Mehr lesen
Hier werden die für die Medizin relevanten KI-Algorithmen nachvollziehbar erklärt: Grundlagen und typische Anwendungsbereiche, die Mathematik dahinter, Daten und Datentypen, Programmierung in Python inkl. Code-Beispielen sowie Erkennen und Vermeiden von Fehlern. Einsetzbar sowohl für Forschungsarbeiten als auch für die Anwendung und Entwicklung KI-basierter Tools im medizinischen Alltag.
Teil I - Einführung
Was sind künstliche Intelligenz, maschinelles Lernen bzw. Deep Learning? Wo und wie kommen sie in der Medizin zum Einsatz? Welche Möglichkeiten und Grenzen bieten die Algorithmen? Welche Risiken, ethischen und rechtlichen Aspekte sind zu bedenken?
Teil II - Die wichtigsten Algorithmen
Für welche Analysen eignen sie sich, welche Vor- und Nachteile haben sie? Welche mathematischen Formeln liegen den KI-Modellen zugrunde? Wie werden diese programmiert und trainiert? Wie erkennt und vermeidet man Fehler?
- Lineare Regressionen
- Logistische Regressionen
- Support Vector Machines (SVMs)
- Decision Trees und Random Forests
- Clustering
- Neuronale Netze (FCNNs)
- Convolutional Neural Networks (CNNs)
- Graph Neural Networks (GNNs)
- Generative künstliche Intelligenz
Daneben werden die nötigen Grundlagen zu Daten, Datentypen und zur Programmierung in Python erläutert, die Code-Beispiele sind als Download verfügbar.
Dieses Werk eignet sich für alle, die medizinische Daten z.B. im Rahmen einer Doktorarbeit eigenständig auswerten wollen oder die ein vertieftes Verständnis der Anwendung von KI-Algorithmen in der Medizin anstreben, um bestehende Tools gezielt einsetzen oder neue entwickeln zu können: Studierende der Medizin, Bioinformatik, Informatik, Data Science, Ingenieurwissenschaften, Betriebswirtschaftslehre und verwandter Fächer, sowie auch Forschende, Ärztinnen und Ärzte oder Unternehmerinnen und Unternehmer.
Inhaltsverzeichnis
I Einführung und Hintergründe
1 Geschichte der künstlichen Intelligenz
2 Was ist künstliche Intelligenz und was kann sie?
3 Künstliche Intelligenz im Gesundheitswesen
4 Politische, juristische und ethische Aspekte des Einsatzes von künstlicher Intelligenz in der Medizin
II Die wichtigsten Algorithmen der künstlichen Intelligenz
5 Einführung in die Programmierung mit Python
6 Daten und Modelloptimierung - Teil 1
7 Lineare Regressionen
8 Logistische Regression
9 Support Vector Machines (SVMs)
10 Decision Trees und Random Forests
11 Clustering
12 Neuronale Netze
13 Convolutional Neural Networks (CNNs)
14 Graph Neural Networks (GNNs)
15 Generative künstliche Intelligenz
16 Daten und Modelloptimierung - Teil 2
Über den Autor / die Autorin
Tim Wiegand
2017-2024: Studium der Humanmedizin an der Ludwig-Maximilians-Universität (LMU) in München
Seit 2019: Forschung und Promotion zu KI-Anwendungen in der Medizin und zu Neurotraumatologie an der LMU und der Harvard Medical School
Seit 2020: Mitgründer von OneAIM („Artificial Intelligence in Medicine“), der deutschlandweit größten studentischen Arbeitsgruppe zu KI in der Medizin
2017-2022: Mitgründer des Lehr-Start-Ups erimed
Laura Velezmoro
2018-2025: Studium der Humanmedizin an der LMU in München
Seit 2021: Forschung und Promotion zu KI-Anwendungen in der Strahlentherapie und zu molekularer Onkologie an der LMU
Seit 2021: Teamleitung und Vorstandsmitglied bei OneAIM
2019-2023: Vorstandsmitglied der European University Alliance for Global Health (EUGLOH) und Mitglied der European Student Assembly
Zusammenfassung
Hier werden die für die Medizin relevanten KI-Algorithmen nachvollziehbar erklärt: Grundlagen und typische Anwendungsbereiche, die Mathematik dahinter, Daten und Datentypen, Programmierung in Python inkl. Code-Beispielen sowie Erkennen und Vermeiden von Fehlern. Einsetzbar sowohl für Forschungsarbeiten als auch für die Anwendung und Entwicklung KI-basierter Tools im medizinischen Alltag.
Teil I - Einführung
Was sind künstliche Intelligenz, maschinelles Lernen bzw. Deep Learning? Wo und wie kommen sie in der Medizin zum Einsatz? Welche Möglichkeiten und Grenzen bieten die Algorithmen? Welche Risiken, ethischen und rechtlichen Aspekte sind zu bedenken?
Teil II - Die wichtigsten Algorithmen
Für welche Analysen eignen sie sich, welche Vor- und Nachteile haben sie? Welche mathematischen Formeln liegen den KI-Modellen zugrunde? Wie werden diese programmiert und trainiert? Wie erkennt und vermeidet man Fehler?
- Lineare Regressionen
- Logistische Regressionen
- Support Vector Machines (SVMs)
- Decision Trees und Random Forests
- Clustering
- Neuronale Netze (FCNNs)
- Convolutional Neural Networks (CNNs)
- Graph Neural Networks (GNNs)
- Generative künstliche Intelligenz
Daneben werden die nötigen Grundlagen zu Daten, Datentypen und zur Programmierung in Python erläutert, die Code-Beispiele sind als Download verfügbar.
Dieses Werk eignet sich für alle, die medizinische Daten z.B. im Rahmen einer Doktorarbeit eigenständig auswerten wollen oder die ein vertieftes Verständnis der Anwendung von KI-Algorithmen in der Medizin anstreben, um bestehende Tools gezielt einsetzen oder neue entwickeln zu können: Studierende der Medizin, Bioinformatik, Informatik, Data Science, Ingenieurwissenschaften, Betriebswirtschaftslehre und verwandter Fächer, sowie auch Forschende, Ärztinnen und Ärzte oder Unternehmerinnen und Unternehmer.
