Отраслевой модуль
Технологии искусственного интеллекта для решения актуальных задач здравоохранения
Модуль направлен на формирование компетенций для разработки и применения технологий искусственного интеллекта для решения задач профессиональной деятельности в здравоохранении
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее 2 курса бакалавриата
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее 2 курса бакалавриата
О модуле
Практико-ориентированный образовательный модуль, направленный на освоение подходов к применению технологий искусственного интеллекта для решения ключевых задач современной отрасли «Здравоохранение». Содержание модуля охватывает актуальные направления использования ИИ, включая анализ медицинских данных для поддержки клинических решений, диагностику и интерпретацию медицинских изображений, задачи персонализированной медицины, управление медицинскими ресурсами и процессами, дистанционную диагностику и консультирование пациентов с использованием телемедицинских технологий, а также применение генеративных моделей и больших языковых моделей для обработки медицинской документации и научного поиска.
Модуль разработан Университетом ИТМО в рамках проекта ТОП-ИИ Минцифры России для внедрения в образовательные программы высшего образования по направлениям подготовки в сфере фундаментальной медицины, медицинской кибернетики и здравоохранения.
Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки, обеспечить развитие практико-ориентированных навыков применения искусственного интеллекта в конкретных медицинских задачах
Для кого подготовлен
Модуль может применяться при реализации специальностей в области фундаментальной медицины, в том числе в рамках специальности
30.05.03 Медицинская кибернетика
Изучение модуля возможно не ранее 2 курса специалитета.
Формат обучения
- Продолжительность обучения1 семестр, 4 зачетные единицы
- Общий объем модуля144 академических часа (32 а.ч. лекций, 32 а.ч. лабораторных работ, 80 а.ч. самостоятельная работа)
- Итоговая аттестацияЗачет
Программа обучения
Модуль состоит из двух блоков:
1.1 Основные понятия технологий ИИ (определения ИИ, конструктивное и регуляторное определение, сильный и слабый ИИ, символьный ИИ и экспертные системы, машинное обучение, модели ИИ на данных, нейросети)
1.2 Подходы к созданию моделей ИИ на данных (большие и малые данные, разметка неструктурированных данных, синтетические данные, классические модели машинного обучения, нейросетевые модели и глубокое обучение, ансамбли, обучение с подкреплением, онлайн-обучение, обучение переносом, AutoML)
1.3 Оценка качества систем ИИ (интервальное оценивание, доверительные интервалы, порядковые статистики, ящики с усами, неопределенности, метрики качества, бенчмарки, бейзлайны, кросс-валидация, бутстреп)
1.4 Генеративный ИИ и большие языковые модели (генеративный метод Монте-Карло, GAN, VAE, байесовы сети, диффузионные алгоритмы, NLP, LLM, галлюцинации, RAG, модели-критики, генеративный дизайн)
1.5 Системы поддержки принятия решений (теория принятия решений, интеллектуальные СППР, архитектура, прогнозирование, профессиональные ассистенты, рекомендательные системы, объяснимость, оценка качества)
1.6 Мультиагентные системы ИИ (понятие агента, архитектуры, сложные системы, автономные агенты, уравнения SIR/SIS, агенты на основе LLM, дебаты и комитеты агентов)
1.7 Применение ИИ в науке, бизнесе и социальной сфере (научная деятельность, промышленность, образование, здравоохранение, банковская сфера, маркетинг, строительство и ЖКХ, медиа)
1.8 Экономика ИИ (автоматизация, влияние на производственные процессы, эффекты внедрения, оценка себестоимости и прибыли, влияние на инновационный цикл, риск-аппетиты, регулирование)
1.2 Подходы к созданию моделей ИИ на данных (большие и малые данные, разметка неструктурированных данных, синтетические данные, классические модели машинного обучения, нейросетевые модели и глубокое обучение, ансамбли, обучение с подкреплением, онлайн-обучение, обучение переносом, AutoML)
1.3 Оценка качества систем ИИ (интервальное оценивание, доверительные интервалы, порядковые статистики, ящики с усами, неопределенности, метрики качества, бенчмарки, бейзлайны, кросс-валидация, бутстреп)
1.4 Генеративный ИИ и большие языковые модели (генеративный метод Монте-Карло, GAN, VAE, байесовы сети, диффузионные алгоритмы, NLP, LLM, галлюцинации, RAG, модели-критики, генеративный дизайн)
1.5 Системы поддержки принятия решений (теория принятия решений, интеллектуальные СППР, архитектура, прогнозирование, профессиональные ассистенты, рекомендательные системы, объяснимость, оценка качества)
1.6 Мультиагентные системы ИИ (понятие агента, архитектуры, сложные системы, автономные агенты, уравнения SIR/SIS, агенты на основе LLM, дебаты и комитеты агентов)
1.7 Применение ИИ в науке, бизнесе и социальной сфере (научная деятельность, промышленность, образование, здравоохранение, банковская сфера, маркетинг, строительство и ЖКХ, медиа)
1.8 Экономика ИИ (автоматизация, влияние на производственные процессы, эффекты внедрения, оценка себестоимости и прибыли, влияние на инновационный цикл, риск-аппетиты, регулирование)
ЛР1.1 Первичная обработка и разведочный анализ данных. Выбор модели ИИ
ЛР1.2 Разработка, обучение и сравнение моделей ИИ на основе классических и нейросетевых методов
ЛР1.3 Разработка и оценка качества процессной СППР для задачи предиктивной аналитики
ЛР1.4 Эффективный промптинг, оценка эффективности и устойчивости работы LLM в профессиональной области
ЛР1.2 Разработка, обучение и сравнение моделей ИИ на основе классических и нейросетевых методов
ЛР1.3 Разработка и оценка качества процессной СППР для задачи предиктивной аналитики
ЛР1.4 Эффективный промптинг, оценка эффективности и устойчивости работы LLM в профессиональной области
2.1 Проблематика применения технологий ИИ в здравоохранении (малые данные, большие данные, несбалансированные данные; специфика аппаратно-программного комплекса, ресурсные ограничения; верификация моделей, концепция Human-in-the-loop; объяснимый и доверенный ИИ; организационные, административные и этические проблемы)
2.2 Специфика моделирования ИИ в здравоохранении (доменно-специфичные признаки; мультимодальность; требования к валидационным метрикам (соотношение false-positive и false-negative) и выборкам (межпопуляционная валидация); высокие стандарты валидации и объяснимости; ансамблирование; обучение переносом, data drift detection; offline RL, batch RL, симуляторы среды и пациента; AutoML и его аудит) — 6 ч.
2.3 Оценка качества систем ИИ в здравоохранении (классические подходы, SPSS; неклассические формализмы вероятности: теория Демпстера-Шафера, теория возможностей, нечеткая логика; агрегация критериев, интеграл Шоке; выбор метрик и интегрального критерия)
2.4 Генеративный ИИ и большие языковые модели (БЯМ) в здравоохранении (ресурсные ограничения, использование БЯМ для поддержки клинических решений, обработки медицинской документации, научного поиска, аналитики и прогнозирования, административных процессов; промптинг и файн-тьюнинг; этические и правовые аспекты)
2.5 Системы поддержки принятия решений в здравоохранении (монолитные vs модульные архитектуры; композиция модулей; агентные архитектуры; выбор формализмов для неопределенностей; Human-in-the-loop UI и XAI; проблемы верификации и валидации)
2.6 Мультиагентные системы (МА) в здравоохранении (структура систем и оркестрация агентов; МА в диагностическом диалоге и медицинских консультациях; МА для улучшения качества сегментации медицинских изображений; МА комплексного мониторинга физиологических сигналов и психического состояния пациента; МА для контроля действий персонала и комплайнса с руководствами)
2.2 Специфика моделирования ИИ в здравоохранении (доменно-специфичные признаки; мультимодальность; требования к валидационным метрикам (соотношение false-positive и false-negative) и выборкам (межпопуляционная валидация); высокие стандарты валидации и объяснимости; ансамблирование; обучение переносом, data drift detection; offline RL, batch RL, симуляторы среды и пациента; AutoML и его аудит) — 6 ч.
2.3 Оценка качества систем ИИ в здравоохранении (классические подходы, SPSS; неклассические формализмы вероятности: теория Демпстера-Шафера, теория возможностей, нечеткая логика; агрегация критериев, интеграл Шоке; выбор метрик и интегрального критерия)
2.4 Генеративный ИИ и большие языковые модели (БЯМ) в здравоохранении (ресурсные ограничения, использование БЯМ для поддержки клинических решений, обработки медицинской документации, научного поиска, аналитики и прогнозирования, административных процессов; промптинг и файн-тьюнинг; этические и правовые аспекты)
2.5 Системы поддержки принятия решений в здравоохранении (монолитные vs модульные архитектуры; композиция модулей; агентные архитектуры; выбор формализмов для неопределенностей; Human-in-the-loop UI и XAI; проблемы верификации и валидации)
2.6 Мультиагентные системы (МА) в здравоохранении (структура систем и оркестрация агентов; МА в диагностическом диалоге и медицинских консультациях; МА для улучшения качества сегментации медицинских изображений; МА комплексного мониторинга физиологических сигналов и психического состояния пациента; МА для контроля действий персонала и комплайнса с руководствами)
ЛР2.1 Первичная обработка, разведочный анализ данных и выбор модели ИИ для задачи сегментации медицинских изображений
ЛР2.2 Разработка, обучение и сравнение моделей ИИ на основе нейросетевых методов классификации и сегментации медицинских изображений
ЛР2.3 Разработка и оценка качества процессной СППР для прогнозирования средней продолжительности жизни пациентов после оперативного вмешательства
ЛР2.4 Эффективный промптинг, оценка эффективности и устойчивости работы LLM в системе поддержки клинических решений
ЛР2.2 Разработка, обучение и сравнение моделей ИИ на основе нейросетевых методов классификации и сегментации медицинских изображений
ЛР2.3 Разработка и оценка качества процессной СППР для прогнозирования средней продолжительности жизни пациентов после оперативного вмешательства
ЛР2.4 Эффективный промптинг, оценка эффективности и устойчивости работы LLM в системе поддержки клинических решений
Технологический стек модуля
Google Colab
/1.
Бесплатная интерактивная облачная среда для работы с кодом на языке Python в браузере (требуется подключение к интернету, возможно использование на личных устройствах)
Anaconda
/2.
Дистрибутив языков программирования Python и R, включающий набор популярных свободных библиотек для науки о данных и машинного обучения
VS Code с установленными расширениями Python, Jupyter
/3.
numpy, pandas, scikit-learn, seaborn, tensorflow
/4.
Библиотеки для обработки данных, классического и глубокого обучения, визуализации
PubMed Central
/5.
Архив полнотекстовых статей для поиска научно-технической информации (https://pmc.ncbi.nlm.nih.gov/)
Медицинская платформа MedElement
/6.
Облачные сервисы и справочные системы для врачей, клиник, образовательных целей
MIScnn
/7.
Открытая библиотека на Python для сегментации медицинских изображений с использованием свёрточных нейронных сетей (инструментарий + архитектуры сегментации, предобработка, аугментации)
NiftyNet
/8.
Открытая платформа для задач сегментации, регрессии, генерации изображений в медицинской визуализации
Разработан в партнерстве
Модуль разработан Университетом ИТМО в рамках проекта «ТОП ИИ» при участии
Разработчики, преподаватели и эксперты
Александр Бухановский
Научный руководитель Исследовательского центра «Сильный ИИ в промышленности», д.т.н.
Александра Ватьян
Старший научный сотрудник исследовательского центра «Сильный ИИ в промышленности», к.т.н.
Результаты обучения
Способен применять фундаментальные принципы и методы машинного обучения, включая подготовку данных, оценку качества моделей и работу с признаками
Способен применять ИИ для анализа медицинских данных в целях поддержки клинических решений, в диагностике и интерпретации, в задачах персонализированной медицины
Способен применять и разрабатывать архитектуры глубоких нейронных сетей
Способен проводить анализ бизнес-проблем с оценкой перспективности применения ИИ, осуществлять постановку задачи машинного обучения, формулировать требования к системе ИИ
Способен применять ИИ для управления медицинскими ресурсами и процессами с соблюдением этических и нормативных требований
Способен дообучать, адаптировать и оптимизировать генеративные модели под специфические задачи и условия применения
Способен применять ИИ для дистанционной диагностики и консультирования пациентов с использованием телемедицинских технологий, обработки телемедицинских данных
Преимущества и условия внедрения модуля
Преимущества для вуза:
Методическая готовность к реализации благодаря полному пакету учебно-методической документации — модуль обеспечен рабочей программой дисциплины (РПД), фондом оценочных средств (ФОС), видеолекциями и детальными методическими указаниями для выполнения лабораторных работ.
Обогащение медицинских программ актуальными цифровыми компетенциями без потери их профильности благодаря междисциплинарной структуре модуля — содержание выстроено на стыке медицины, здравоохранения, телемедицины и технологий ИИ (анализ медицинских данных, сегментация и классификация медицинских изображений, поддержка клинических решений, управление медицинскими ресурсами), что позволяет студентам профильных направлений осваивать востребованные цифровые навыки в контексте их основной специализации.
Формирование прикладных навыков через погружение в реальную проектную деятельность благодаря сквозному проекту, выполняемому на протяжении всего курса — студенты работают над единой медицинской задачей от первичной обработки и разведочного анализа медицинских изображений до разработки моделей сегментации и систем поддержки принятия клинических решений, что превращает теоретические знания в практический опыт, сопоставимый с реальной клинической практикой.
Доступность и воспроизводимость образовательного процесса благодаря использованию бесплатных и облачных технологий — технологический стек на базе Google Colab, Anaconda, VS Code, open-source библиотек (numpy, pandas, scikit-learn, tensorflow) и открытых медицинских датасетов (BraTS, OASIS) исключает финансовые барьеры для студентов и вузов, обеспечивая одинаковые условия для всех участников.
Соответствие актуальным трендам цифровой трансформации здравоохранения и кадровым потребностям отрасли благодаря ориентации содержания на реальные запросы рынка труда — модуль готовит выпускников к работе с медицинскими данными, системами компьютерного зрения в медицине, инструментами поддержки клинических решений и технологиями персонализированной медицины, что напрямую повышает их востребованность в медицинской отрасли.
Условия внедрения:
Наличие в вузе образовательных программ по специальности 30.05.03 Медицинская кибернетика (уровень специалитета) или смежным направлениям в области фундаментальной медицины
Сетевой договор с вузом о реализации модуля
Модуль должен быть включен в учебный план как обязательная дисциплина или дисциплина по выбору
Что нужно знать студенту на старте
Основы программирования
/1.
Высшая математика
/2.
Элементы линейной алгебры и математического анализа
Теория вероятностей и математическая статистика
/3.
© Учебно-методический центр «Искусственный интеллект», 2026
Все материалы, размещённые на данном сайте, являются объектами авторского права. Запрещается их копирование, распространение или любое иное использование без указания первоисточника.
