Mediante este programa 100% online, dominarás las principales herramientas de la Inteligencia Artificial y las emplearás para optimizar la calidad de tus análisis clínicos”

Un reciente informe elaborado por la Organización Mundial de la Salud prevé que la carga global de enfermedades crónicas aumente de cara a los próximos años. Frente a esta situación, la entidad insta a los facultativos a manejar las herramientas más precisas y eficientes para el diagnóstico temprano. En este contexto, la Inteligencia Artificial constituye un provechoso instrumento para identificar de forma prematura patologías como el Cáncer de Pulmón, la Insuficiencia Cardíaca e incluso el Alzheimer. De ahí la importancia de que los profesionales incorporen a su praxis clínica diaria técnicas avanzadas como el Aprendizaje Profundo, Deep Learning o Computación Bioinspirada con el objetivo de reducir errores diagnósticos y personalizar el tratamiento de los usuarios.

En este contexto, TECH desarrolla un pionero Maestría en Inteligencia Artificial en Diagnóstico por Imagen. Diseñado por referencias en esta materia, el plan de estudios ahondará en los fundamentos que las Redes Neuronales y algoritmos genéticos. En sintonía con esto, los materiales didácticos ofrecerán las claves para aplicar las técnicas más sofisticadas de la Minería de Datos. De este modo, los especialistas adquirirán competencias avanzadas para mejorar la precisión en la detección de enfermedades y condiciones médicas, lo que les permitirá efectuar diagnósticos más certeros. Asimismo, el temario profundizará en el manejo de modelos de Computación Bioinspiradas con el objetivo de que los facultativos puedan aplicarlos en la resolución de problemas clínicos complejos y en la optimización de tratamientos clínicos.

TECH ofrece un entorno académico 100% online que se ajusta a las necesidades de los médicos que buscan avanzar en sus carreras. De igual modo, usa su disruptiva metodología del Relearning, basada en la repetición de conceptos clave para fijar conocimientos con eficiencia e inmediatez. Además, lo único que necesitarán los expertos será un dispositivo con acceso a Internet (como un móvil, ordenador o tablet) para ingresar en el Campus Virtual y disfrutar de una experiencia que elevará sus horizontes profesionales significativamente. 

Un intensivo plan de estudios que te da la oportunidad de actualizar tus conocimientos en escenario real, con el máximo rigor científico de una institución de vanguardia tecnológica”

Este Maestría en Inteligencia Artificial en Diagnóstico por Imagen contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en Inteligencia Artificial
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

Utilizarás las Redes Neuronales Convolucionales para ajustar los tratamientos a las necesidades específicas de los pacientes y mejorarás sus pronósticos de manera significativa”

El programa incluye en su cuadro docente a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.  

Adquirirás competencias avanzadas para evaluar la precisión, validez y aplicabilidad clínica de los modelos de Inteligencia Artificial en el ámbito médico"

Los resúmenes interactivos de cada módulo te permitirán consolidar de manera más dinámica los conceptos sobre el Procesamiento del Lenguaje Natural"

Los materiales didácticos que conforman este programa universitario ha sido diseñado por especialistas en el empleo de Inteligencia Artificial en contextos clínicos. Gracias a esto, el itinerario académico profundizará en el manejo de diversas herramientas emergentes como el Deep Learning, las Redes Neuronales Profundas o el Procesamiento del Lenguaje Natural. De este modo, los egresados desarrollarán competencias avanzadas para integrar estos instrumentos en su praxis habitual y analizar los resultados de las pruebas imagenológicas con exhaustividad. Además, esto permitirá a los facultativos optimizar la precisión de sus diagnósticos y personalizar los tratamientos para contribuir al bienestar general de los pacientes.

Emplearás las técnicas más sofisticadas de Big Data para detectar de forma precoz patologías severas como el Cáncer y diseñarás planes terapéuticos individualizados para optimizar la recuperación de los usuarios”

Módulo 1. Fundamentos de la Inteligencia Artificial

1.1. Historia de la Inteligencia artificial

1.1.1. ¿Cuándo se empieza a hablar de inteligencia artificial?
1.1.2. Referentes en el cine
1.1.3. Importancia de la inteligencia artificial
1.1.4. Tecnologías que habilitan y dan soporte a la inteligencia artificial

1.2. La Inteligencia Artificial en juegos

1.2.1. Teoría de Juegos
1.2.2. Minimax y poda Alfa-Beta
1.2.3. Simulación: Monte Carlo

1.3. Redes de neuronas

1.3.1. Fundamentos biológicos
1.3.2. Modelo computacional
1.3.3. Redes de neuronas supervisadas y no supervisadas
1.3.4. Perceptrón simple
1.3.5. Perceptrón multicapa

1.4. Algoritmos genéticos

1.4.1. Historia
1.4.2. Base biológica
1.4.3. Codificación de problemas
1.4.4. Generación de la población inicial
1.4.5. Algoritmo principal y operadores genéticos
1.4.6. Evaluación de individuos: Fitness

1.5. Tesauros, vocabularios, taxonomías

1.5.1. Vocabularios
1.5.2. Taxonomías
1.5.3. Tesauros
1.5.4. Ontologías
1.5.5. Representación del conocimiento: web semántica

1.6. Web semántica

1.6.1. Especificaciones: RDF, RDFS y OWL
1.6.2. Inferencia/razonamiento
1.6.3. Linked Data

1.7. Sistemas expertos y DSS

1.7.1. Sistemas expertos
1.7.2. Sistemas de soporte a la decisión

1.8. Chatbots y Asistentes Virtuales

1.8.1. Tipos de asistentes: asistentes por voz y por texto
1.8.2. Partes fundamentales para el desarrollo de un asistente: Intents, entidades y flujo de diálogo
1.8.3. Integraciones: web, Slack, Whatsapp, Facebook
1.8.4. Herramientas de desarrollo de asistentes: Dialog Flow, Watson Assistant

1.9. Estrategia de implantación de IA
1.10. Futuro de la inteligencia artificial

1.10.1. Entendemos cómo detectar emociones mediante algoritmos
1.10.2. Creación de una personalidad: lenguaje, expresiones y contenido
1.10.3. Tendencias de la inteligencia artificial
1.10.4. Reflexiones

Módulo 2. Tipos y Ciclo de Vida del Dato

2.1. La Estadística

2.1.1. Estadística: estadística descriptiva, estadística inferencias
2.1.2. Población, muestra, individuo
2.1.3. Variables: definición, escalas de medida

2.2. Tipos de datos estadísticos

2.2.1. Según tipo

2.2.1.1. Cuantitativos: datos continuos y datos discretos
2.2.1.2. Cualitativos: datos binomiales, datos nominales y datos ordinales

2.2.2. Según su forma

2.2.2.1. Numérico
2.2.2.2. Texto
2.2.2.3. Lógico

2.2.3. Según su fuente

2.2.3.1. Primarios
2.2.3.2. Secundarios

2.3. Ciclo de vida de los datos

2.3.1. Etapas del ciclo
2.3.2. Hitos del ciclo
2.3.3. Principios FAIR

2.4. Etapas iniciales del ciclo

2.4.1. Definición de metas
2.4.2. Determinación de recursos necesarios
2.4.3. Diagrama de Gantt
2.4.4. Estructura de los datos

2.5. Recolección de datos

2.5.1. Metodología de recolección
2.5.2. Herramientas de recolección
2.5.3. Canales de recolección

2.6. Limpieza del dato

2.6.1. Fases de la limpieza de datos
2.6.2. Calidad del dato
2.6.3. Manipulación de datos (con R)

2.7. Análisis de datos, interpretación y valoración de resultados

2.7.1. Medidas estadísticas
2.7.2. Índices de relación
2.7.3. Minería de datos

2.8. Almacén del dato (Datawarehouse)

2.8.1. Elementos que lo integran
2.8.2. Diseño
2.8.3. Aspectos a considerar

2.9. Disponibilidad del dato

2.9.1. Acceso
2.9.2. Utilidad
2.9.3. Seguridad

2.10. Aspectos Normativos

2.10.1. Ley de protección de datos
2.10.2. Buenas prácticas
2.10.3. Otros aspectos normativos

Módulo 3. El dato en la Inteligencia Artificial

3.1. Ciencia de datos

3.1.1. La ciencia de datos
3.1.2. Herramientas avanzadas para el científico de datos

3.2. Datos, información y conocimiento

3.2.1. Datos, información y conocimiento
3.2.2. Tipos de datos
3.2.3. Fuentes de datos

3.3. De los datos a la información

3.3.1. Análisis de Datos
3.3.2. Tipos de análisis
3.3.3. Extracción de Información de un Dataset

3.4. Extracción de información mediante visualización

3.4.1. La visualización como herramienta de análisis
3.4.2. Métodos de visualización
3.4.3. Visualización de un conjunto de datos

3.5. Calidad de los datos

3.5.1. Datos de calidad
3.5.2. Limpieza de datos
3.5.3. Preprocesamiento básico de datos

3.6. Dataset

3.6.1. Enriquecimiento del Dataset
3.6.2. La maldición de la dimensionalidad
3.6.3. Modificación de nuestro conjunto de datos

3.7. Desbalanceo

3.7.1. Desbalanceo de clases
3.7.2. Técnicas de mitigación del desbalanceo
3.7.3. Balanceo de un Dataset

3.8. Modelos no supervisados

3.8.1. Modelo no supervisado
3.8.2. Métodos
3.8.3. Clasificación con modelos no supervisados

3.9. Modelos supervisados

3.9.1. Modelo supervisado
3.9.2. Métodos
3.9.3. Clasificación con modelos supervisados

3.10. Herramientas y buenas prácticas

3.10.1. Buenas prácticas para un científico de datos
3.10.2. El mejor modelo
3.10.3. Herramientas útiles

Módulo 4. Minería de Datos. Selección, preprocesamiento y transformación

4.1. La inferencia estadística

4.1.1. Estadística descriptiva vs Inferencia estadística
4.1.2. Procedimientos paramétricos
4.1.3. Procedimientos no paramétricos

4.2. Análisis exploratorio

4.2.1. Análisis descriptivo
4.2.2. Visualización
4.2.3. Preparación de datos

4.3. Preparación de datos

4.3.1. Integración y limpieza de datos
4.3.2. Normalización de datos
4.3.3. Transformando atributos

4.4. Los valores perdidos

4.4.1. Tratamiento de valores perdidos
4.4.2. Métodos de imputación de máxima verosimilitud
4.4.3. Imputación de valores perdidos usando aprendizaje automático

4.5. El ruido en los datos

4.5.1. Clases de ruido y atributos
4.5.2. Filtrado de ruido
4.5.3. El efecto del ruido

4.6. La maldición de la dimensionalidad

4.6.1. Oversampling
4.6.2. Undersampling
4.6.3. Reducción de datos multidimensionales

4.7. De atributos continuos a discretos

4.7.1. Datos continuos versus discretos
4.7.2. Proceso de discretización

4.8. Los datos

4.8.1. Selección de datos
4.8.2. Perspectivas y criterios de selección
4.8.3. Métodos de selección

4.9. Selección de instancias

4.9.1. Métodos para la selección de instancias
4.9.2. Selección de prototipos
4.9.3. Métodos avanzados para la selección de instancias

4.10. Preprocesamiento de datos en entornos Big Data

Módulo 5. Algoritmia y complejidad en Inteligencia Artificial

5.1. Introducción a las estrategias de diseño de algoritmos

5.1.1. Recursividad
5.1.2. Divide y conquista
5.1.3. Otras estrategias

5.2. Eficiencia y análisis de los algoritmos

5.2.1. Medidas de eficiencia
5.2.2. Medir el tamaño de la entrada
5.2.3. Medir el tiempo de ejecución
5.2.4. Caso peor, mejor y medio
5.2.5. Notación asintónica
5.2.6. Criterios de Análisis matemático de algoritmos no recursivos
5.2.7. Análisis matemático de algoritmos recursivos
5.2.8. Análisis empírico de algoritmos

5.3. Algoritmos de ordenación

5.3.1. Concepto de ordenación
5.3.2. Ordenación de la burbuja
5.3.3. Ordenación por selección
5.3.4. Ordenación por inserción
5.3.5. Ordenación por mezcla (Merge_Sort)
5.3.6. Ordenación rápida (Quick_Sort)

5.4. Algoritmos con árboles

5.4.1. Concepto de árbol
5.4.2. Árboles binarios
5.4.3. Recorridos de árbol
5.4.4. Representar expresiones
5.4.5. Árboles binarios ordenados
5.4.6. Árboles binarios balanceados

5.5. Algoritmos con Heaps

5.5.1. Los Heaps
5.5.2. El algoritmo Heapsort
5.5.3. Las colas de prioridad

5.6. Algoritmos con grafos

5.6.1. Representación
5.6.2. Recorrido en anchura
5.6.3. Recorrido en profundidad
5.6.4. Ordenación topológica

5.7. Algoritmos Greedy

5.7.1. La estrategia Greedy
5.7.2. Elementos de la estrategia Greedy
5.7.3. Cambio de monedas
5.7.4. Problema del viajante
5.7.5. Problema de la mochila

5.8. Búsqueda de caminos mínimos

5.8.1. El problema del camino mínimo
5.8.2. Arcos negativos y ciclos
5.8.3. Algoritmo de Dijkstra

5.9. Algoritmos Greedy sobre grafos

5.9.1. El árbol de recubrimiento mínimo
5.9.2. El algoritmo de Prim
5.9.3. El algoritmo de Kruskal
5.9.4. Análisis de complejidad

5.10. Backtracking

5.10.1. El Backtracking
5.10.2. Técnicas alternativas

Módulo 6. Sistemas inteligentes

6.1. Teoría de agentes

6.1.1. Historia del concepto
6.1.2. Definición de agente
6.1.3. Agentes en Inteligencia Artificial
6.1.4. Agentes en ingeniería de Software

6.2. Arquitecturas de agentes

6.2.1. El proceso de razonamiento de un agente
6.2.2. Agentes reactivos
6.2.3. Agentes deductivos
6.2.4. Agentes híbridos
6.2.5. Comparativa

6.3. Información y conocimiento

6.3.1. Distinción entre datos, información y conocimiento
6.3.2. Evaluación de la calidad de los datos
6.3.3. Métodos de captura de datos
6.3.4. Métodos de adquisición de información
6.3.5. Métodos de adquisición de conocimiento

6.4. Representación del conocimiento

6.4.1. La importancia de la representación del conocimiento
6.4.2. Definición de representación del conocimiento a través de sus roles
6.4.3. Características de una representación del conocimiento

6.5. Ontologías

6.5.1. Introducción a los metadatos
6.5.2. Concepto filosófico de ontología
6.5.3. Concepto informático de ontología
6.5.4. Ontologías de dominio y ontologías de nivel superior
6.5.5. ¿Cómo construir una ontología?

6.6. Lenguajes para ontologías y Software para la creación de ontologías

6.6.1. Tripletas RDF, Turtle y N
6.6.2. RDF Schema
6.6.3. OWL
6.6.4. SPARQL
6.6.5. Introducción a las diferentes herramientas para la creación de ontologías
6.6.6. Instalación y uso de Protégé

6.7. La web semántica

6.7.1. El estado actual y futuro de la web semántica
6.7.2. Aplicaciones de la web semántica

6.8. Otros modelos de representación del conocimiento

6.8.1. Vocabularios
6.8.2. Visión global
6.8.3. Taxonomías
6.8.4. Tesauros
6.8.5. Folksonomías
6.8.6. Comparativa
6.8.7. Mapas mentales

6.9. Evaluación e integración de representaciones del conocimiento

6.9.1. Lógica de orden cero
6.9.2. Lógica de primer orden
6.9.3. Lógica descriptiva
6.9.4. Relación entre diferentes tipos de lógica
6.9.5. Prolog: programación basada en lógica de primer orden

6.10. Razonadores semánticos, sistemas basados en conocimiento y Sistemas Expertos

6.10.1. Concepto de razonador
6.10.2. Aplicaciones de un razonador
6.10.3. Sistemas basados en el conocimiento
6.10.4. MYCIN, historia de los Sistemas Expertos
6.10.5. Elementos y Arquitectura de Sistemas Expertos
6.10.6. Creación de Sistemas Expertos

Módulo 7. Aprendizaje automático y minería de datos

7.1. Introducción a los procesos de descubrimiento del conocimiento y conceptos básicos de aprendizaje automático

7.1.1. Conceptos clave de los procesos de descubrimiento del conocimiento
7.1.2. Perspectiva histórica de los procesos de descubrimiento del conocimiento
7.1.3. Etapas de los procesos de descubrimiento del conocimiento
7.1.4. Técnicas utilizadas en los procesos de descubrimiento del conocimiento
7.1.5. Características de los buenos modelos de aprendizaje automático
7.1.6. Tipos de información de aprendizaje automático
7.1.7. Conceptos básicos de aprendizaje
7.1.8. Conceptos básicos de aprendizaje no supervisado

7.2. Exploración y preprocesamiento de datos

7.2.1. Tratamiento de datos
7.2.2. Tratamiento de datos en el flujo de análisis de datos
7.2.3. Tipos de datos
7.2.4. Transformaciones de datos
7.2.5. Visualización y exploración de variables continuas
7.2.6. Visualización y exploración de variables categóricas
7.2.7. Medidas de correlación
7.2.8. Representaciones gráficas más habituales
7.2.9. Introducción al análisis multivariante y a la reducción de dimensiones

7.3. Árboles de decisión

7.3.1. Algoritmo ID
7.3.2. Algoritmo C
7.3.3. Sobreentrenamiento y poda
7.3.4. Análisis de resultados

7.4. Evaluación de clasificadores

7.4.1. Matrices de confusión
7.4.2. Matrices de evaluación numérica
7.4.3. Estadístico de Kappa
7.4.4. La curva ROC

7.5. Reglas de clasificación

7.5.1. Medidas de evaluación de reglas
7.5.2. Introducción a la representación gráfica
7.5.3. Algoritmo de recubrimiento secuencial

7.6. Redes neuronales

7.6.1. Conceptos básicos
7.6.2. Redes de neuronas simples
7.6.3. Algoritmo de Backpropagation
7.6.4. Introducción a las redes neuronales recurrentes

7.7. Métodos bayesianos

7.7.1. Conceptos básicos de probabilidad
7.7.2. Teorema de Bayes
7.7.3. Naive Bayes
7.7.4. Introducción a las redes bayesianas

7.8. Modelos de regresión y de respuesta continua

7.8.1. Regresión lineal simple
7.8.2. Regresión lineal múltiple
7.8.3. Regresión logística
7.8.4. Árboles de regresión
7.8.5. Introducción a las máquinas de soporte vectorial (SVM)
7.8.6. Medidas de bondad de ajuste

7.9. Clustering

7.9.1. Conceptos básicos
7.9.2. Clustering jerárquico
7.9.3. Métodos probabilistas
7.9.4. Algoritmo EM
7.9.5. Método B-Cubed
7.9.6. Métodos implícitos

7.10. Minería de textos y procesamiento de lenguaje natural (NLP)

7.10.1. Conceptos básicos
7.10.2. Creación del corpus
7.10.3. Análisis descriptivo
7.10.4. Introducción al análisis de sentimientos

Módulo 8. Las redes neuronales, base de Deep Learning

8.1. Aprendizaje Profundo

8.1.1. Tipos de aprendizaje profundo
8.1.2. Aplicaciones del aprendizaje profundo
8.1.3. Ventajas y desventajas del aprendizaje profundo

8.2. Operaciones

8.2.1. Suma
8.2.2. Producto
8.2.3. Traslado

8.3. Capas

8.3.1. Capa de entrada
8.3.2. Capa oculta
8.3.3. Capa de salida

8.4. Unión de Capas y Operaciones

8.4.1. Diseño de arquitecturas
8.4.2. Conexión entre capas
8.4.3. Propagación hacia adelante

8.5. Construcción de la primera red neuronal

8.5.1. Diseño de la red
8.5.2. Establecer los pesos
8.5.3. Entrenamiento de la red

8.6. Entrenador y Optimizador

8.6.1. Selección del optimizador
8.6.2. Establecimiento de una función de pérdida
8.6.3. Establecimiento de una métrica

8.7. Aplicación de los Principios de las Redes Neuronales

8.7.1. Funciones de activación
8.7.2. Propagación hacia atrás
8.7.3. Ajuste de los parámetros

8.8. De las neuronas biológicas a las artificiales

8.8.1. Funcionamiento de una neurona biológica
8.8.2. Transferencia de conocimiento a las neuronas artificiales
8.8.3. Establecer relaciones entre ambas

8.9. Implementación de MLP (Perceptrón multicapa) con Keras

8.9.1. Definición de la estructura de la red
8.9.2. Compilación del modelo
8.9.3. Entrenamiento del modelo

8.10. Hiperparámetros de Fine tuning de Redes Neuronales

8.10.1. Selección de la función de activación
8.10.2. Establecer el Learning rate
8.10.3. Ajuste de los pesos

Módulo 9. Entrenamiento de redes neuronales profundas

9.1. Problemas de Gradientes

9.1.1. Técnicas de optimización de gradiente
9.1.2. Gradientes Estocásticos
9.1.3. Técnicas de inicialización de pesos

9.2. Reutilización de capas preentrenadas

9.2.1. Entrenamiento de transferencia de aprendizaje
9.2.2. Extracción de características
9.2.3. Aprendizaje profundo

9.3. Optimizadores

9.3.1. Optimizadores de descenso de gradiente estocástico
9.3.2. Optimizadores Adam y RMSprop
9.3.3. Optimizadores de momento

9.4. Programación de la tasa de aprendizaje

9.4.1. Control de tasa de aprendizaje automático
9.4.2. Ciclos de aprendizaje
9.4.3. Términos de suavizado

9.5. Sobreajuste

9.5.1. Validación cruzada
9.5.2. Regularización
9.5.3. Métricas de evaluación

9.6. Directrices Prácticas

9.6.1. Diseño de modelos
9.6.2. Selección de métricas y parámetros de evaluación
9.6.3. Pruebas de hipótesis

9.7. Transfer Learning

9.7.1. Entrenamiento de transferencia de aprendizaje
9.7.2. Extracción de características
9.7.3. Aprendizaje profundo

9.8. Data Augmentation

9.8.1. Transformaciones de imagen
9.8.2. Generación de datos sintéticos
9.8.3. Transformación de texto

9.9. Aplicación Práctica de Transfer Learning

9.9.1. Entrenamiento de transferencia de aprendizaje
9.9.2. Extracción de características
9.9.3. Aprendizaje profundo

9.10. Regularización

9.10.1. L y L
9.10.2. Regularización por máxima entropía
9.10.3. Dropout

Módulo 10. Personalización de Modelos y entrenamiento con TensorFlow

10.1. TensorFlow

10.1.1. Uso de la biblioteca TensorFlow
10.1.2. Entrenamiento de modelos con TensorFlow
10.1.3. Operaciones con gráficos en TensorFlow

10.2. TensorFlow y NumPy

10.2.1. Entorno computacional NumPy para TensorFlow
10.2.2. Utilización de los arrays NumPy con TensorFlow
10.2.3. Operaciones NumPy para los gráficos de TensorFlow

10.3. Personalización de modelos y algoritmos de entrenamiento

10.3.1. Construcción de modelos personalizados con TensorFlow
10.3.2. Gestión de parámetros de entrenamiento
10.3.3. Utilización de técnicas de optimización para el entrenamiento

10.4. Funciones y gráficos de TensorFlow

10.4.1. Funciones con TensorFlow
10.4.2. Utilización de gráficos para el entrenamiento de modelos
10.4.3. Optimización de gráficos con operaciones de TensorFlow

10.5. Carga y preprocesamiento de datos con TensorFlow

10.5.1. Carga de conjuntos de datos con TensorFlow
10.5.2. Preprocesamiento de datos con TensorFlow
10.5.3. Utilización de herramientas de TensorFlow para la manipulación de datos

10.6. La API tfdata

10.6.1. Utilización de la API tfdata para el procesamiento de datos
10.6.2. Construcción de flujos de datos con tfdata
10.6.3. Uso de la API tfdata para el entrenamiento de modelos

10.7. El formato TFRecord

10.7.1. Utilización de la API TFRecord para la serialización de datos
10.7.2. Carga de archivos TFRecord con TensorFlow
10.7.3. Utilización de archivos TFRecord para el entrenamiento de modelos

10.8. Capas de preprocesamiento de Keras

10.8.1. Utilización de la API de preprocesamiento de Keras
10.8.2. Construcción de pipelined de preprocesamiento con Keras
10.8.3. Uso de la API de preprocesamiento de Keras para el entrenamiento de modelos

10.9. El proyecto TensorFlow Datasets

10.9.1. Utilización de TensorFlow Datasets para la carga de datos
10.9.2. Preprocesamiento de datos con TensorFlow Datasets
10.9.3. Uso de TensorFlow Datasets para el entrenamiento de modelos

10.10. Construcción de una Aplicación de Deep Learning con TensorFlow

10.10.1. Aplicación Práctica
10.10.2. Construcción de una aplicación de Deep Learning con TensorFlow
10.10.3. Entrenamiento de un modelo con TensorFlow
10.10.4. Utilización de la aplicación para la predicción de resultados

Módulo 11. Deep Computer Vision con Redes Neuronales Convolucionales

11.1. La Arquitectura Visual Cortex

11.1.1. Funciones de la corteza visual
11.1.2. Teorías de la visión computacional
11.1.3. Modelos de procesamiento de imágenes

11.2. Capas convolucionales

11.2.1. Reutilización de pesos en la convolución
11.2.2. Convolución D
11.2.3. Funciones de activación

11.3. Capas de agrupación e implementación de capas de agrupación con Keras

11.3.1. Pooling y Striding
11.3.2. Flattening
11.3.3. Tipos de Pooling

11.4. Arquitecturas CNN

11.4.1. Arquitectura VGG
11.4.2. Arquitectura AlexNet
11.4.3. Arquitectura ResNet

11.5. Implementación de una CNN ResNet- usando Keras

11.5.1. Inicialización de pesos
11.5.2. Definición de la capa de entrada
11.5.3. Definición de la salida

11.6. Uso de modelos preentrenados de Keras

11.6.1. Características de los modelos preentrenados
11.6.2. Usos de los modelos preentrenados
11.6.3. Ventajas de los modelos preentrenados

11.7. Modelos preentrenados para el aprendizaje por transferencia

11.7.1. El Aprendizaje por transferencia
11.7.2. Proceso de aprendizaje por transferencia
11.7.3. Ventajas del aprendizaje por transferencia

11.8. Clasificación y Localización en Deep Computer Vision

11.8.1. Clasificación de imágenes
11.8.2. Localización de objetos en imágenes
11.8.3. Detección de objetos

11.9. Detección de objetos y seguimiento de objetos

11.9.1. Métodos de detección de objetos
11.9.2. Algoritmos de seguimiento de objetos
11.9.3. Técnicas de rastreo y localización

11.10. Segmentación semántica

11.10.1. Aprendizaje profundo para segmentación semántica
11.10.2. Detección de bordes
11.10.3. Métodos de segmentación basados en reglas

Módulo 12. Procesamiento del lenguaje natural (NLP) con Redes Naturales Recurrentes (RNN) y Atención

12.1. Generación de texto utilizando RNN

12.1.1. Entrenamiento de una RNN para generación de texto
12.1.2. Generación de lenguaje natural con RNN
12.1.3. Aplicaciones de generación de texto con RNN

12.2. Creación del conjunto de datos de entrenamiento

12.2.1. Preparación de los datos para el entrenamiento de una RNN
12.2.2. Almacenamiento del conjunto de datos de entrenamiento
12.2.3. Limpieza y transformación de los datos
12.2.4. Análisis de Sentimiento

12.3. Clasificación de opiniones con RNN

12.3.1. Detección de temas en los comentarios
12.3.2. Análisis de sentimiento con algoritmos de aprendizaje profundo

12.4. Red de codificador-decodificador para la traducción automática neuronal

12.4.1. Entrenamiento de una RNN para la traducción automática
12.4.2. Uso de una red encoder-decoder para la traducción automática
12.4.3. Mejora de la precisión de la traducción automática con RNN

12.5. Mecanismos de atención

12.5.1. Aplicación de mecanismos de atención en RNN
12.5.2. Uso de mecanismos de atención para mejorar la precisión de los modelos
12.5.3. Ventajas de los mecanismos de atención en las redes neuronales

12.6. Modelos Transformers

12.6.1. Uso de los modelos Transformers para procesamiento de lenguaje natural
12.6.2. Aplicación de los modelos Transformers para visión
12.6.3. Ventajas de los modelos Transformers

12.7. Transformers para visión

12.7.1. Uso de los modelos Transformers para visión
12.7.2. Preprocesamiento de los datos de imagen
12.7.3. Entrenamiento de un modelo Transformers para visión

12.8. Librería de Transformers de Hugging Face

12.8.1. Uso de la librería de Transformers de Hugging Face
12.8.2. Aplicación de la librería de Transformers de Hugging Face
12.8.3. Ventajas de la librería de Transformers de Hugging Face

12.9. Otras Librerías de Transformers. Comparativa

12.9.1. Comparación entre las distintas librerías de Transformers
12.9.2. Uso de las demás librerías de Transformers
12.9.3. Ventajas de las demás librerías de Transformers

12.10. Desarrollo de una Aplicación de NLP con RNN y Atención. Aplicación Práctica

12.10.1. Desarrollo de una aplicación de procesamiento de lenguaje natural con RNN y atención
12.10.2. Uso de RNN, mecanismos de atención y modelos Transformers en la aplicación
12.10.3. Evaluación de la aplicación práctica

Módulo 13. Autoencoders, GANs, y Modelos de Difusión

13.1. Representaciones de datos eficientes

13.1.1. Reducción de dimensionalidad
13.1.2. Aprendizaje profundo
13.1.3. Representaciones compactas

13.2. Realización de PCA con un codificador automático lineal incompleto

13.2.1. Proceso de entrenamiento
13.2.2. Implementación en Python
13.2.3. Utilización de datos de prueba

13.3. Codificadores automáticos apilados

13.3.1. Redes neuronales profundas
13.3.2. Construcción de arquitecturas de codificación
13.3.3. Uso de la regularización

13.4. Autocodificadores convolucionales

13.4.1. Diseño de modelos convolucionales
13.4.2. Entrenamiento de modelos convolucionales
13.4.3. Evaluación de los resultados

13.5. Eliminación de ruido de codificadores automáticos

13.5.1. Aplicación de filtros
13.5.2. Diseño de modelos de codificación
13.5.3. Uso de técnicas de regularización

13.6. Codificadores automáticos dispersos

13.6.1. Incrementar la eficiencia de la codificación
13.6.2. Minimizando el número de parámetros
13.6.3. Utilización de técnicas de regularización

13.7. Codificadores automáticos variacionales

13.7.1. Utilización de optimización variacional
13.7.2. Aprendizaje profundo no supervisado
13.7.3. Representaciones latentes profundas

13.8. Generación de imágenes MNIST de moda

13.8.1. Reconocimiento de patrones
13.8.2. Generación de imágenes
13.8.3. Entrenamiento de redes neuronales profundas

13.9. Redes adversarias generativas y modelos de difusión

13.9.1. Generación de contenido a partir de imágenes
13.9.2. Modelado de distribuciones de datos
13.9.3. Uso de redes adversarias

13.10. Implementación de los Modelos

13.10.1. Aplicación Práctica
13.10.2. Implementación de los modelos
13.10.3. Uso de datos reales
13.10.4. Evaluación de los resultados

Módulo 14. Computación bioinspirada

14.1. Introducción a la computación bioinspirada

14.1.1. Introducción a la computación bioinspirada

14.2. Algoritmos de adaptación social

14.2.1. Computación bioinspirada basada en colonia de hormigas
14.2.2. Variantes de los algoritmos de colonias de hormigas
14.2.3. Computación basada en nubes de partículas

14.3. Algoritmos genéticos

14.3.1. Estructura general
14.3.2. Implementaciones de los principales operadores

14.4. Estrategias de exploración-explotación del espacio para algoritmos genéticos

14.4.1. Algoritmo CHC
14.4.2. Problemas multimodales

14.5. Modelos de computación evolutiva (I)

14.5.1. Estrategias evolutivas
14.5.2. Programación evolutiva
14.5.3. Algoritmos basados en evolución diferencial

14.6. Modelos de computación evolutiva (II)

14.6.1. Modelos de evolución basados en estimación de distribuciones (EDA)
14.6.2. Programación genética

14.7. Programación evolutiva aplicada a problemas de aprendizaje

14.7.1. Aprendizaje basado en reglas
14.7.2. Métodos evolutivos en problemas de selección de instancias

14.8. Problemas multiobjetivo

14.8.1. Concepto de dominancia
14.8.2. Aplicación de algoritmos evolutivos a problemas multiobjetivo

14.9. Redes neuronales (I)

14.9.1. Introducción a las redes neuronales
14.9.2. Ejemplo práctico con redes neuronales

14.10. Redes neuronales (II)

14.10.1. Casos de uso de las redes neuronales en la investigación médica
14.10.2. Casos de uso de las redes neuronales en la economía
14.10.3. Casos de uso de las redes neuronales en la visión artificial

Módulo 15. Inteligencia Artificial: estrategias y aplicaciones

15.1. Servicios financieros

15.1.1. Las implicaciones de la Inteligencia Artificial (IA) en los servicios financieros. Oportunidades y desafíos
15.1.2. Casos de uso
15.1.3. Riesgos potenciales relacionados con el uso de IA
15.1.4. Potenciales desarrollos / usos futuros de la IA

15.2. Implicaciones de la Inteligencia Artificial en el servicio sanitario

15.2.1. Implicaciones de la IA en el sector sanitario. Oportunidades y desafíos
15.2.2. Casos de uso

15.3. Riesgos Relacionados con el uso de la IA en el servicio sanitario

15.3.1. Riesgos potenciales relacionados con el uso de IA
15.3.2. Potenciales desarrollos / usos futuros de la IA

15.4. Retail

15.4.1. Implicaciones de la IA en Retail. Oportunidades y desafíos
15.4.2. Casos de uso
15.4.3. Riesgos potenciales relacionados con el uso de IA
15.4.4. Potenciales desarrollos / usos futuros de la IA

15.5. Industria

15.5.1. Implicaciones de la IA en la Industria. Oportunidades y desafíos
15.5.2. Casos de uso

15.6. Riesgos potenciales relacionados con el uso de IA en la Industria

15.6.1. Casos de uso
15.6.2. Riesgos potenciales relacionados con el uso de IA
15.6.3. Potenciales desarrollos / usos futuros de la IA

15.7. Administración Pública

15.7.1. Implicaciones de la IA en la Administración Pública. Oportunidades y desafíos
15.7.2. Casos de uso
15.7.3. Riesgos potenciales relacionados con el uso de IA
15.7.4. Potenciales desarrollos / usos futuros de la IA

15.8. Educación

15.8.1. Implicaciones de la IA en la educación. Oportunidades y desafíos
15.8.2. Casos de uso
15.8.3. Riesgos potenciales relacionados con el uso de IA
15.8.4. Potenciales desarrollos / usos futuros de la IA

15.9. Silvicultura y agricultura

15.9.1. Implicaciones de la IA en la silvicultura y la agricultura. Oportunidades y desafíos
15.9.2. Casos de uso
15.9.3. Riesgos potenciales relacionados con el uso de IA
15.9.4. Potenciales desarrollos / usos futuros de la IA

15.10. Recursos Humanos

15.10.1. Implicaciones de la IA en los Recursos Humanos. Oportunidades y desafíos
15.10.2. Casos de uso
15.10.3. Riesgos potenciales relacionados con el uso de IA
15.10.4. Potenciales desarrollos / usos futuros de la IA

Módulo 16. Innovaciones de Inteligencia Artificial en Diagnóstico por Imagen

16.1. Tecnologías y herramientas de Inteligencia Artificial en Diagnóstico por Imagen con IBM Watson Imaging Clinical Review

16.1.1. Plataformas de sofware líderes para análisis de imágenes médicas
16.1.2. Herramientas de Deep Learning específicas para Radiología
16.1.3. Innovaciones en hardware para acelerar el procesamiento de imágenes
16.1.4. Integración de sistemas de Inteligencia Artificial en infraestructuvas hospitalarias existentes

16.2. Métodos estadísticos y algoritmos para interpretación de imágenes médicas con DeepMind AI for Breast Cancer Analysis

16.2.1. Algoritmos de segmentación de imágenes
16.2.2. Técnicas de clasificación y detección en imágenes médicas
16.2.3. Uso de Redes Neuronales Convolucionales en Radiología
16.2.4.  Métodos de reducción de ruido y mejora de la calidad de imagen

16.3. Diseño de experimentos y análisis de resultados en Diagnóstico por Imagen con Google Cloud Healthcare API

16.3.1. Diseño de protocolos de validación para algoritmos de Inteligencia Artficial
16.3.2. Métodos estadísticos para comparar desempeños de Inteligencia Artificial y radiólogos
16.3.3. Configuración de estudios multicéntricos para pruebas de Inteligencia Artificial
16.3.4. Interpretación y presentación de resultados de pruebas de eficacia

16.4. Detección de patrones sutiles en imágenes de baja resolución

16.4.1. Inteligencia Artificial para diagnóstico precoz de Enfermedades Neurodegenerativas
16.4.2. Aplicaciones de Inteligencia Artificial en Cardiología Intervencionista
16.4.3. Uso de Inteligencia Artificial para la optimización de protocolos de toma de imágenes

16.5. Análisis y procesamiento de imágenes biomédicas

16.5.1. Técnicas de procesamiento previo para mejorar la interpretación automática
16.5.2. Análisis de texturas y patrones en imágenes histológicas
16.5.3. Extracción de características clínicas de imágenes de ultrasonido
16.5.4. Métodos para el análisis longitudinal de imágenes en estudios clínicos

16.6. Visualización avanzada de datos en Diagnóstico por Imagen con OsiriX MD

16.6.1. Desarrollo de interfaces gráficas para la exploración de imágenes 3D
16.6.2. Herramientas de visualización de cambios temporales en imágenes médicas
16.6.3. Técnicas de realidad aumentada para la enseñanza de anatomía
16.6.4. Sistemas de visualización en tiempo real para procedimientos quirúrgicos

16.7. Procesamiento de lenguaje natural en la documentación y reportes de imágenes médicas con Nuance PowerScribe 360

16.7.1. Generación automática de reportes radiológicos
16.7.2. Extracción de información relevante de historiales médicos electrónicos
16.7.3. Análisis semántico para la correlación de hallazgos imagenológicos y clínicos
16.7.4. Herramientas de búsqueda y recuperación de imágenes basadas en descripciones textuales

16.8. Integración y procesamiento de datos heterogéneos en imágenes médicas

16.8.1. Fusiones de modalidades de imágenes para diagnósticos completos
16.8.2. Integración de datos de laboratorio y genéticos en el análisis de imágenes
16.8.3. Sistemas para el manejo de grandes volúmenes de datos de imágenes
16.8.4. Estrategias para la normalización de datasets provenientes de múltiples fuentes

16.9. Aplicaciones de Redes Neuronales en la interpretación de imágenes médicas con Zebra Medical Vision

16.9.1. Uso de Redes Generativas para la creación de imágenes médicas sintéticas
16.9.2. Redes Neuronales para la clasificación automática de Tumores
16.9.3. Deep Learning para el análisis de series temporales en imágenes funcionales
16.9.4. Adaptación de modelos preentrenados en datasets específicos de imágenes médicas

16.10. Modelado predictivo y su impacto en el diagnóstico por imágenes con IBM Watson Oncology

16.10.1. Modelos predictivos para la evaluación de riesgos en pacientes oncológicos
16.10.2. Herramientas predictivas para el seguimiento de Enfermedades Crónicas
16.10.3. Análisis de supervivencia utilizando datos de imágenes médicas
16.10.4. Predicción de la progresión de la enfermedad mediante técnicas de Machine Learning

Módulo 17. Aplicaciones avanzadas de IA en estudios y análisis de imágenes médicas

17.1. Diseño y ejecución de estudios observacionales usando Inteligencia Artificial en imágenes médicas con Flatiron Health

17.1.1. Criterios para la selección de poblaciones en estudios observacionales de Inteligencia Artificial
17.1.2. Métodos para el control de variables de confusión en estudios de imágenes
17.1.3. Estrategias para el seguimiento a largo plazo en estudios observacionales
17.1.4. Análisis de resultados y validación de modelos de Inteligencia Artificial en contextos clínicos reales

17.2. Validación y calibración de modelos de IA en interpretación de imágenes con Arterys Cardio AI

17.2.1. Técnicas de validación cruzada aplicadas a modelos de Diagnóstico por Imagen
17.2.2. Métodos para la calibración de probabilidades en predicciones de Inteligencia Artificial
17.2.3. Estándares de rendimiento y métricas de precisión para evaluación de Inteligencia Artificial
17.2.4. Implementación de pruebas de robustez en diferentes poblaciones y condiciones

17.3. Métodos de integración de datos de imágenes con otras fuentes biomédicas

17.3.1. Técnicas de fusión de datos para mejorar la interpretación de imágenes
17.3.2. Análisis conjunto de imágenes y datos genómicos para diagnósticos precisos
17.3.3. Integración de información clínica y de laboratorio en sistemas de Inteligencia Artificial
17.3.4. Desarrollo de interfaces de usuario para la visualización integrada de datos multidisciplinarios

17.4. Uso de datos de imágenes médicas en investigaciones multidisciplinarias con Enlitic Curie

17.4.1. Colaboración interdisciplinaria para el análisis avanzado de imágenes
17.4.2. Aplicación de técnicas de Inteligencia Artificial de otros campos en el Diagnóstico por Imagen
17.4.3. Desafíos y soluciones en la gestión de datos grandes y heterogéneos
17.4.4. Estudios de caso de aplicaciones multidisciplinarias exitosas

17.5. Algoritmos de Aprendizaje Profundo específicos para imágenes médicas con Aidoc

17.5.1. Desarrollo de arquitecturas de Redes Neuronales para imágenes específicas
17.5.2. Optimización de hiperparámetros para modelos en imágenes médicas
17.5.3. Transferencia de Aprendizaje y su aplicabilidad en Radiología

17.6. Retos en la interpretación y visualización de características aprendidas por modelos profundos

17.6.1. Optimización de la interpretación de imágenes médicas mediante automatización con Viz.ai
17.6.2. Automatización de rutinas de diagnóstico para eficiencia operativa
17.6.3. Sistemas de alerta temprana en la detección de anomalías
17.6.4. Reducción de la carga de trabajo en radiólogos mediante herramientas de Inteligencia Artificial
17.6.5. Impacto de la automatización en la precisión y rapidez de los diagnósticos

17.7. Simulación y modelado computacional en Diagnóstico por Imagen

17.7.1. Simulaciones para el entrenamiento y validación de algoritmos de Inteligencia Artificial
17.7.2. Modelado de enfermedades y su representación en imágenes sintéticas
17.7.3. Uso de simulaciones para la planificación de tratamientos y cirugías
17.7.4. Avances en técnicas computacionales para el procesamiento de imágenes en tiempo real

17.8. Realidad Virtual y Aumentada en la visualización y análisis de imágenes médicas

17.8.1. Aplicaciones de Realidad Virtual para la educación en Diagnóstico por Imagen
17.8.2. Uso de Realidad Aumentada en procedimientos quirúrgicos guiados por imagen
17.8.3. Herramientas de visualización avanzada para la planificación terapéutica
17.8.4. Desarrollo de interfaces inmersivas para la revisión de estudios radiológicos

17.9. Herramientas de minería de datos aplicadas al diagnóstico por Imagen con Radiomics

17.9.1. Técnicas de extracción de datos de grandes repositorios de imágenes médicas
17.9.2. Aplicaciones de análisis de patrones en colecciones de datos de imagen
17.9.3. Identificación de biomarcadores a través de la Minería de Daqtos de imágenes
17.9.4. Integración de Minería de Datos y Aprendizaje Automático para descubrimientos clínicos

17.10. Desarrollo y validación de biomarcadores utilizando análisis de imágenes con Oncimmune

17.10.1. Estrategias para identificar biomarcadores de imagen en diversas enfermedades
17.10.2. Validación clínica de biomarcadores de imagen para uso diagnóstico
17.10.3. Impacto de los biomarcadores de imagen en la personalización de tratamientos
17.10.4. Tecnologías emergentes en la detección y análisis de biomarcadores mediante Inteligencia Artifificial

Módulo 18. Personalización y automatización en diagnóstico médico mediante Inteligencia Artificial

18.1. Aplicación de Inteligencia Artificial en secuenciación genómica y correlación con hallazgos imagenológicos con Fabric Genomics

18.1.1. Técnicas de Inteligencia Artificial para la integración de datos genómicos e imagenológicos
18.1.2. Modelos predictivos para correlacionar variantes genéticas con patologías visibles en imágenes
18.1.3. Desarrollo de algoritmos para el análisis automático de secuencias y su representación en imágenes
18.1.4. Estudios de caso sobre el impacto clínico de la fusión de genómica e imagenología

18.2. Avances en Inteligencia Artificial para el análisis detallado de imágenes biomédicas con PathAI

18.2.1. Innovaciones en técnicas de procesamiento y análisis de imágenes a nivel celular
18.2.2. Aplicación de Inteligencia Artificial para la mejora de resolución en imágenes de microscopía
18.2.3. Algoritmos de Deep Learning especializados en la detección de patrones submicroscópicos
18.2.4. Impacto de los avances en Inteligencia Artificial en la investigación biomédica y diagnóstico clínico

18.3. Automatización en la adquisición y procesamiento de imágenes médicas con Butterfly Network

18.3.1. Sistemas automatizados para la optimización de parámetros de adquisición de imágenes
18.3.2. Inteligencia Artificial en la gestión y mantenimiento de equipos de imagenología
18.3.3. Algoritmos para el procesamiento en tiempo real de imágenes durante procedimientos médicos
18.3.4. Casos de éxito en la implementación de sistemas automatizados en hospitales y clínicas

18.4. Personalización de diagnósticos mediante Inteligencia Artificial y medicina de precisión con Tempus AI

18.4.1. Modelos de Inteligencia Artificial para diagnósticos personalizados basados en perfiles genéticos y de imagen
18.4.2. Estrategias para la integración de datos clínicos y de imagen en la planificación terapéutica
18.4.3. Impacto de la medicina de precisión en los resultados clínicos a través de la IA
18.4.4. Desafíos éticos y prácticos en la implementación de la medicina personalizada

18.5. Innovaciones en diagnóstico asistido por Inteligencia Artificial con Caption Health

18.5.1. Desarrollo de nuevas herramientas de Inteligencia Artificial para la detección precoz de enfermedades
18.5.2. Avances en algoritmos de Inteligencia Artificial para la interpretación de patologías complejas
18.5.3. Integración de diagnósticos asistidos por Integración de diagnósticos asistidos por IA en la práctica clínica rutinaria
18.5.4. Evaluación de la efectividad y la aceptación de la Inteligencia Artificial diagnóstica por profesionales de la salud

18.6. Aplicaciones de Inteligencia Artificial en análisis de imágenes del microbioma con DayTwo AI

18.6.1. Técnicas de Inteligencia Artificial para el análisis de imágenes en estudios del microbioma
18.6.2. Correlación de datos imagenológicos del microbioma con indicadores de salud
18.6.3. Impacto de los hallazgos en microbioma sobre las decisiones terapéuticas
18.6.4. Desafíos en la estandarización y validación de imágenes del microbioma

18.7. Uso de wearables para mejorar la interpretación de imágenes diagnósticas con AliveCor

18.7.1. Integración de datos de wearables con imágenes médicas para diagnósticos completos
18.7.2. Algoritmos de IA para el análisis de datos continuos y su representación en imágenes
18.7.3. Innovaciones tecnológicas en wearables para la monitorización de salud
18.7.4. Estudios de caso sobre la mejora en la calidad de vida a través de wearables y diagnósticos por imagen

18.8. Gestión de datos de diagnóstico por imagen en ensayos clínicos mediante Inteligencia Artificial

18.8.1. Herramientas de IA para la gestión eficiente de grandes volúmenes de datos de imagen
18.8.2. Estrategias para asegurar la calidad y la integridad de los datos en estudios multicéntricos
18.8.3. Aplicaciones de Inteligencia Artificial para el análisis predictivo en ensayos clínicos
18.8.4. Retos y oportunidades en la estandarización de protocolos de imagen en ensayos globales

18.9. Desarrollo de tratamientos y vacunas asistidos por diagnósticos Inteligencia Artificial avanzados

18.9.1. Uso de Inteligencia Artificial para el diseño de tratamientos personalizados basados en imágenes y datos clínicos
18.9.2. Modelos de Inteligencia Artificial en el desarrollo acelerado de vacunas con apoyo de Diagnósticos por Imagen
18.9.3. Evaluación de la efectividad de tratamientos mediante seguimiento por imagen
18.9.4. Impacto de la Inteligencia Artificial en la reducción de tiempos y costos en el desarrollo de nuevas terapias
18.10. Aplicaciones de IA en inmunología y estudios de respuesta inmune con ImmunoMind
18.10.1. Modelos de IA para la interpretación de imágenes relacionadas con la respuesta inmune
18.10.2. Integración de datos de imagenología y análisis inmunológico para diagnósticos precisos
18.10.3. Desarrollo de biomarcadores de imagen para Enfermedades Autoinmunes
18.10.4. Avances en la personalización de tratamientos inmunológicos mediante el uso de Inteligencia Artificial

Módulo 19. Big Data y Análisis Predictivo en Imagenología Médica

19.1. Big Data en diagnóstico por imagen: conceptos y herramientas con GE Healthcare Edison

19.1.1. Fundamentos de Big Data aplicados a la Imagenología
19.1.2. Herramientas y plataformas tecnológicas para el manejo de grandes volúmenes de datos de imágenes
19.1.3. Desafíos en la integración y análisis de Big Data en Imagenología
19.1.4. Casos de uso de Big Data en el Diagnóstico por Imagen

19.2. Minería de Datos en registros de imágenes biomédicas con IBM Watson Imaging

19.2.1. Técnicas avanzadas de Minería de Datos para identificar patrones en imágenes médicas
19.2.2. Estrategias para la extracción de características relevantes en grandes bases de datos de imágenes
19.2.3. Aplicaciones de técnicas de clustering y clasificación en registros de imágenes
19.2.4. Impacto de la Minería de Datos en la mejora de diagnósticos y tratamientos

19.3. Algoritmos de Aprendizaje Automático en análisis de imágenes con Google DeepMind Health

19.3.1. Desarrollo de algoritmos supervisados y no supervisados para imágenes médicas
19.3.2. Innovaciones en técnicas de aprendizaje automático para el reconocimiento de patrones de enfermedad
19.3.3. Aplicaciones de Aprendizaje Profundo en la segmentación y clasificación de imágenes
19.3.4. Evaluación de la eficacia y la precisión de los algoritmos de aprendizaje automático en estudios clínicos

19.4. Técnicas de análisis predictivo aplicadas a diagnóstico por imagen con Predictive Oncology

19.4.1. Modelos predictivos para la identificación precoz de enfermedades a partir de imágenes
19.4.2. Uso de análisis predictivo para el seguimiento y evaluación de tratamientos
19.4.3. Integración de datos clínicos y de imagen para enriquecer los modelos predictivos
19.4.4. Desafíos en la implementación de técnicas predictivas en la práctica clínica

19.5. Modelos de Inteligencia Artificial para Epidemiología basados en imágenes con BlueDot

19.5.1. Aplicación de Inteligencia Artificial en el análisis de brotes epidémicos mediante imágenes
19.5.2. Modelos de propagación de enfermedades visualizadas por técnicas de Imagenología
19.5.3. Correlación entre datos epidemiológicos y hallazgos imagenológicos
19.5.4. Contribución de la Inteligencia Artificial al estudio y control de pandemias

19.6. Análisis de redes biológicas y patrones de enfermedad desde imágenes

19.6.1. Aplicación de teoría de redes en el análisis de imágenes para entender patologías
19.6.2. Modelos computacionales para simular redes biológicas visibles en imágenes
19.6.3. Integración de análisis de imagen y datos moleculares para mapear enfermedades
19.6.4. Impacto de estos análisis en el desarrollo de terapias personalizadas

19.7. Desarrollo de herramientas para pronóstico clínico basadas en imágenes

19.7.1. Herramientas de Inteligencia Artificial para la predicción de evolución clínica a partir de imágenes diagnósticas
19.7.2. Avances en la generación de reportes pronósticos automatizados
19.7.3. Integración de modelos de pronóstico en sistemas clínicos
19.7.4. Validación y aceptación clínica de herramientas pronósticas basadas en Inteligencia Artificial

19.8. Visualización avanzada y comunicación de datos complejos con Tableau

19.8.1. Técnicas de visualización para la representación multidimensional de datos de imagen
19.8.2. Herramientas interactivas para la exploración de grandes datasets de imágenes
19.8.3. Estrategias para la comunicación efectiva de hallazgos complejos a través de visualizaciones
19.8.4. Impacto de la visualización avanzada en la educación médica y la toma de decisiones

19.9. Seguridad de datos y desafíos en la gestión de Big Data

19.9.1. Medidas de seguridad para proteger los grandes volúmenes de datos de imágenes médicas
19.9.2. Desafíos en la privacidad y la ética de la gestión de datos de imagen a gran escala
19.9.3. Soluciones tecnológicas para la gestión segura de Big Data de salud
19.9.4. Casos de estudio sobre brechas de seguridad y cómo se abordaron

19.10. Aplicaciones prácticas y casos de estudio en Big Data biomédico

19.10.1. Ejemplos de aplicaciones exitosas de Big Data en el diagnóstico y tratamiento de enfermedades
19.10.2. Estudios de caso sobre la integración de Big Data en sistemas de salud
19.10.3. Lecciones aprendidas de proyectos de Big Data en el ámbito biomédico
19.10.4. Futuras direcciones y potenciales de Big Data en la medicina

Módulo 20. Aspectos éticos y legales de la Inteligencia Artificial en Diagnóstico por Imagen

20.1. Ética en la aplicación de Inteligencia Artificial en Diagnóstico por Imagen con Ethics and Algorithms Toolkit

20.1.1. Principios éticos fundamentales en el uso de Inteligencia Artificial para diagnóstico
20.1.2. Gestión de sesgos algorítmicos y su impacto en la equidad del diagnóstico
20.1.3. Consentimiento informado en la era de la Inteligencia Artificial diagnóstica
20.1.4. Desafíos éticos en la implementación internacional de tecnologías de Inteligencia Artificial

20.2. Consideraciones legales y regulatorias en Inteligencia Artificial aplicada a imágenes médicas con Compliance.ai

20.2.1. Marco regulatorio actual para Inteligencia Artificial en diagnóstico por imagen
20.2.2. Cumplimiento de normativas de privacidad y protección de datos
20.2.3. Requisitos de validación y certificación para algoritmos de Inteligencia Artificial en salud
20.2.4. Responsabilidad legal en caso de errores de diagnóstico por Inteligencia Artificial

20.3. Consentimiento informado y aspectos éticos en el uso de datos clínicos

20.3.1. Revisión de los procesos de consentimiento informado adaptados a la Inteligencia Artificial
20.3.2. Educación del paciente sobre el uso de Inteligencia Artificial en su atención médica
20.3.3. Transparencia en el uso de datos clínicos para entrenamiento de Inteligencia Artificial
20.3.4. Respeto por la autonomía del paciente en decisiones basadas en Inteligencia Artificial

20.4. Inteligencia Artificial y responsabilidad en la Investigación Clínica

20.4.1. Asignación de responsabilidades en el uso de Inteligencia Artificial para diagnóstico
20.4.2. Implicaciones de los errores de Inteligencia Artificial en la práctica clínica
20.4.3. Seguros y coberturas para riesgos asociados al uso de Inteligencia Artificial
20.4.4. Estrategias para la gestión de incidentes relacionados con Inteligencia Artificial

20.5. Impacto de la Inteligencia Artificial en la equidad y acceso a la atención de salud con AI for Good

20.5.1. Evaluación del impacto de la Inteligencia Artificial en la distribución de servicios médicos
20.5.2. Estrategias para garantizar un acceso equitativo a la tecnología de Inteligencia Artificial
20.5.3. Inteligencia Artificial como herramienta para reducir disparidades en salud
20.5.4. Casos de estudio sobre la implementación de Inteligencia Artificial en entornos de recursos limitados

20.6. Privacidad y protección de datos en proyectos de investigación con Duality SecurePlus

20.6.1. Estrategias para asegurar la confidencialidad de los datos en proyectos de Inteligencia Artificial
20.6.2. Técnicas avanzadas para la anonimización de datos de pacientes
20.6.3. Desafíos legales y éticos en la protección de datos personales
20.6.4. Impacto de las brechas de seguridad en la confianza pública

20.7. Inteligencia Artificial y sostenibilidad en investigaciones biomédicas con Green Algorithm

20.7.1. Uso de Inteligencia Artificial para mejorar la eficiencia y sostenibilidad en investigación
20.7.2. Evaluación del ciclo de vida de las tecnologías de Inteligencia Artificial en salud
20.7.3. Impacto ambiental de la infraestructura tecnológica de Inteligencia Artificial
20.7.4. Prácticas sostenibles en el desarrollo y despliegue de Inteligencia Artificial

20.8. Auditoría y explicabilidad de modelos de Inteligencia Artificial en el ámbito clínico con IBM AI Fairness 360

20.8.1. Importancia de la auditoría regular de algoritmos de Inteligencia Artificial
20.8.2. Técnicas para mejorar la explicabilidad de los modelos de Inteligencia Artificial
20.8.3. Desafíos en la comunicación de decisiones basadas en Inteligencia Artificial a pacientes y médicos
20.8.4. Regulaciones sobre la transparencia de los algoritmos de Inteligencia Artificial en salud

20.9. Innovación y emprendimiento en el ámbito de la Inteligencia Artificial clínica con Hindsait

20.9.1. Oportunidades para startups en tecnologías de Inteligencia Artificial para salud
20.9.2. Colaboración entre el sector público y privado en el desarrollo de Inteligencia Artificial
20.9.3. Desafíos para emprendedores en el entorno regulativo de la salud
20.9.4. Casos de éxito y aprendizajes en el emprendimiento de Inteligencia Artificial clínica

20.10. Consideraciones éticas en la colaboración internacional en investigación clínica con Global Alliance for Genomics and Health con GA4GH

20.10.1. Coordinación ética en proyectos internacionales de IA
20.10.2. Gestión de diferencias culturales y normativas en colaboraciones internacionales
20.10.3. Estrategias para la inclusión equitativa en estudios globales
20.10.4. Desafíos y soluciones en el intercambio de datos

¿Quieres aumentar tu seguridad en la toma de decisiones clínicas mediante el uso de la Inteligencia Artificial? Lógralo con esta titulación universitaria en menos de un año”