Na Dasa Educa, encaramos a inteligência artificial (IA) na saúde como um esporte coletivo: é preciso do envolvimento dos médicos e dos cientistas de dados para, de maneira interdisciplinar, desenvolver os algoritmos que vão fazer a diferença na vida das pessoas. 

Aqui, você que é médico encontra justamente os conhecimentos necessários para atuar em conjunto com profissionais da área de ciência de dados na construção de soluções de tecnologia capazes de oferecer respostas mais precisas e personalizadas. 

De caráter prático, o curso é baseado em caso real de construção de um algoritmo de IA para identificar embolia pulmonar em exames de tomografia de tórax.

Além dos especialistas que compõem o nosso time de professores, a produção do curso também foi acompanhada pelo Dr. Ian Pan, médico e matemático que já ganhou diversas vezes competições de IA. Entre eles, o desafio do RSNA de 2020, organizado pela Radiological Society of North America, em que criou o algoritmo de embolia pulmonar que apresentamos nas aulas.

Ao final deste curso, você será capaz de:

• Conhecer os formatos de imagens médicas
• Entender o processo de anotação
• Entender o processo treinamento de modelos de machine learning
• Entender o processo de avaliação de métricas de performance dos modelos
• Trabalhar em uma equipe multidisciplinar para criar algoritmos de machine learning

Conheça também o nosso curso de IA para cientistas de dados. 

*O material de apoio, as leituras complementares e os quizzes são disponibilizados em inglês. 

1. Introduction

• What is data science? (Ivan Passoni)
• Paradigms of machine learning (Ivan Passoni)
• Problem scoping (Ivan Passoni)
• Challenges in model development (Ivan Passoni)
• Model development flow (Ivan Passoni)
• AI general use cases in medicine (Edson Saito)
• AI use cases in medical specialities (Edson Saito)
• How to evaluate news and studies about AI (Edson Saito)

2. Data 

• Data Curation
  • Part 1 (Marcelo Straus)
  • Part 2 (Marcelo Straus)
• Exploratory Data Analysis
  • Part 1 (Marcelo Straus)
  • Part 2 (Marcelo Straus)
• Imbalanced Dataset
  • What is an imbalance dataset? (Marcelo Straus)
  • Problems of an imbalance dataset? (Marcelo Straus)
  • Approaching an imbalance dataset (Marcelo Straus)
  • Undersampling and upsampling (Marcelo Straus)
  • Tips for creative dataset improvement (Marcelo Straus)
• Anonymization
  • How much information is there in a Medical Imaging? (Marcelo Straus)
  • Why is Anonymization important? (Marcelo Straus)
  • Anonymization Terminology and Data Usefulness (Marcelo Straus)
  • Data De-identification in Practice (Marcelo Straus)
• Annotation
  • Introduction to Medical Image Annotation (Osvaldo Landi Junior)
  • Data-centric AI (Osvaldo Landi Junior)
  • Medical Image Labeling Classification (Osvaldo Landi Junior)
  • Medical Image Labeling Segmentation and Bounding Box (Osvaldo Landi Junior)
  • Annotation Strategies (Osvaldo Landi Junior)
  • Annotation Best Practices Part 1 (Osvaldo Landi Junior)
  • Annotation Best Practices Part 2 (Osvaldo Landi Junior)
  • Tools for Medical Image Annotation (Gustavo César de Antonio Corradi)

3. Model

• Why deep learning (Léo Max Feuerschuette Neto)
• What we will use (Suely Fazio Ferraciolli)
• How a model learns (Matheus Ferreira)
• Data Augmentation (Matheus Ferreira)
• How to split data (Matheus Ferreira)
• How to split data - code demonstration (Matheus Ferreira)
• Training a Simple Model - code demonstration (Matheus Ferreira)
• Classification metrics (Suely Fazio Ferraciolli)

4. Deploy/monitoring 

• Implementing in Real World (Victor Lavor)
• Explainability vs Interpretability (Suely Fazio Ferraciolli)
• Ethics (Suely Fazio Ferraciolli)
• Make it to Market (Osvaldo Landi Junior)
• AI Monitoring (Osvaldo Landi Junior)
• Monitoring: How - part I (Osvaldo Landi Junior)
• Monitoring: How - part II (Osvaldo Landi Junior)
• Monitoring: Metrics (Suely Fazio Ferraciolli)