Sekcja Sztucznej Inteligencji i Uczenia Maszynowego w Biostatystyce
(Section for AI and Machine Learning in Biostatistics)
Przewodniczący sekcji: dr hab. Michał Michalak
kontakt: michal@ump.edu.pl
Cel: Integracja środowiska naukowego wokół zaawansowanych algorytmów i ich walidacji klinicznej.
Dołącz do sekcji:
Napisz czym się zajmujesz oraz dlaczego chesz dołączyć (pisz na aders: michal@ump.edu.pl)
Obszary badawcze:
Deep Learning w obrazowaniu medycznym.
Modele prognostyczne i ich walidacja.
Etyka i transparentność AI (XAI).
Integracja danych wysokoprzepustowych (Omics)
Repozytorium i Zasoby:
- Wytyczne raportowania i standardy jakości (AI Guidelines)
Zapewnienie transparentności i powtarzalności badań jest kluczowym celem biostatystyki klinicznej. Oto najważniejsze protokoły:
TRIPOD+AI (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis): Rozszerzenie klasycznego TRIPOD o aspekty AI.
STARD-AI: Wytyczne dla badań dotyczących dokładności diagnostycznej opartych na AI.
CLAIM (Checklist for Artificial Intelligence in Medical Imaging): Standardy dla AI w obrazowaniu medycznym.
DECIDE-AI: Wytyczne dla wczesnych faz oceny klinicznej systemów AI.
CONSORT-AI: Rozszerzenie dla badań z randomizacją (RCT), w których interwencją jest system AI.
Link do The Lancet Digital Health
Journal Club: Zapowiedzi cyklicznych spotkań online, podczas których omawiane są najnowsze publikacje z pogranicza biostatystyki i ML.
- Biblioteki do analizy danych (R i Python)
Wybór narzędzi, które łączą klasyczną statystykę z nowoczesnym uczeniem maszynowym.
Środowisko R (Preferowane przez biostatystyków)
tidymodels: Nowoczesny ekosystem do modelowania, następca caret. Zapewnia spójność i przejrzystość kodu.
mlr3: Zorientowane obiektowo podejście do ML w R, niezwykle wydajne przy dużych projektach.
survival: Fundament analizy przeżycia, niezbędny w biostatystyce klinicznej.
randomForestSRC: Random Forests dla danych medycznych (przeżycie, analiza wieloczynnikowa).
SHAPforComposite: Narzędzie do interpretowalności modeli (Explainable AI – XAI).
Środowisko Python (Standard w Deep Learningu)
scikit-learn: Najważniejsza biblioteka do klasycznego uczenia maszynowego.
Lifelines: Implementacja analizy przeżycia w Pythonie (odpowiednik R-owego survival).
PyCox: Biblioteka do sieci neuronowych w analizie przeżycia (oparta na PyTorch).
SHAP / LIME: Kluczowe biblioteki do wyjaśniania decyzji „czarnych skrzynek” modeli AI.
PyCaret: Biblioteka typu low-code, idealna do szybkiego prototypowania modeli przez lekarzy-badaczy.
Projekty i współpraca:
Osoby zainteresowane nawiązaniem współpracy proszone są o kontakt z przewodniczącym sekcji (michal@ump.edu.pl)