatım
Tartışma
Soru-Yanıt
Takım/Grup Çalışması
Uygulama - Alıştırma
Örnek Olay İncelemesi
Sorun/Problem Çözme
Beyin Fırtınası
Rapor Hazırlama ve/veya Sunma
Proje Tasarımı/Yönetimi
Öğretim Yeterlilikleri
Üretken
Sorgulayan
Girişimci
Yaratıcı
Takım halinde çalışabilme
Problem çözme
Kaliteye önem verme
Bilgiyi yönetme
Bağımsız çalışma
Organize etme ve planlama
Temel matematik becerileri
Karar verme becerisi
Disiplinlerarası projelerde çalışma
Proje Tasarlama ve Yönetme
Önderlik
Uluslararası projelerde çalışma

Ölçme ve Değerlendirme

Değerlendirme Yöntemi ve Geçme Kriterleri
	Sayısı	Yüzde (%)
1.Ara Sınav	1	20
Ödev	1	20
Dönem Sonu Sınavı	1	60
Toplam (%)		100