深度学习在生物医学中的应用

第

一

天

深度学习方法概述

1、人工智能概述

2、机器学习方法概述

3、深度学习方法概述

4、Python语言基础

5、深度学习框架

（1）数据分析工具NumPy、Pandas

（2）可视化工具Matplotlib、Seaborn

（3）机器学习工具Sklearn

（4）基于线性回归的乳腺癌诊断

（5）随机森林在乳腺癌数据上的调参

医学数据预处理

1、数据清洗

2、数据分析

3、数据质量校验

4、数据分布与趋势探查

5、假设检验方法

6、特征工程

7、常见医学图像数据

8、医学图像处理方法

（1）数据融合、数据筛选、缺失值处理、数据矫正、One-hot编码、数据合并

（2）类别比较图表、数据关系图表、数据分布图表

（3）特征分析图、相关性分析图

（4）医学图像插值、重采样、信号强度直方图分析与均衡化

（5）医学图像数据归一化、连通域分析、形态学方法

（6）医学图像数据增强

深度学习基础

1、深度学习环境配置

2、图像标注工具

3、神经网络入门

4、卷积神经网络

5、经典卷积神经网络结构

6、VGG算法模型训练

7、ResNet算法模型训练

8、Transformer算法

9、Vision Transformer算法训练

10、迁移学习和预训练模型

11、深度学习模型评价方法

（Accuracy、Precision、F1 Score、ROC Curve、AUC、MSE、R-Squared、IoU）

（1）Cuda与Cudnn安装配置

（2）深度学习框架安装

（3）Labelme、LabelImg标注软件实践

（4）利用深度学习框架搭建深度学习算法

（5）超参数搜索运用

（5）结节分类（VGG）

（6）MINIST手写识别案例（ResNet）

（7）ViT医学图像分类

第

二

天

图像识别任务

1、图像分类

2、目标检测

3、实例分割

4、语义分割

（1）AI识虫（Yolo）

（2）细胞分割（U-Net）

（3）Deeplab图像分割

生存分析

1、生存分析概述

2、预后模型介绍

3、机器学习生存模型框架

4、深度学习生存框架分析

5、生存分析模型评价

（1）生存曲线绘制

（2）生存分析的特征选择

（3）Cox回归、Lasso回归实践

（4）生存模型的AUC折线图表述、IBF折线图比较

（5）KM分析、Log-Rank分析

AI在生物医学中的应用扩展

1、HMM在生物医学中的应用

2、CNN在基因组分析中的应用

3、RNN在基因组分析中的应用

4、深度学习在多组学的应用

（1）HMM在基因预测中的应用

（2）HMM识别蛋白质家族

（3）基于不同组学来源的数据深度学习预测算法构建与评估