Dieses Modul konzentriert sich auf Deep-Learning-Ansätze für die medizinische Bildgebung und beleuchtet dabei klinische Anwendungsfälle aus den Bereichen Radiologie, Pathologie, Pneumologie und anderen Fachgebieten. Zu Beginn befassen Sie sich mit gängigen Bildgebungsverfahren und den Anforderungen an die Vorverarbeitung, die konsistente und aussagekräftige Eingabedaten für die Modellierung gewährleisten. Anschließend lernen Sie konvolutionelle neuronale Netze kennen und erfahren, wie räumliche Hierarchien und rezeptive Felder es Deep-Learning-Modellen ermöglichen, subtile klinische Muster in Röntgenaufnahmen, CT-Scans und anderen bildgebenden Untersuchungen zu erkennen. Sie werden moderne Architekturen untersuchen, die in klinischen KI-Systemen weit verbreitet sind, darunter Residual-Netzwerke und Segmentierungsmodelle. Darüber hinaus lernen Sie fortgeschrittene Bildgebungsaufgaben wie Lokalisierung, Erkennung und Segmentierung kennen, ebenso wie Techniken zur Erklärbarkeit, die Klinikern Einblicke in die Entscheidungsfindung dieser Modelle geben. In praktischen Übungen wenden Sie diese Methoden direkt auf Bilddaten an und bewerten deren klinische Relevanz.

Klinische Notizen enthalten umfangreiche Kontextinformationen, die in den strukturierten Feldern der elektronischen Patientenakte nicht erfasst sind. Dieses Modul befasst sich mit Methoden zur Sinnextraktion aus unstrukturierten klinischen Texten, beginnend mit auf die medizinische Sprache zugeschnittenen Vorverarbeitungsverfahren, wie beispielsweise dem Umgang mit Abkürzungen, Rechtschreibfehlern und geschützten Gesundheitsdaten. Sie werden klassische und moderne Darstellungstechniken untersuchen, darunter Methoden zur Termhäufigkeit, Embeddings und Transformer-basierte Darstellungen. Anschließend widmet sich das Modul fortgeschrittenen NLP-Anwendungen, darunter Entitätsextraktion, Konzeptverknüpfung, Zusammenfassung und die Entwicklung klinischer Dialogagenten. Besonderes Augenmerk wird auf den sicheren und verantwortungsvollen Einsatz großer Sprachmodelle in regulierten Umgebungen gelegt. Sie lernen, wie man Klassifizierungs- und Extraktionsmodelle erstellt und sichere Prompting-Strategien für das Verhalten einfacher klinischer Chatbots entwirft.

Das abschließende Modul fasst die im Laufe des Kurses behandelten fortgeschrittenen Analysetechniken zusammen. Sie werden ein binäres Modell zur Krankheitsvorhersage unter Verwendung strukturierter klinischer Daten erstellen und bewerten. Sie werden zwei verschiedene Modellierungsansätze umsetzen und vergleichen, um zu verstehen, wie die Wahl des Modells und dessen Komplexität die Vorhersageergebnisse für denselben klinischen Datensatz beeinflussen. Der Kurs endet mit einer Zusammenfassung und einer Abschlussprüfung, in der diese fortgeschrittenen Methoden mit umfassenderen KI-Initiativen im Gesundheitswesen in Verbindung gebracht werden.