Spotkanie akademickie (on-line): 7 lutego 2026 (sobota), godz. 10:00
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”

Powszechnie wiadomo, że współczesna cywilizacja ludzka generuje ogromne ilości danych z niezliczonych źródeł. Dane te są wykorzystywane w zasadzie w każdej dziedzinie naszego życia - czasem w dobrych, a czasem w złych intencjach. W obliczu trwającej rewolucji technologicznej, w której metody sztucznej inteligencji stanowią fundament nowych produktów i narzędzi, dane stały się swego rodzaju walutą. Czy powinno to jednak dotyczyć także danych biofizycznych i biochemicznych, informacji pozyskiwanych bezpośrednio z ludzkiego ciała? W tym wykładzie omówię, dlaczego powinniśmy dążyć do demokratyzacji dostępu do biofizycznych i biochemicznych danych, wykorzystując trzy rozwiązania oparte na SI jako studia przypadków.

Prognozowanie ryzyka tętniaków wewnątrzczaszkowych

Celem tych badań jest ocena prawdopodobieństwa przynależności pacjentów do grupy ryzyka pod względem występowania tętniaków wewnątrzczaszkowych oraz identyfikacja czynników predysponujących te tętniaki do pęknięcia, na podstawie analizy danych klinicznych. Wykorzystujemy szereg modeli uczenia maszynowego (ML) i sztucznej inteligencji (AI), w tym duże modele językowe, aby opracować system klasyfikacji oraz medyczny kalkulator ryzyka dla wykrywania tętniaków. Zastosowanie wyjaśnialnych metod SI pozwala nam zajrzeć w procesy decyzyjne tych modeli, co zwiększa nasze zrozumienie generowanych przez nie diagnoz. Ostatecznym celem badań jest opracowanie narzędzi diagnostycznych, które mogłyby zmniejszyć śmiertelność, koszty hospitalizacji oraz częstość powikłań neurologicznych u pacjentów z tętniakami wewnątrzczaszkowymi.

Ocena prawdopodobieństwa złośliwości guzów nerek na podstawie obrazów TK

Rak nerki należy do jednych z najczęściej występujących nowotworów w Europie, z częstością 18 około przypadków na 100 000 osób. Badania radiologiczne często prowadzą do istotnej nadrozpoznawalności guza złośliwego (od 11% do 30,9%). W tych badaniach prezentujemy metodę tworzenia rozwiązania ML/AI opartą na obrazach tomografii komputerowej (TK), wspomagającą różnicowanie złośliwych i łagodnych guzów nerek, a tym samym wspierającą podejmowanie decyzji lekarzy dotyczących sposobów leczenia.

Rozpoznawanie stanów emocjonalnych człowieka z wykorzystaniem sygnałów EEG

Na podstawie tych badań stworzyliśmy rozwiązanie oparte na uczeniu maszynowym służące do rozpoznawania ludzkich stanów emocjonalnych z wykorzystaniem sygnałów EEG. Łączymy tu elektroencefalografię i oscylacje neuronalne z dwuwymiarowym modelem emocji Russella (walencja - pobudzenie). Przedstawiamy projekt eksperymentu opartego na sygnałach EEG oraz opisujemy kluczowe aspekty czyszczenia danych, obejmujące wstępne przetwarzanie, ekstrakcję cech i tworzenie zmiennej celu. Na etapie modelowania opracowano wiele modeli klasyfikacyjnych w celu porównania ich wydajności w zadaniu rozpoznawania emocji. Nasze podejście wykazało, że możliwa jest trafna klasyfikacja ludzkich stanów emocjonalnych przy użyciu metod ML, osiągająca dokładność przekraczającą 90%.

Zapisy poprzez Formularz zgłoszeniowy