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 chcesz dołączyć (pisz na adres: 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. Link do publikacji (BMJ)
- STARD-AI: wytyczne dla badań dotyczących dokładności diagnostycznej opartych na AI. Link do Nature Medicine
- CLAIM (Checklist for Artificial Intelligence in Medical Imaging): standardy dla AI w obrazowaniu medycznym. Link do RSNA
- DECIDE-AI: wytyczne dla wczesnych faz oceny klinicznej systemów AI. Link do Nature Medicine
- 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).
- shapviz: 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).