Spotkanie akademickie (on-line): 11 kwietnia 2026 (sobota), godz. 10:00 - NOWY TERMIN
Przedmiot: fizyka
Forma spotkania: ZDALNIE SYNCHRONICZNIE
Poziom: szkoła ponadpodstawowa
Liczba uczestników: max. 40

 

Biofizyczne i biochemiczne dane jako paliwo dla modeli sztucznej inteligencji

 

„Data is the new oil”

„AI is the new electricity”

Każdego dnia świat produkuje olbrzymie ilości danych: z telefonów, mediów społecznościowych, kamer, wyszukiwarek i aplikacji. To na nich „uczy się” sztuczna inteligencja - dlatego dane są dziś jak paliwo do silnika albo prąd do zasilania urządzeń.

Ale jest jeden rodzaj danych, który robi się coraz ważniejszy i jednocześnie najbardziej wrażliwy: dane z naszego ciała. Wyniki badań, obrazy medyczne, biosygnały (np. EEG), parametry krwi, a nawet to, jak działa nasze serce.

W tym wykładzie pokażę, dlaczego dane biofizyczne i biochemiczne mogą pomagać ratować zdrowie (a czasem życie), ale też, dlaczego musimy mądrze podchodzić do tego, kto je zbiera, kto ma do nich dostęp i na jakich zasadach. I zrobię to na trzech konkretnych przykładach projektów opartych na AI — takich, które brzmią jak science-fiction, ale już dzieją się naprawdę.

1) Czy da się „czytać” emocje z fal mózgowych?

To jeden z tych tematów, które brzmią jak z filmu: zakładasz czepek EEG, a komputer próbuje rozpoznać, w jakim jesteś stanie emocjonalnym. My sprawdzaliśmy to naukowo - łącząc sygnały EEG z tzw. modelem emocji Russella. Pokażę, jak wygląda taki eksperyment, dlaczego „brudne dane” potrafią zepsuć cały projekt i co robi się, żeby je oczyścić. A potem: jak różne modele klasyfikacyjne radzą sobie z wykrywaniem emocji i dlaczego w ogóle da się dojść do dokładności powyżej 90%.

2) Czy da się przewidzieć ryzyko tętniaka w mózgu, zanim będzie za późno?

Tętniak wewnątrzczaszkowy może długo nie dawać objawów, a gdy pęknie, liczą się minuty. W naszym projekcie analizujemy dane kliniczne pacjentów i uczymy modele AI, żeby oceniały ryzyko wystąpienia tętniaka oraz ryzyko jego pęknięcia. Korzystamy też z metod wyjaśnialnej AI, żeby sprawdzić, dlaczego model podjął taką decyzję i jakie czynniki miały największy wpływ. Efekt końcowy? Pomysł na kalkulator ryzyka, który może wspierać lekarzy w szybszej diagnostyce i lepszych decyzjach.

3) AI i tomografia komputerowa: czy guzy nerek dają się rozpoznać?

Tomografia komputerowa (TK) potrafi zobaczyć bardzo dużo, ale interpretacja obrazów nie zawsze jest prosta. Zdarza się, że coś wygląda podejrzanie, a okazuje się zmianą łagodną. To prowadzi do stresu, dodatkowych badań, a czasem nawet niepotrzebnych zabiegów. W tym projekcie tworzymy rozwiązanie ML/AI, które uczy się z obrazów TK i pomaga odróżniać guzy złośliwe od łagodnych. Cel jest praktyczny: mniej nadrozpoznań, lepsze decyzje terapeutyczne i realne wsparcie radiologów.

Co wyniesiesz z wykładu?

  • jak AI uczy się z danych medycznych (i dlaczego to nie jest magia),

  • czemu dane z ciała są potężne, ale też „niebezpieczne” w złych rękach,

  • jak wygląda praca nad projektami, które łączą biologię, fizykę, informatykę i medycynę,

  • i dlaczego przyszłość ochrony zdrowia będzie w dużej mierze zależeć od tego, czy dane i narzędzia będą dostępne sprawiedliwie.

Zapisy poprzez Formularz zgłoszeniowy