Segunda-feira, 10 de julho das 09h00 às 13h00 e das 14h00 às 18h00
1. Mostrar a importância de modelos de AI interpretáveis e explicáveis
2. Dar a conhecer os conceitos de explanable AI (XAI) e como esta pode ser aplicada na área da saúde.
3. Conhecer os principais métodos para conseguir aproximar os modelos de uma XAI
4. Aplicações de alguns métodos (código)
Profissionais de Saúde e estudantes do ensino superior da área da Saúde e informática médica
– All students, staff and colleagues interested in writing case reports or using them for their own clinical teaching and learning.
Formato presencial.
Condições específicas de acesso:
Profissionais de Saúde e estudantes do ensino superior da área da Saúde (licenciatura, mestrado ou doutoramento).
Critérios de seleção:
Os candidatos que cumpram as condições específicas de acesso serão ordenados pela ordem de submissão de candidatura.
Propinas:
Gerais: 100 €
Descontos:
- Desconto de 15% para formandos que se inscrevam em mais do que uma unidade de formação não gratuita da Escola de Verão da Faculdade de Medicina da Universidade do Porto;
- Desconto de 25% para estudantes inscritos em cursos de doutoramento, mestrado, especialização ou estudos avançados do MEDCIDS (não acumulável com desconto anterior);
- Isenção de pagamento de propina para docentes, investigadores, bolseiros e colaboradores do MEDCIDS – Departamento de Medicina da Comunidade, Informação e Decisão em Saúde – até ao limite de 7 formandos, sujeita a aprovação do Diretor do Departamento.
Vagas: máximo 30 | mínimo 5
Prazos de candidatura: até 3 julho de 2023
Creditação: Curso não creditado
Duração: 8h
– Fairness, bias, and transparency in medical AI
– Evaluation and limitations of current XAI methods
– Trade-off between model-agnostic and model-specific explainability
– Inherently interpretable models in supervised, unsupervised and semi-supervised learning for biology and medicine
– Ethical considerations in industrial deployment of AI
– Clinical cases, evaluation, and software of XAI for medicine
– Emerging challenges in explainable AI towards XAI 2.0