Esta asignatura es una asignatura optativa de 4º curso del Grado en Inteligencia Artificial (impartida durante el segundo cuatrimestre) y su objetivo principal es introducir al alumnado del grado en ámbitos de la inteligencia artificial relacionados con la salud, profundizando en la diversa naturaleza de los datos relacionados con la salud, así como afrontando problemáticas específicas que afloran en este ámbito a la hora de aplicar técnicas de inteligencia artificial.



El tipo, la cantidad y la naturaleza o tipología de datos biológicos y fisiológicos que se registran y almacenan de manera sistemática ha aumentado drásticamente en los últimos años. Hoy en día se almacena información sobre la salud de las personas electrónicamente que puede contener datos de muy diversa índole: informes médicos, analíticas u otras pruebas diagnósticas (imágenes, resonancias...), datos biológicos, datos fisiológicos de telemonitorización, etc. Esta situación permite generar sistemas basados en inteligencia artificial que sirvan de herramientas para el diagnóstico o pronóstico de enfermedades, ayuda a la toma de decisiones médicas, propuestas de tratamientos, etc.



En esta asignatura se trabajarán dos puntos de vista principales:

- Por un lado, se trabajará con datos específicos de naturaleza fisiológica y biológica. Se estudiarán herramientas para su adquisición y/o procesado para poder ser utilizados en el contexto de la salud. Se profundizará en su adquisición, procesado y utilización mediante técnicas de inteligencia artificial en diversos escenarios.

- Por otro lado, se abordarán algunos aspectos que son especialmente importantes, como la explicabilidad en los sistemas inteligentes, los posibles sesgos de dichos sistemas y la privacidad de las personas analizadas. Para cada caso se proporcionarán herramientas para hacer frente a estas problemáticas.

- Comprender los fenómenos biológicos y fisiológicos detrás de las técnicas habituales de generación de datos en biomedicina.

- Identificar las herramientas computacionales más apropiadas para el análisis de cada tipo de dato biológico y fisiológico.

- Implementar y ejecutar diferentes tipos de análisis sobre datos biológicos y fisiológicos.

- Interpretar los resultados obtenidos en diferentes tipos de datos biológicos y fisiológicos, y extraer conclusiones de dichas interpretaciones.

- Generar sistemas de aprendizaje automático con cierto nivel de explicación que minimicen sesgos.

- Transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.

- Utilizar herramientas que aseguran el mantenimiento de la privacidad en contextos de información altamente sensible.

1. Introducción

1.1 Enfoques

1. 2 Naturaleza de la información. Tipos de datos

1.3 Retos



2. Datos Fisiológicos

2.1 Introducción

2.2 Tipos de señales y su uso (ACC, EMG, ECG, EDA...)

2.3 Adquisición de datos

2.3.1 Muestreo

2.3.2 Normalización

2.3.3 Dispositivos de registro

2.4 Extracción de características

2.5 Aplicaciones de salud



3. Bioinformática

3.1 Introducción

3.2 DNA y genética básica

3.4 Del DNA a las proteínas



4. Equidad y explicación

4.1 Análisis de sesgo y equidad

4.2 Explicación de los modelos



5. Preservación de la privacidad-

5.1 Introducción

5.2 Aprendizaje federado: Conceptos básicos

5.3 Aprendizaje federado: Factores a considerar

5.4 Técnicas de protección contra los ataques de inferencia

Todos los temas se impartirán combinando clases magistrales y sesiones de laboratorio específicas al contenido tratado que tendrán un trabajo práctico asociado.

• Continuous Assessment System
• Final Assessment System
• Tools and qualification percentages:
  • Written test to be taken (%): 40
  • Team projects (problem solving, project design)) (%): 60

La asignatura tiene dos modos de evaluación:

a) Evaluación continua. Es el modo de evaluación predeterminado y se utilizará sólo en la convocatoria ordinaria.

Requiere participación activa y continua del alumnado: asistencia a las clases y laboratorios, entrega de ejercicios y trabajos, y realización de las correspondientes pruebas de evaluación, prácticas y presentaciones. En caso de no cumplir estas condiciones se pasará al modelo de evaluación global.

La evaluación consistirá en: pruebas escritas (40%), y trabajos prácticos desarrollados en grupos de 2 personas (60%). Se realizará una evaluación individual escrita que ponderará la nota global de la parte práctica. Tanto en las pruebas escritas como en los trabajos prácticos, la nota mínima exigida es de 4 puntos.

El estudiantado que, cumpliendo las condiciones para continuar en el sistema de evaluación continua, decidiese optar por la evaluación global, deberá informar por escrito (email) al profesorado responsable de la asignatura.



Para renunciar a la convocatoria bastará con abandonar la evaluación continua antes de la finalización de la misma y no entregar alguno de los trabajos prácticos o no presentarse a alguna de las pruebas escritas.



b) Evaluación global (o de conjunto). En caso de no seguir la asignatura en evaluación continua se optará por estemodelo de evaluación. El alumnado tendrá que entregar los trabajos prácticos con sus correspondientes informes técnicos al menos dos semanas antes de la fecha de convocatoria ordinaria. En este caso, el examen realizado en la fecha de convocatoria ordinaria tendrá un peso de 60% y la parte práctica (basada en los trabajos entregados previamente) un 40%. Para aprobar la asignatura es necesario obtener al menos 4 puntos tanto en el examen escrito como en el trabajo práctico.

Para renunciar a la convocatoria bastará con no presentarse al examen escrito.

Para el caso de la convocatoria extraordinaria la única opción es la evaluación global y nota final se calcula en base a dos partes:



- Teoría (60%): Se evalúa mediante un examen de conocimientos.



- Práctica (40%): Se evalúa a partir de las prácticas con sus correspondientes informes técnicos, que han de entregarse al menos dos semanas antes de la fecha de convocatoria extraordinaria.



Para superar la asignatura es necesario obtener al menos 4 puntos tanto en el examen escrito como en el trabajo práctico.

Para el correcto desarrollo de la asignatura se requiere:

- un ordenador personal tipo PC,
- una placa BITalino (r)evolution Plugged Kit, cables y sensores
- software específico para comunicación con la placa: OpenSignals (r)evolution software.
- software específico para laboratorios (OpenSignals (r)evolution software, Python, etc.).

Todos los recursos son provistos por el centro.

Basic bibliography

• Computational Intelligence in Biomedical Engineering (2008). Rezaul Begg, Daniel T. H. Lai. Marimuthu Palaniswami. Taylor & Francis

• Introduction to Biomedical Data Science (2019). Robert Hoyt, Robert Muenchen

• Intelligent Data Analysis for Biomedical Applications (2019). Ed: D. Jude Hemanth, Deepak Gupta, Valentina Emilia Balas. Eslevier

• Data Analytics in Biomedical Engineering and Healthcare (2020). Eds: Kun Lee, Sanjiban Sekhar Roy, Pijush Samui, Vijay Kumar. Eslevier

• Sex and Gender Bias in Technology and Artificial Intelligence, Biomedicine and Healthcare Applications (2022). Eds: Davide Cirillo, Silvina Catuara Solarz, Emre Guney. Elsevier

• Explanatory Model Analysis (2021). Przemyslaw Biecek and Tomasz Burzykowski. Chapman and Hall/CRC, New York.

• Bioinformatics algorithms : an active learning approach, 3rd ed. (2018). Phillip Compeau and Pavel Pevzner. Learning Publishers.

• Genetics for Dummies 2nd ed. (2010). Tara Rodden Robinson. Wiley.

• Federated Learning: A Comprehensive Overview of Methods and Applications (2022). Heiko Ludwig, Nathalie Baracaldo. Springer

• H. Silva, J. Guerreiro, A. Lourenço, A.L.N. Fred, R. Martins. BITalino: A Novel Hardware Framework for Physiological Computing. International Conference on Physiological Computing Systems (2014).

• W. Fang, D. Wu, P.E.D. Love, L. Ding, H. Luo, Physiological computing for occupational health and safety in construction: Review, challenges and implications for future research. Advanced Engineering Informatics,(2022) Vol 54, https://doi.org/10.1016/j.aei.2022.101729

• D. Cirillo, S, Catuara-Solarz, C. Morey, E. Guney, L Subirats, S. Mellino, A. Gigante, A. Valencia, M.J. Rementeria, A.S. Chadha, N. Mavridis, Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare. npj Digital Medicine (2020) Vol 3, Issue 1, https://doi.org/10.1038/s41746-020-0288-5