Biomedical Engineering
Cod 198325
- Laurea magistrale
- 2 anni
- 120 CFU
- LM-21 R
IBIO-01/A
Machine Learning FOR Biomedical Engineering
Codice: 20840086
Scheda insegnamento
- Anno Accademico di erogazione
- 2026/2027
- Corso di studi
- Biomedical Engineering
- Periodo di erogazione
- Secondo semestre
- CFU
- 6 CFU
- Lingua
- Inglese
- SSD
- IBIO-01/A
Scopri il programma didattico
Programma, testi adottati e modalità d’esame sono quelli pubblicati dai docenti per l’anno accademico 2026/2027.
- Docente
- Maurizio Schmid
- Curriculum
- Curriculum unico
- Anno di corso
- 1
- Periodo
- Secondo semestre
- Ore
- 48
- CUIN
- 260011132
Programma
Questo corso utilizzerà una modalità di apprendimento problem-based per fornire agli studenti nozioni sui recenti progressi dell'ingegneria biomedica, con particolare attenzione alla progettazione di sistemi di classificazione per il supporto alla decisione clinica. Agli studenti verranno forniti elementi di teoria associata all'utilizzo delle principali tecniche di apprendimento automatico, esplorando gli aspetti di apprendimento supervisionato e non supervisionato, e approfondendo la applicazione di tali tecniche al contesto generale della tutela della salute. Gli studenti acquisiranno competenze relative alla implementazione di tali tecniche in ambienti di programmazione di utilizzo comune (Python/MATLAB). Gli studenti lavoreranno quindi in gruppi e utilizzeranno le conoscenze teoriche acquisite e le competenze di programmazione conseguite per risolvere un progetto di interesse nell'ambito dell'ingegneria biomedica, facendo anche riferimento ai database disponibili (MIMIC, Physionet, ...). Utilizzando gli elementi di teoria acquisiti e sulla base delle attività pratiche svolte, gli studenti potranno quindi validare concretamente le soluzioni a problemi di ingegneria biomedica reali di rilevanza clinica.
Prerequisiti
Non ci sono prerequisiti ulteriori rispetto a quelli richiesti per l'ammissione al Corso di laurea magistrale.
Testi adottati
Non è presente un libro di testo ufficiale. Per la consultazione, si utilizza materiale reso disponibile sulla piattaforma di ateneo (diapositive delle lezioni, registrazioni A/V, esercitazioni guidate, esempi di progetti).
Modalità di erogazione
Lezioni teoriche (30% del carico orario)
Esercitazioni guidate (30% del carico orario)
Attività supervisionate di progetto (40% del carico orario)
Modalità di frequenza
Data la natura progettuale di una parte sostanziale del corso, è fortemente consigliata la frequenza.
Modalità di valutazione
Sviluppo, redazione, presentazione, e discussione di un progetto sviluppato attorno ad un quesito diagnostico o di procedura di trattamento.
Nella redazione del progetto è inclusa la scrittura del codice per la risoluzione del quesito.
Prove previste
- Prova orale
- Valutazione di un progetto
Esplora gli obiettivi dell’insegnamento
Ambito disciplinare: Bioingegneria
Acquisire le competenze specifiche sulle tecniche di addestramento automatico per la classificazione e predizione di dati di interesse nell'ambito biomedico e clinico. Essere in grado di applicare tali competenze per la risoluzione di problemi nel settore di riferimento, attraverso l'implementazione su strumenti di calcolo e programmazione.
Risultati di apprendimento attesi
Al termine dell’insegnamento, lo studente sarà in grado di:
Conoscenza e capacità di comprensione
- Comprendere le caratteristiche dei dati biomedici e sanitari e i principi fondamentali delle principali tecniche di machine learning supervisionato e non supervisionato.
- Comprendere il ruolo del preprocessing, della selezione delle variabili, della validazione e delle metriche di valutazione.
Capacità di applicare conoscenza e comprensione
- Formulare problemi biomedici di classificazione, predizione o analisi esplorativa e selezionare le tecniche più appropriate.
- Pre-processare i dati, implementare in MATLAB i metodi selezionati e validare la soluzione sviluppata.
Autonomia di giudizio
- Confrontare criticamente metodi alternativi e giustificare le scelte metodologiche.
- Interpretare i risultati considerando incertezza, limiti dei dati, generalizzabilità e rilevanza clinica o diagnostica.
Abilità comunicative
- Documentare e presentare con chiarezza metodi, implementazione e risultati, sostenendo criticamente le scelte effettuate.
- Collaborare efficacemente nelle attività di gruppo.
Capacità di apprendimento
- Approfondire autonomamente nuove tecniche e trasferire il processo metodologico appreso a nuovi problemi e dataset biomedici.
Obiettivi di sostenibilità
- 3 Salute e benessere
- 9 Imprese, innovazione e infrastrutture
Esempi di domande d’esame
Qui di seguito un esempio di progetto in cui viene descritto il dataset, e riportate le domande richieste
Project
Dataset information:
The dataset used in this project is derived from a large-scale health survey conducted annually. It contains around 250,000, where each record corresponds to an individual respondent and includes information on health conditions, lifestyle habits, and demographic characteristics.
The dataset is structured as a tabular dataset suitable for classification tasks, where the target variable indicates the diabetes status of the patient (binary or multi-class depending on the version).
Main question:
Your objective is to design a classification model that identifies, based on the available health indicators, whether an individual is affected by diabetes (or at risk of diabetes, depending on the target definition). You are required to determine the classification accuracy of your model as a function of the number of features used (e.g., using 5 features the model achieves 72% accuracy, while using 15 features it achieves 85%). You should also discuss whether increasing the number of features always improves performance, and under which conditions this may not hold (e.g., overfitting, redundancy).
Your project must also address the following:
• Feature importance:
• Which variables are the most relevant for predicting diabetes status?
• Provide an interpretation of these results in terms of known risk factors (e.g., BMI, hypertension, lifestyle habits).
• Regression task:
• Design a regression model to predict a continuous health-related variable (e.g., BMI or general health score) from the remaining features.
• Justify the inclusion or exclusion of specific predictors.
• Exploratory data analysis:
• Identify categorical variables (e.g., sex, education, income) that show a significant effect on selected numerical variables (e.g., BMI, mental health, physical health).
• Investigate main effects and interaction effects, and discuss the findings.