Il corso si propone di introdurre metodologie e applicazioni dell'intelligenza artificiale nelle neuroscienze. Nella prima parte saranno trattati i concetti chiave dell'intelligenza artificiale nell'apprendimento automatico (apprendimento supervisionato vs non supervisionato; regressione, classificazione, clustering) e nel deep learning (reti neurali, reti neurali convoluzionali, reti neurali ricorrenti), e saranno presentate le pipeline di analisi . Successivamente, saranno illustrate le applicazioni nel neuroimaging e nell'analisi di dati e segnali, con particolare attenzione a risonanza magnetica, PET, EEG e segnali audio nelle malattie neurologiche, in psichiatria e in oncologia cerebrale.
L'approccio adottato combina competenze multidisciplinari, evidenziando il ruolo del disegno dello studio, della metodologia e della progettazione per lo sviluppo di applicazioni di digital health con impatto nell'ambito delle neuroscienze.

In particolare il corso è suddiviso in 4 parti:

1. Basi di Machine Learning

   • tipologia di modelli
   • modelli supervisionati
   • dati di input e pre-trattamento dati
   • estrazione delle caratteristiche, riduzione delle numerosità delle caratteristiche, selezione delle caratteristiche
   • data augmentation

2. Basi di machine learning per le neuroscienze e differenze con la statistica classica

• obiettivi, impatto e digital health
• dal problema clinico nell'ambito delle neuroscienze alla soluzione basata sui dati; inferenza vs. predizione
• qualità, interoperabilità e caratteristiche dei dati; l'importanza del disegno dello studio e la domanda di ricerca
• sfide metodologiche, compromesso tra bias e varianza, overfitting e underfitting
• metriche per la valutazione della performance in base alle diverse tipologie di modelli
• reporting trasparente, riproducibilità, buone pratiche e linee guida

3-4. Esempi di applicazioni in neuroscienze

• apprendimento supervisionato
• clustering
• esercitazione pratica con il software Orange