Semestr Letni 2020/21 @hbaniecki

Przedmiot ten poświęcony jest tematyce badań naukowych. Na zajęciach skupimy się na odtwarzaniu wyników artykułów naukowych, tworzeniu nowych wyników, oraz napisaniu mini-artykułu. Tematem przewodnim projektu jest wykorzystanie modeli uczenia maszynowego do predykcji śmiertelności COVID-19. Poboczne tematy: wyjaśnianie modeli uczenia maszynowego, odporność modeli predykcyjnych i związana z nią odpowiedzialność, reprodukowalność wyników naukowych, pierwsze kroki w świecie badań naukowych.

Całość przedmiotu realizowana jest w zespołach 3/4-osobowych.

Pierwsza faza projektu polega na przeanalizowaniu artykułu naukowego, odtworzeniu jego wyników, a następnie zaproponowaniu nowych wyników np. przeprowadzenie analizy danych, stworzenie nowych modeli, wyjaśnienie modeli, przeanalizowanie odpowiedzi do analizowanego artykułu (odtworzenie ich wyników, wykorzystanie dodatkowych danych itp.). Całość powinna zostać udokumentowana w postaci kodu na GitHub oraz raportu - oceniane w dwóch krokach (10 + 20 punktów).

Artykuł do analizy - state-of-the-art (SOTA) w tematyce ML dla COVID-19:

Yan, L. et al. "An interpretable mortality prediction model for COVID-19 patients" Nature Machine Intelligence (2020) https://www.nature.com/articles/s42256-020-0180-7

Odpowiedzi do powyższego artykułu (Matters Arising):

• External validation demonstrates limited clinical utility of the interpretable mortality prediction model for patients with COVID-19
• Replication of a mortality prediction model in Dutch patients with COVID-19
• Limited applicability of a COVID-19 specific mortality prediction rule to the intensive care setting

(08/04) W drugiej fazie można kontynuować dotychczasowe analizy po zaplanowaniu dalszych prac z prowadzącym.

Druga faza projektu polega na przeprowadzeniu podobnej analizy, ale:

• Każdy zespół pracuje z innym artykułem - jeżeli artykuł okaże się mało skomplikowany i/lub zespół szybko skończy analizę to można sięgać po pozostałe artykuły z puli.
• Część projektu polega na porównaniu wyników lub/i metod lub/i odniesieniu się do artykułu z fazy 1.
• Całość powinna zostać udokumentowana w postaci mini-artykułu (razem z kodami na GitHub), w którym oprócz opisania wyników fazy 2, można opisać wyniki fazy 1 - oceniane w dwóch krokach (10 + 40 punktów).
• Zespół prezentuje najciekawsze wyniki projektu na koniec semestru (20 punktów).

Artykuły do analizy:

• Deep learning prediction of likelihood of ICU admission and mortality in COVID-19 patients using clinical variables
• A Learning-Based Model to Evaluate Hospitalization Priority in COVID-19 Pandemics
• Predicting Mortality Due to SARS-CoV-2: A Mechanistic Score Relating Obesity and Diabetes to COVID-19 Outcomes in Mexico
• inny w tej samej tematyce (z danymi)

Baniecki, H., and Biecek, P. "Responsible Prediction Making of COVID-19 Mortality (Student Abstract)" Proceedings of the AAAI Conference on Artificial Intelligence (2021) https://www.aaai.org/AAAI21Papers/SA-299.BanieckiH.pdf

Wynants, L. et al. "Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal" BMJ (2020) https://www.bmj.com/content/369/bmj.m1328

Barredo Arrieta, A. et al. "Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI" Information Fusion (2020) https://www.sciencedirect.com/science/article/pii/S1566253519308103

• wyjaśnianie (predykcyjnych) modeli uczenia maszynowego: Explanatory Model Analysis, dalex, Arena, modelStudio
• bazy preprintów: arXiv, 'arXiv for med', 'arXiv for bio'
• bazy konferencji/czasopism: CORE ranking, Scopus
• baza papers with code
• konferencje AI/ML
• wykaz czasopism i konferencji punktowanych przez MEN
• personal website/cv: hugo, al-folio
• AutoML: mljar, PyCaret, Microsoft Azure