Scuola di Farmacia e Nutraceutica
Università Magna Graecia di Catanzaro
Università Magna Graecia di Catanzaro
| Modulo e/o Codocenza | Docente | CFU |
|---|---|---|
| Tecnologie Digitali Applicate alle Scienze Neurologiche | Alessia Sarica | 3 |
| Tecnologie Digitali Applicate alle Scienze Neurologiche | Maria Giovanna Bianco | 3 |
| Scienze Fisiche Applicate alla Medicina | Maria Eugenia Caligiuri | 6 |
Scuola di Farmacia e Nutraceutica - Data stampa: 15/06/2025
|
Organizzazione della didattica |
|
|||
|
Ore |
||||
|
Totali |
Didattica frontale |
Pratica (laboratorio, campo, esercitazione, altro) |
Studio individuale |
|
|
300 |
96 |
|
204 |
|
|
CFU/ETCS |
||||
|
12 |
12 |
|
|
|
Il corso si propone di fornire agli studenti un’approfondita comprensione delle tecnologie emergenti nel campo delle neuroscienze, con particolare attenzione alle applicazioni biotecnologiche per la diagnosi, il trattamento e la ricerca delle malattie neurologiche. Al termine del corso, gli studenti saranno in grado di:
- Comprendere le innovazioni tecnologiche applicate alle neuroscienze, con particolare riferimento alle metodologie di neuroimaging avanzato (fMRI, PET, MEG,EEG) e medicina nucleare.
- Acquisire competenze nell’uso delle tecnologie digitali applicate allo studio dei disturbi neurologici, incluse le tecniche di Artificial Intelligence (AI) e Machine Learning (ML) per l’analisi di dati neuroscientifici.
- Analizzare e interpretare i dati neurofisiologici derivanti da strumenti avanzati di imaging e tecniche ibride (PET/MRI, Diffusion MRI).
- Esplorare le potenzialità dell’intelligenza artificiale nelle neuroscienze e comprendere come i modelli predittivi possano supportare la diagnosi e la prognosi delle malattie neurodegenerative.
- Applicare metodologie di ricerca traslazionale per sviluppare nuovi approcci terapeutici, come il theranostics, e valutare l’efficacia dei trattamenti in tempo reale.
- Comprendere gli aspetti etici e regolatori legati all’uso delle nuove tecnologie, con particolare attenzione all’applicazione di algoritmi di AI in ambito clinico e di ricerca.
- Sviluppare un approccio critico e autonomo nell’analisi e interpretazione di dati neuroscientifici, integrando conoscenze provenienti da diverse discipline.
- Promuovere la capacità di lavorare in team interdisciplinari, acquisendo competenze trasversali per comunicare risultati scientifici a specialisti e non specialisti.
Non sono previsti prerequisiti formali obbligatori, ma le conoscenze sottoelencate sono consigliate per una migliore fruizione del corso:
- Statistica e analisi dei dati: concetti fondamentali di analisi statistica, variabili, distribuzioni e test di ipotesi.
- Informatica di base: capacità di utilizzare strumenti digitali per l’elaborazione e la gestione di dati neuroscientifici.
|
L’insegnamento sarà erogato attraverso una combinazione di metodi didattici per favorire l’acquisizione di conoscenze teoriche e competenze pratiche applicate. In particolare, le modalità didattiche prevedono: - Lezioni frontali: per l’approfondimento teorico degli argomenti trattati, con il supporto di materiali multimediali (slide, video) per una migliore comprensione. - Esercitazioni pratiche: focalizzate sull’analisi e interpretazione di dati neuroscientifici provenienti da tecniche di neuroimaging avanzato (fMRI, PET, EEG). - Laboratori informatici: per l’uso di software dedicati all’elaborazione di dati neurofisiologici e l’implementazione di tecniche di Machine Learning e AI. - Seminari tematici: con esperti del settore, volti ad approfondire le innovazioni tecnologiche nelle neuroscienze e le loro applicazioni pratiche. - Lavori di gruppo e discussioni guidate: per sviluppare capacità di collaborazione interdisciplinare e abilità comunicative. - Studio di casi pratici: Include l’analisi di casi reali per promuovere il pensiero critico e l’autonomia di giudizio, oltre a collegare le conoscenze teoriche con applicazioni pratiche. |
- Utilizzo di strumenti telematici: La didattica sarà supportata da piattaforme online per la condivisione di materiali didattici (e-learning), la somministrazione di esercitazioni e la gestione delle attività di tutoraggio.
Al termine dell’insegnamento, lo/la studente/studentessa sarà in grado di:
- Comprendere le principali tecnologie applicate alle neuroscienze, incluse le metodologie di neuroimaging avanzato (fMRI, PET, MEG, EEG) e medicina nucleare.
- Conoscere i principi dell’intelligenza artificiale e del machine learning applicati alle neuroscienze.
- Descrivere i modelli di theranostics e il loro ruolo nel trattamento e monitoraggio delle malattie neurologiche.
- Comprendere gli aspetti etici e regolatori delle nuove tecnologie applicate alle neuroscienze.
Al termine dell’insegnamento, lo/la studente/studentessa sarà in grado di:
- Analizzare e interpretare dati di neuroimaging utilizzando software e strumenti avanzati.
- Applicare metodi di machine learning per la classificazione e predizione di condizioni neurologiche.
- Sviluppare un protocollo di acquisizione ed elaborazione dati per studi neuroscientifici.
- Integrare diverse tecniche di imaging per ottenere un approccio multimodale alla diagnosi e prognosi delle malattie neurologiche.
- Implementare metodologie di gestione di dataset neuroscientifici, affrontando problematiche di Data Science, e metodologie di AI/ML.
Descrittore di Dublino 3 (DD3) - Autonomia di giudizio
Al termine dell’insegnamento, lo/la studente/studentessa sarà in grado di:
- Valutare criticamente l’affidabilità e l’accuratezza dei dati ottenuti tramite le nuove tecnologie neuroscientifiche.
- Formulare ipotesi diagnostiche e terapeutiche sulla base dell’analisi di neuroimaging e dell’applicazione di modelli AI.
- Esaminare le implicazioni etiche e sociali legate all’utilizzo delle tecnologie avanzate in neuroscienze, con particolare attenzione ai bias degli algoritmi di intelligenza artificiale.
Descrittore di Dublino 4 (DD4) - Abilità comunicative
Al termine dell’insegnamento, lo/la studente/studentessa sarà in grado di:
- Comunicare efficacemente i risultati delle analisi neuroscientifiche, sia a esperti del settore che a un pubblico non specialistico.
- Redigere relazioni scientifiche e presentazioni multimediali basate su dati neuroscientifici complessi.
- Partecipare a discussioni interdisciplinari, interagendo con specialisti di diversi settori (neuroscienze, ingegneria biomedica, intelligenza artificiale).
Descrittore di Dublino 5 (DD5) - Capacità di apprendimento autonomo
Al termine dell’insegnamento, lo/la studente/studentessa sarà in grado di:
- Approfondire in modo autonomo le nuove metodologie di neuroimaging e analisi dati, utilizzando risorse scientifiche aggiornate.
- Sviluppare competenze nell’uso di strumenti digitali e software per l’elaborazione di dati neuroscientifici.
- Seguire autonomamente l’evoluzione delle tecnologie emergenti nelle neuroscienze, attraverso la lettura critica di articoli scientifici e la partecipazione a eventi formativi (workshop, conferenze).
Modulo 1 - Fisica applicata alle neuroscienze (PHYS-06/A) – 6 CFU, Prof.ssa Caligiuri
Obiettivo: Fornire le basi fisiche delle tecnologie di imaging e misurazione neurofisiologica, con particolare attenzione alla loro applicazione nelle neuroscienze.
Contenuti:
- Fondamenti di fisica medica: Principi di base della fisica applicati alla biomedicina.
- Principi fisici delle tecniche di imaging:
- Risonanza Magnetica (MRI): Fisica dei campi magnetici, sequenze di acquisizione, imaging strutturale e funzionale.
- Tomografia a emissione di positroni (PET) e SPECT: Radiofarmaci, fisica dell’emissione e rilevazione.
- Tecniche ibride: PET/MRI, vantaggi e applicazioni cliniche.
- Fisica dell’elettrofisiologia:
- EEG e MEG: Principi fisici della registrazione dell’attività elettrica cerebrale.
- Innovazioni in imaging multimodale: Integrazione di diverse tecniche per lo studio delle neuroscienze.
Modulo 2 - Tecniche di pre-processing delle neuroimmagini (MEDS-26/D) – 3 CFU, Dott.ssa Bianco
Obiettivo: Approfondire le metodologie di pre-processing delle neuroimmagini per migliorare l’analisi e l’interpretazione dei dati neuroscientifici.
Contenuti:
- Introduzione al pre-processing delle neuroimmagini:
- Pipeline di elaborazione dati in neuroimaging.
- Software e strumenti per il pre-processing (SPM, FSL, FreeSurfer).
- Correzione degli artefatti e normalizzazione.
- Segmentazione e ricostruzione volumetrica:
- Segmentazione della materia grigia e bianca.
- Estrazione di misure corticali e subcorticali.
- Registrazione multimodale e fusione di immagini:
- Allineamento di dati strutturali e funzionali.
- Integrazione di PET e MRI per studi clinici avanzati
Modulo 3 - Data Science, AI e Machine Learning per le neuroscienze (MEDS-26/D) – 3 CFU, Prof.ssa Sarica
Obiettivo: Esplorare le tecniche di Data Science, Intelligenza Artificiale (AI) e Machine Learning (ML) per l’analisi dei dati neuroscientifici e la predizione di biomarcatori.
Contenuti:
- Fondamenti di Data Science applicata alle neuroscienze:
- Introduzione ai dataset neuroscientifici.
- Tecniche di gestione e analisi di big data in neuroscienze.
- Machine Learning per l’analisi delle neuroimmagini:
- Modelli di classificazione e regressione per dati neuroimaging.
- Feature selection e dimensionality reduction.
- Explainable AI (XAI) e interpretabilità dei modelli:
- Tecniche per rendere trasparenti i modelli di AI nelle neuroscienze.
- Validazione e valutazione dei modelli:
- Metriche di performance per i modelli di ML e AI in neuroscienze.
- Strategie di cross-validation e generalizzazione dei modelli.
- Bias algoritmici e problemi etici in AI:
- Implicazioni etiche nell’uso dell’AI in neuroscienze.
- Approcci per la mitigazione dei bias nei dataset neuroscientifici (es. missing data).
Modulo 1 - Fisica applicata alle neuroscienze (PHYS-06/A) – 6 CFU, Prof.ssa Caligiuri
- Introduction to Medical Imaging: Physics, Engineering and Clinical Applications di Nadine Barrie Smith, Andrew Webb, Cambridge University Press, 2010
- L’immagine digitale in diagnostica per immagini, di Mario Coriasco,Osvaldo Rampado, Nello Balossino, Sergio Rabellino, Springer
Modulo 2 - Tecniche di pre-processing delle neuroimmagini (MEDS-26/D) – 3 CFU, Dott.ssa Bianco
-Introduction to Neuroimaging Analysis, di Mark Jenkinson and Michael Chappell, Oxford Neuroimaging Primers
Modulo 3 - Data Science, AI e Machine Learning per le neuroscienze (MEDS-26/D) – 3 CFU, Prof.ssa Sarica
- Data Science for Neuroimaging: An Introduction, Ariel Rokem and Tal Yarkoni, Princeton University Press
- Scienza ed Ingegneria dei Dati – Un Percorso di Apprendimento in Italiano. Di Mario A.B. Capurso:
–Volume 1: Aspetti Metodologici, Acquisizione Dati, Gestione e Pulizia, Analisi e Visualizzazione con Applicazioni in Orange.
–Volume 2: Exploratory Data Analysis, Metriche, Modelli Con Applicazioni Nell’ambiente Python-Based Orange.
- Practical Statistics for Data Scientists, Peter Bruce, Andrew Bruce, O’Reilly
- Interpretable Machine Learning: A Guide for Making Black Box Models Explainable,Christoph Molnar
Per approfondire specifici argomenti trattati nel corso, oltre ai testi di riferimento principali, si consiglia l’utilizzo del seguente materiale didattico aggiuntivo:
- Articoli scientifici e review aggiornate provenienti da riviste internazionali di alto impatto nel settore delle neuroscienze, neuroimaging e intelligenza artificiale applicata. Gli articoli più rilevanti saranno indicati dai docenti durante il corso.
- Materiale didattico fornito dai docenti, tra cui presentazioni, dispense e dataset neuroscientifici per esercitazioni pratiche.
- Corsi online e tutorial sulle metodologie di pre-processing delle neuroimmagini (FSL, SPM, FreeSurfer) e sull’utilizzo di strumenti di intelligenza artificiale per l’analisi dei dati neuroscientifici (Orange 3).
- Database di neuroimaging disponibili pubblicamente, come ADNI (Alzheimer’s Disease Neuroimaging Initiative) e HCP (Human Connectome Project), per l’esplorazione di dati reali nel contesto neuroscientifico.
- Linee guida e documenti normativi riguardanti l’etica e la regolamentazione delle tecnologie digitali applicate alle neuroscienze, fornite da enti come la European Medicines Agency (EMA) e la Food and Drug Administration (FDA).
Materiali Didattici
Piattaforma e-learning di Ateneo https://elearning.unicz.it
|
La valutazione finale si baserà sull’esame orale obbligatorio, che permetterà di verificare il livello di apprendimento raggiunto dagli studenti in relazione ai risultati attesi. La valutazione terrà conto della conoscenza teorica, della capacità di applicazione pratica, dell’autonomia di giudizio, delle abilità comunicative e della capacità di apprendimento autonomo.
Conoscenza e capacità di comprensione -Lo studente deve dimostrare una conoscenza approfondita delle tecnologie di neuroimaging, delle metodologie di pre-processing delle neuroimmagini e delle tecniche di intelligenza artificiale applicate alle neuroscienze. - Deve essere in grado di spiegare i principi fisici alla base delle tecniche di imaging e il loro impatto nelle neuroscienze. - La capacità di mettere in relazione i diversi concetti trattati nel corso sarà un elemento fondamentale per la valutazione.
Livelli di valutazione: - Eccellente: Lo studente dimostra una conoscenza approfondita e integrata di tutti gli argomenti, collegando in modo critico le diverse tecnologie e metodologie. - Buono: Buona conoscenza degli argomenti principali, con una discreta capacità di collegamento tra i concetti. - Sufficiente: Conoscenza di base degli argomenti trattati, con alcune lacune e difficoltà nel collegare i concetti. - Insufficiente: Lo studente non dimostra una comprensione adeguata degli argomenti e presenta gravi lacune teoriche.
Conoscenza e capacità di comprensione applicate - Lo studente deve essere in grado di applicare le metodologie di pre-processing delle neuroimmagini, elaborare e interpretare i dati neuroscientifici e utilizzare strumenti di intelligenza artificiale e machine learning per l’analisi di dataset. - Deve dimostrare di saper identificare e risolvere problematiche legate all’analisi dei dati neuroscientifici.
Livelli di valutazione: - Eccellente: Lo studente dimostra una piena capacità di applicare metodi di analisi e pre-processing delle neuroimmagini, utilizzando in modo autonomo strumenti digitali e algoritmi di AI. - Buono: Capacità applicative adeguate, con qualche difficoltà nell’uso autonomo di strumenti avanzati. - Sufficiente: Capacità di base nell’applicazione delle metodologie, con necessità di supporto e guida. - Insufficiente: Lo studente non è in grado di applicare le tecniche di analisi dei dati neuroscientifici.
Autonomia di giudizio - Lo studente deve dimostrare la capacità di valutare criticamente i risultati ottenuti dalle analisi neuroscientifiche e riconoscere i limiti delle tecnologie utilizzate. - Deve essere in grado di riflettere sugli aspetti etici e regolatori legati all’uso dell’intelligenza artificiale e delle tecnologie digitali in neuroscienze.
Livelli di valutazione: - Eccellente: Mostra una spiccata autonomia di giudizio, evidenziando capacità di analisi critica e consapevolezza delle implicazioni etiche e regolatorie.
Insufficiente: Difficoltà evidenti nell’apprendere nuovi concetti e nell’aggiornarsi autonomamente. |
|
Il voto finale sarà espresso in trentesimi e l’esame sarà considerato superato con un voto maggiore o uguale a 18/30.
La valutazione complessiva sarà determinata esclusivamente dalla prova orale obbligatoria, mentre le prove in itinere facoltative saranno utili per supportare lo studente nella verifica dell’apprendimento, ma non incideranno direttamente sul voto finale.
La prova orale valuterà la conoscenza teorica, la capacità di applicazione pratica, l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendimento dello studente. Il voto finale sarà attribuito in base alla capacità di: - Esporre i concetti con chiarezza e precisione. - Dimostrare conoscenza approfondita delle tecnologie di neuroimaging, pre-processing e AI applicata alle neuroscienze. - Applicare correttamente le metodologie di analisi e interpretazione dei dati neuroscientifici.
L’assegnazione della lode è deliberata all’unanimità dalla commissione, riservata a chi eccelle oltre il punteggio massimo. |