Το παρόν υλοποιείται υπό την επιστημονική επιμέλεια των ΠΔΒΜ του ΚΕΔΙΒΙΜ του Παν. Αιγαίου και την ακαδημαϊκή ευθύνη του Εθνικού και Καποδιστριακού Πανεπιστημίου Αθηνών (Τμήμα Φαρμακευτικής), σε συνεργασία με τον Πανελλήνιο Φαρμακευτικό Σύλλογο (ΠΦΣ).
Περιγραφή Προγράμματος
Αντικείμενο & Σκοπός Προγράμματος:
Το πρόγραμμα «Σύγχρονες Ψηφιακές Τεχνολογίες για την Ανάλυση Βιοϊατρικών Εικόνων με χρήση ΤΝ» έχει ως στόχο να εισαγάγει τους συμμετέχοντες στις τεχνολογίες αποθήκευσης και επεξεργασίας δεδομένων μέσω υπολογιστικού νέφους, στις μεθόδους ασφαλούς και αποδοτικού διαμοιρασμού πληροφοριών μεταξύ εφαρμογών και ιατρικών συσκευών, καθώς και στις προηγμένες τεχνικές βιοαπεικόνισης που αξιοποιούν την τεχνητή νοημοσύνη. Μέσα από συνδυασμό θεωρητικής διδασκαλίας και πρακτικής εξάσκησης, το πρόγραμμα προετοιμάζει επιστήμονες και επαγγελματίες υγείας να εφαρμόσουν καινοτόμες λύσεις στον χώρο της ιατρικής πληροφορικής και της διαγνωστικής.
1. Εισαγωγή στις ψηφιακές τεχνολογίες για την υγεία και στις δυνατότητες του υπολογιστικού νέφους.
2. Αποθήκευση και ασφαλής διαχείριση ιατρικών δεδομένων στο cloud.
3. Διαμοιρασμός δεδομένων μεταξύ εφαρμογών και συσκευών υγείας με έμφαση στη διαλειτουργικότητα.
4. Εξασφάλιση ασφάλειας και προστασίας προσωπικών δεδομένων κατά τον διαμοιρασμό πληροφοριών.
5. Βιοαπεικόνιση υψηλής έντασης και εισαγωγή σε τεχνικές ΤΝ για ανάλυση ιατρικών εικόνων.
6. Πρακτικά παραδείγματα εφαρμογής τεχνητής νοημοσύνης σε MRI, CT και μικροσκοπικές εικόνες.
7. Μελέτες περίπτωσης από τον δημόσιο και τον ιδιωτικό τομέα σχετικά με την αξιοποίηση cloud τεχνολογιών, τον διαμοιρασμό δεδομένων και την ανάλυση βιοϊατρικών εικόνων με ΤΝ.
Μαθησιακοί Στόχοι Προγράμματος:
Με την ολοκλήρωση του προγράμματος, ο/η επιμορφούμενος/η θα είναι σε θέση να:
1. κατανοεί τις βασικές αρχές αποθήκευσης και διαχείρισης ιατρικών δεδομένων στο υπολογιστικό νέφος.
2. εφαρμόζει τεχνικές ασφαλούς διαμοιρασμού δεδομένων μεταξύ εφαρμογών και συσκευών υγείας με έμφαση στη διαλειτουργικότητα.
3. αναγνωρίζει και αξιολογεί ζητήματα ασφάλειας και συμμόρφωσης με κανονιστικά πλαίσια (π.χ. GDPR) κατά τη χρήση ψηφιακών τεχνολογιών στην υγεία.
4. χρησιμοποιεί μεθόδους τεχνητής νοημοσύνης για την ανάλυση βιοϊατρικών εικόνων υψηλής έντασης (MRI, CT, μικροσκοπία).
5. αναπτύσσει δεξιότητες κριτικής αξιολόγησης και επιλογής κατάλληλων εργαλείων ΤΝ για εφαρμογή στην έρευνα και στη διαγνωστική πράξη.
Μεθοδολογία Υλοποίησης:
[Online εξ αποστάσεως]
Παρουσίαση, Συζήτηση, Αξιολόγηση
Μεθοδολογία αξιολόγησης:
Απαντήσεις σε ερωτηματολόγια
Ελάχιστα Προσόντα Υποψηφίων:
Δεν υπάρχουν προαπαιτούμενα για τη συμμετοχή στο συγκεκριμένο επιμορφωτικό πρόγραμμα.
Το πρόγραμμα υλοποιείται στο πλαίσιο της πράξης «HEALTH HUB – ΕΚΨΚ για τον μετασχηματισμό του κλάδου της Υγείας και Φαρμάκου με τη χρήση ψηφιακών υπηρεσιών τεχνητής νοημοσύνης» με κωδικό ΟΠΣ 6001682 και συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση μέσω του Προγράμματος Ανταγωνιστικότητα (ΕΣΠΑ 2021-2027).
Curriculum
- 3 Sections
- 12 Lessons
- 40 Hours
- 1. Αποθήκευση και Χρήση Υπολογιστικού Νέφουςφή Βασικές αρχές υπολογιστικού νέφους και εννοιολογική προσέγγιση της αποθήκευσης δεδομένων σε cloud υποδομές Είδη cloud υπηρεσιών (IaaS, PaaS, SaaS) και τα χαρακτηριστικά τους Αρχιτεκτονική και τεχνολογίες cloud αποθήκευσης: virtualized storage, object storage, distributed file systems Ασφάλεια δεδομένων και μηχανισμοί κρυπτογράφησης κατά τη μεταφορά και αποθήκευση ευαίσθητων ιατρικών πληροφοριών Συμμόρφωση με τον Γενικό Κανονισμό Προστασίας Δεδομένων (GDPR) και τις ειδικές απαιτήσεις για δεδομένα υγείας Διαλειτουργικότητα cloud συστημάτων με ιατρικές συσκευές και ηλεκτρονικούς φακέλους υγείας Τεχνικές βέλτιστης πρακτικής για ασφαλή πρόσβαση, δημιουργία αντιγράφων ασφαλείας και ανάκτηση δεδομένων στον τομέα της υγείας.4
- 1.1Εισαγωγή στο Υπολογιστικό Νέφος: Μοντέλα Υπηρεσιών και Ανάγκες στον Τομέα Υγείας
- 1.2Τεχνολογίες Cloud Αποθήκευσης: Από το Object Storage στα Distributed File Systems
- 1.3Ασφάλεια και Νομική Συμμόρφωση στην Cloud Αποθήκευση Δεδομένων Υγείας
- 1.4Πρακτικές Εφαρμογές Cloud στον Τομέα Υγείας: Αξιοπιστία, Διαλειτουργικότητα και Προστασία Δεδομένων
- 2. Διαμοιρασμός δεδομένων μεταξύ εφαρμογών και συσκευών υγείαςΗ έννοια της διαλειτουργικότητας στις υπηρεσίες υγείας και ο ρόλος των προτύπων (FHIR, HL7, DICOM) Τεχνικές και πρωτόκολλα διαμοιρασμού ιατρικών δεδομένων μέσω έξυπνων συσκευών και φορητών εφαρμογών Η χρήση του cloud και των APIs για την ασφαλή ανταλλαγή και αποθήκευση δεδομένων υγείας Αρχές ασφαλούς προγραμματισμού και διασύνδεσης μεταξύ ιατρικών συσκευών και πληροφοριακών συστημάτων Κίνδυνοι και προκλήσεις στον συγχρονισμό και την κοινή χρήση προσωπικών ιατρικών πληροφοριών Η συμμόρφωση με τον Γενικό Κανονισμό Προστασίας Δεδομένων (GDPR) και οι τεχνικές υλοποίησης Privacy by Design Σενάρια υλοποίησης και εργαστηριακές ασκήσεις με χρήση Python, RESTful APIs και πλατφορμών όπως το Google Health και το Apple HealthKit4
- 2.1Διαλειτουργικότητα στην Υγεία: Πρότυπα HL7, FHIR και DICOM σε Πραγματικά Περιβάλλοντα
- 2.2Εφαρμογές και Συσκευές σε Διάλογο: Χρήση APIs και Python για Ανταλλαγή Ιατρικών Δεδομένων
- 2.3Υποδομές για Αξιόπιστη Αποθήκευση και Συγχρονισμό Δεδομένων Υγείας
- 2.4GDPR και Privacy by Design στον Προγραμματισμό Εφαρμογών Υγείας
- 3. Βιοαπεικόνιση Υψηλής Έντασης με ΤΝΗ έννοια της βιοαπεικόνισης υψηλής έντασης και οι τύποι απεικονιστικών δεδομένων σε εφαρμογές υγειονομικής περίθαλψης Τεχνικές επεξεργασίας και ανάλυσης πολυδιάστατων απεικονιστικών δεδομένων με τη χρήση τεχνητής νοημοσύνης Εισαγωγή σε μοντέλα βαθιάς μάθησης (CNNs, Transformers) για την αναγνώριση προτύπων και την εξαγωγή χαρακτηριστικών Προγραμματιστικά περιβάλλοντα και εργαλεία για τη δημιουργία και αξιολόγηση μοντέλων AI (PyTorch, TensorFlow, Keras) Αντιμετώπιση προβλημάτων ποιότητας και θορύβου σε δεδομένα απεικόνισης – τεχνικές ενίσχυσης και εξομάλυνσης εικόνας Εφαρμογές στην ιατρική ακριβείας: πρώιμη διάγνωση, στοχευμένη θεραπεία, ψηφιακή παθολογία και απεικόνιση σε πραγματικό χρόνο Θέματα διαλειτουργικότητας, υποδομών δεδομένων και δεοντολογίας στη χρήση AI για τη βιοαπεικόνιση υψηλής έντασης4
- 3.1Εισαγωγή στη Βιοαπεικόνιση Υψηλής Έντασης και στην Ανάλυση Ιατρικών Εικόνων με Python
- 3.2Καθαρισμός και Εμπλουτισμός Απεικονιστικών Δεδομένων: Από την Προεπεξεργασία στην Ενίσχυση
- 3.3Ανάλυση Ιατρικών Εικόνων με Τεχνητά Νευρωνικά Δίκτυα
- 3.4Εφαρμογές, Προκλήσεις και Ερμηνεύσιμα Μοντέλα στη Σύγχρονη Ιατρική
ΔΩΡΕΑΝ
ΥΠΕΥΘΥΝΟΣ/H ΕΠΙΚΟΙΝΩΝΙΑΣ: ΒΡΑΧΑΤΗΣ ΑΡΙΣΤΕΙΔΗΣ [aris.vrahatis(at)ionio.gr - Τηλ. 6947677069]
