关键词：
欢迎来到医学人工智能专业。如果你已经完成了深度学习专业化或机器学习课程，并且你正在寻找更深入掌握人工智能的应用领域，这是一个很好的专业化学习。
要想成为真正优秀的机器学习，最重要的事情之一就是练习将机器学习应用到多个用例中。
专业化将使你通过多个用例跨越到人工智能在医学中最重要的应用。例如：
- 给定一张胸部X光片的图像，那么非结构化的图像数据，你能训练一个神经网络来诊断病人是否患有肺炎吗？你要学会在这个专业中做到这一点。
- 给定结构数据，比如病人的实验室结果，你能训练一个决策树来估计心脏病发作的风险吗？你也要学会这样做。
通过处理这些具体问题，您还可以看到机器学习的许多实际方面，从如何处理不平衡的数据集到如何处理丢失的数据，再到选择正确的评估指标。
在机器学习中，我们通常默认分类精度作为衡量标准。但对于许多应用程序来说，这并不是正确的度量标准。
那么如何选择一个更合适的呢？即使你现在的工作不是医学，我认为你会发现应用场景和这些应用场景的实践非常有用，也许专业化会说服你对医学更感兴趣。
如果你对医学感兴趣，那么这是一门很好的专业课。医学人工智能正在世界范围内蓬勃发展。
所以这是一个很好的时机，你可以投入进来，尝试产生巨大的影响。你可以发明一些可以拯救病人生命的东西。我们开始吧。
我很高兴这个专业将由inaudible教授讲解，我（吴恩达）和他有幸合作了几年的人工智能医学研究。
这是一个三门课程的专业课程，
- 在第一门课程中，您学习了如何为诊断构建机器学习模型。
诊断就是鉴别疾病。在第一个课程中，你将构建一个算法，该算法将检查胸部X光片并确定它是否包含疾病。你还将构建另一种算法，它可以查看脑部核磁共振成像，并确定这些脑部核磁共振成像中肿瘤的位置。因此，第一个课程是诊断或识别疾病，
- 第二个课程是预测患者未来的健康状况，这就是所谓的预后。
在第二门课程中，您将学习如何使用结构化数据。比如说，你有一个病人的实验室值和他们的人口统计数据，然后用这些数据来预测一个事件的风险，比如他们的死亡风险或者心脏病发作的风险。
- 在第三节课中，你学习了人工智能的治疗方法。
也就是说，对于医疗过程和信息提取，从医学文本中获取信息。在课程2中，您将学习如何使用机器学习模型来估计特定治疗对患者的影响。您还将了解人工智能在文本中的应用，例如，回答问题和从放射报告中提取标签。
对于这门课和其他专业的课程，你不需要任何医学背景。不过，我建议你在选修本课程和其他专业课程之前，先满足三个先决条件。
- 首先，本课程假设你了解深度学习的基础知识。例如，您应该了解监督学习、卷积神经网络和损失函数的基本知识。
- 第二，能够用Python编写代码应该相当舒服，因为在这三门课程的作业中，您将使用Python处理数据并构建机器学习模型。
- 第三，课堂概念将假设一些概率知识。例如，当我们说给定B的概率时，你应该能够认识到这是一个条件概率。有了这三个先决条件，你就可以开始了。
接下来就进入第一课第一周的学习，你将学习如何构建和评估从医学图像中检测疾病的深度学习模型，主要包含以下内容：
- 第一周，你建立了一个深度学习模型，可以解释胸部X光片，从而对不同的疾病原因进行分类。
- 第二周，您将实施评估方法来评估模型的质量。
- 第三周，你将使用图像分割来确定核磁共振扫描中脑瘤的位置和边界。
本次解说完，欢迎继续阅读下一次内容~~
文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~
我是Tina, 我们下篇博客见~
白天工作晚上写文，呕心沥血
觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连
吴恩达-医学图像人工智能专项课程-第一课第一周11节总结(代码片段)
回顾一下医学图像深度学习面临的三个挑战三个挑战我们将讨论医学图像训练算法的三个关键挑战：类不平衡挑战、多任务挑战和数据集大小挑战。对于每一个挑战，我们将介绍一到两种应对方法。类别不平衡：可以... 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周13-15节-迁移学习+数据增强
回顾一下医学图像深度学习面临的三个挑战三个挑战我们将讨论医学图像训练算法的三个关键挑战：类不平衡挑战、多任务挑战和数据集大小挑战。对于每一个挑战，我们将介绍一到两种应对方法。类别不平衡：可以... 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周19-20节(代码片段)
让我们回顾一下上一节提出的医学图像创建数据集的三个挑战第一个挑战涉及到我们如何使这些测试集独立第二个挑战涉及我们如何对它们进行采样第三个挑战涉及我们如何设置groundtruth让我们来讨论第二个挑战：集合抽样... 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周4-5节总结(代码片段)
...了令人难以置信的成绩。然后我们将进入为医学影像构建人工智能模型的训练过程。最后ÿ 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周6-10节总结+作业解读(代码片段)
现在，您已经了解了深度学习在医学图像分类问题上的一些前沿应用。本文将介绍第一课第一周6-10节的内容。主要讲解构建一个分类模型去识别胸片的肿块。以及分类模型将面临的三个挑战：类不平衡挑战、多任务挑战... 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周12-13节多任挑战总结(代码片段)
前面我们已经学习了如何处理类别不平衡。这节课我们来探讨第二个挑战-多任务挑战目前为止，我们已经研究了二分类，我们关心的是一个例子是否是有mass疾病。然而，在现实世界中，我们关心的是对许多此类... 查看详情
吴恩达-医学图像人工智能专项课程-第一课第一周16-18节-如何确保数据集病人不重叠+作业解说(代码片段)
模型测试既然你已经了解了如何训练医学诊断模型，那么让我们来谈谈如何测试这样的模型。接下来你会学习如何测试这样的一个模型。您将学习如何正确使用训练、验证和测试集。以及为了评估你的模型需要强大的groundtrut... 查看详情
吴恩达-第一课第二周1-7节总结-医学深度学习模型的评估汇总(代码片段)
医学深度学习模型的评估汇总本周我们将深入探讨医学深度学习模型的评估。在医学上，由于决策具有很高的影响力，我们关心的是准确地了解模型何时对患者起作用，什么时候不起作用。您将学习一下指标，包... 查看详情
第一课第三周大作业--mri脑肿瘤自动分割教程(代码片段)
...1骰子相似系数4.2softdiceloss5创建模型5.1训练6评估作业文件吴恩达-医学图像AI专项课程-作业/第一课/第一 查看详情
吴恩达深度学习课程第一课—神经网络与深度学习—第一周练习
...网络和深度学习 第一周-深度学习简介 第1题“人工智能是新电力”这个比喻指的是什么？A.人工智能为我们的家庭和办公室的个人设备供电，类似于电力。B.通过“智能电网”，人工智能正在传递新一波的电... 查看详情
吴恩达-第一课第二周8-10节-什么是置信区间，有什么作用
在这节课中，我们将了解评估医学模型的另一个非常重要的方面，即报告我们的评估中的可变性。我们将研究如何使用置信区间来显示这种可变性。假设一家医院有5万名病人，我们想知道我们的胸部x光模型对每个人... 查看详情
第一课第一周大作业-胸部14种疾病分类-代码详解(代码片段)
...01;您将通过使用Keras构建最先进的胸部X射线分类器来探索医学图像诊断。你将学会一下内容：预处理真实世界的X射线数据集使用迁移学习重新训练DenseNet模型以进行X射线图像分类学习一种处理类别不平衡的技术 查看详情
吴恩达实验（神经网络和深度学习）第一课第三周，代码和数据集，亲测可运行
代码和数据集已上传到文件中应该可以直接下载吧（第一次上传文件，感觉是），解压后把文件夹拷贝到jupyter工作空间即可注：我对下载的代码的格式稍作了修改，原来定义函数与调用函数在两个单元格里，我直接运行他总给... 查看详情
第二课第一周1节-ai用于医学预后简介
第二门课程集中于医学预后（medicalprognosis）。预后是医学的一个分支，专门预测病人未来的健康状况。例如，根据病人的实验室结果，你能估计出未来5年内心脏病发作的风险吗？或是未来10年内死亡的风... 查看详情
第一课第三周1-2节-了解医学图像分割以及探索mri数据格式以及作业解读(代码片段)
本周将学习图像分割，图像分割在许多医学影像应用中起着至关重要的作用，例如组织大小的量化、疾病的定位和治疗计划。我们将重温您在过去两周学到的一些相同的想法，看看它们是如何扩展到图像分割的。在本... 查看详情
第二课第一周大作业--构建和评估一个线性风险模型(代码片段)
之前教程：第二课第一周第1节-AI用于医学预后简介第二课第一周第2节-做医学预后，你需要掌握什么？第二课第一周第3-4节-什么是预后?第二课第一周第4-7节医学预后案例欣赏+作业解析第二课第一周第8节风险得分... 查看详情
第二课第一周大作业--构建和评估一个线性风险模型(代码片段)
之前教程：第二课第一周第1节-AI用于医学预后简介第二课第一周第2节-做医学预后，你需要掌握什么？第二课第一周第3-4节-什么是预后?第二课第一周第4-7节医学预后案例欣赏+作业解析第二课第一周第8节风险得分... 查看详情
第二课第一周2节-做医学预后，你需要掌握什么？
...设计重点在于为你提供概念和实用工具。你需要成功地为医学建立机器学习模型。对于这门课程，你不需要任何深入学习方法的背景知识，也不需要任何医学背景。不过，在你上这门课之前，我建议你先满足三个... 查看详情