AI bez hype a iluzí: principy, regulace a klinické use-casy

(1/5) Luboš Šmídl: Strojové učení pod lupou: praktický úvod na příkladu screeningu kognitivních poruch

Přehledová přednáška vyjasní rozdíl mezi umělou inteligencí a strojovým učením, prochází základy strojového učení: typy učení (supervised/unsupervised), typické úlohy (klasifikace, regrese) a hlavní rodiny modelů od jednodušších interpretovatelných metod po hluboké sítě. Naváže metrikami hodnocení kvality modelů (accuracy, precision, recall/sensitivity, specificity, ROC/AUC). Jádrem prezentace je projekt DigiDiaDem – Telemedicínské samovyšetření řeči a paměti pro rychlou detekci kognitivních poruch metodami strojového učení. V praktické části projdeme pro jeden konkrétní úkol z vyšetření základní statistiky a vizualizace dat a následně úlohu klasifikace kognitivních poruch včetně diskuze výběru prahu a interpretace výstupů.

Luboš Šmídl je akademický/vědecký pracovník na Katedře kybernetiky Fakulty aplikovaných věd ZČU v Plzni, specializuje se na umělou inteligenci, strojové učení a řečové technologie (ASR, dialogové systémy, NLP). Je hlavním řešitelem projektu DigiDiaDem – Telemedicínské samovyšetření řeči a paměti pro rychlou detekci kognitivních poruch metodami strojového učení. Dlouhodobě se věnuje aplikované umělé inteligenci, nasazování modelů do praxe a spolupráci s průmyslovými partnery.

(2/5) Jakub Dandár & Daniel Kvak: Umělá inteligence v diagnostice: od vývoje k praxi

Vývoj zdravotnické AI není jen o kódu. V přednášce ukazujeme, jak ve společnosti Carebot vznikají systémy pro podporu diagnostiky – od prvního nápadu a definice produktu, přes práci s daty a trénink modelů, až po návrh a publikování robustních validačních studií. Zaměřujeme se na to, co je potřeba překonat v oblasti regulace a certifikace, aby se AI mohla dostat k pacientům. Přiblížíme, jak probíhá zavádění do klinické praxe, jak zajišťujeme její správné používání a jak reagujeme na zpětnou vazbu od lékařů. Naše zkušenosti ukazují, že cesta k funkční AI v medicíně je dlouhá, náročná, ale přináší skutečné výsledky.

Jakub Dandár: Lékař s klinickými zkušenostmi z radiologie. V Carebotu propojuje medicínský a vědecký pohled s vývojem AI. Zajišťuje dostupnost kvalitních dat, vede tým externích radiologů a konzultantů, podílí se na produktové definici, školení lékařů a designu validačních studií. Úzce spolupracuje s vývojovým, machine learning i obchodním oddělením při hledání nejlepších řešení pro přesnou detekci patologií.

Daniel Kvak: CTO a zakladatel společnosti Carebot. Vede vývoj AI nástrojů pro radiologii a onkologii – od práce s daty a tréninku modelů, přes produktovou definici a integraci do nemocničních systémů, až po regulační a bezpečnostní rámec. Pod jeho vedením se Carebot posunul z výzkumného projektu na medtech scale‑up nasazený ve stovkách nemocnic napříč střední a východní Evropou a spolupracuje s předními onkologickými centry i farmaceutickými společnostmi.

(3/5) Lukáš Peter: Od algoritmu k pacientovi

Na cestě od vývoje algoritmu až k jeho použití v běžné zdravotní péči o pacienta je potřeba probrat: (i) rizika AI ve zdravotnictví, (ii) přehled nutných procesů a činností při vývoji zdravotnického prostředku typu software, (iii) kategorizace/regulace softwaru s AI. Přitom je možno se inspirovat vybrané případy certifikovaných zdravotnických prostředků typu software s AI – vyvinutých v České republice.

Lukáš Peter působí mj. v: (i) Centru zdravotnického výzkumu Lékařské fakulty Ostravské univerzity, (ii) Laboratoři pro výzkum ve zdravotnictví a životním prostředí na Fakultě Materiálově-technologické Technické univerzity Ostrava, (iii) STIMVIA - společnosti zabývající se vývojem zdravotnických prostředků pro neuromodulační terapii.

(4/5) Ondřej Volný: Od algoritmu k pacientovi

Přednáška představuje praktické využití nástrojů umělé inteligence v české neurologii – od diagnostiky cévní mozkové příhody a analýzy neurozobrazovacích dat až po rehabilitaci po iktu. Ukazuje reálné klinické výsledky, výzvy implementace a přínosy AI pro péči o pacienty.

Ondřej Volný působí mj. na: Katedra klinických neurověd, Centrum zdravotnického výzkumu, Katedra umělé inteligence, digitalizace a inovativních technologií Lékařské fakulty Ostravské Univerzity. Ondřej Volný je také předsedou České společnosti pro umělou inteligenci a inovativní digitální technologie v medicíně ČLS JEP.

(5/5) Giovanni Montana: AI Systems that Learn by Doing: Autonomous Agents in Science and Medicine

Reinforcement learning (RL) provides a framework for building AI systems that learn through action — by trying, observing outcomes, and improving. Unlike supervised learning, where models are told the right answer, RL agents discover what works through the consequences of their decisions. This talk introduces the foundations of RL: Markov Decision Processes, value functions, and the Bellman equations. We trace the path from Policy Iteration — which requires a known model of the environment — to model-free methods that learn directly from experience. We compare Monte Carlo methods with Temporal Difference learning, and arrive at Q-learning for discovering optimal policies. We first illustrate these ideas with game-playing agents, where RL achieved superhuman performance through millions of simulated trials. We then ask: what happens when trial-and-error is dangerous, costly, or unethical? We introduce offline RL and imitation learning as principled approaches for these settings, illustrated through two applications in science and medicine: (1) the AI Clinician, which learns optimal sepsis treatment from historical ICU records, and (2) InterRetro, which learns to plan chemical synthesis routes through self-imitation. Together, these examples show how the "learning by doing" principle can be adapted even when real-world experimentation is infeasible.

Giovanni Montana je profesorem datové vědy na University of Warwick, kde působí na Department of Statistics, Warwick Manufacturing Group a zároveň pracuje pro Alan Turing Institute. Ve svém výzkumu se zaměřuje na strojové učení pro rozhodování v podmínkách nejistoty, zejména na hluboké posilované učení a jeho aplikace v digitálním zdravotnictví.

Odkaz		Datum	Dostupnost [?]	Klinicky citlivé [?]	Licence
(1/5) Luboš Šmídl: Strojové učení pod lupou: praktický úvod na příkladu screeningu kognitivních poruch		21.1.2026	kdokoli	–
(2/5) Jakub Dandár & Daniel Kvak: Umělá inteligence v diagnostice: od vývoje k praxi		21.1.2026	kdokoli	–
(3/5) Lukáš Peter: Od algoritmu k pacientovi		21.1.2026	kdokoli	–
(4/5) Ondřej Volný: Od algoritmu k pacientovi		21.1.2026	kdokoli	–
(5/5) Giovanni Montana: AI Systems that Learn by Doing: Autonomous Agents in Science and Medicine		21.1.2026	kdokoli	–

4-D hodnocení:

Skripta a návody	Edukační weby a atlasy	Digitální video	Prezentace a animace	Obrazový materiál – kasuistiky	E-learningové kurzy (LMS)	Nerecenzováno
Základní úroveň	Pokročilá úroveň	Specializační úroveň	Komplexní úroveň			Hodnocení Zvolte prosím dosaženou úroveň vzdělání a poté ohodnoťte výukový materiál především z hlediska vhodnosti materiálu pro samostudium. Student – student bakalářského nebo magisterského stupně Absolvent – absolvent bakalářského nebo magisterského stupně Ph.D. absolvent – postgraduální student, absolvent Ph.D. studia, odborný asistent, ... % Odeslat Ohodnoťte jako první tento článek! hodnotit
Tento příspěvek nebyl zkontrolován garantem obsahu portálu.

Předměty/kurzy

• AI bez hype a iluzí: principy, regulace a klinické use-casy [VLAI071]