【华信医学课程】AI赋能临床科研:Python【机器学习&深度学习】实战训练营

模块一

AI 智能体与多模态医学科研设计

ØAI Agent 在医学科研中的前沿应用与趋势

ØAgent 架构：ReAct / Plan-and-Execute / Multi-Agen

Ø多模态数据（影像+ 基因组 + 电子病历）整合研究设计

Ø科研选题策略：从临床问题到AI 解决方案

模块二

Python 编程基础与 AI 智能体工作流

ØPython 环境搭建（Anaconda / Jupyter / VS Code）

Ø数据处理核心语法实战

ØDataFrame 操作 · 缺失值处理 · 数据可视化

Ø医学统计图：Kaplan-Meier / 森林图

Ø个人科研AI 智能体

ØPrompt Engineering 医学场景优化

ØRAG 检索增强：医学知识库构建实战

Ø医学数据预处理与特征工程全流程

模块三

多模态医学数据挖掘实战

Ø医学影像分析：CNN / ViT / 3D U-Net 分割与分类

ØPyTorch 医学影像实战 · 数据增强 · 迁移学习

Ø影像组学（3D Slicer）全流程：分割 → 特征提取 → 建模

ØPyRadiomics 特征提取 · ICC 一致性检验

ØLASSO 特征筛选 · 影像组学标签构建

Ø基因组学与转录组学数据挖掘

Ø电子病历NLP：临床文本信息抽取与知识图谱

ØspaCy / BioBERT 临床实体识别

ØICD 编码自动分类 · 出院小结结构化

模块四

临床预测模型与智能决策系统

Ø机器学习预测模型：Logistic / Random Forest / XGBoost / LightGBM

ØSMOTE 不平衡数据处理 · 超参数贝叶斯优化

ØSHAP 可解释性分析 · 特征重要性排序

Ø深度学习临床预测：MLP / Transformer / 多模态融合

Ø生存分析：Cox 回归 · DeepSurv · 时间依赖 ROC

Ø模型评估与验证：交叉验证· 外部验证 · 决策曲线分析 (DCA)

ØAUC / C-index / NRI / IDI 综合评估

ØTRIPOD 声明合规检查 · 临床实用性评价

模块五

科研论文撰写与SCI 发表实战

Ø高分SCI 论文选题策略与创新点挖掘

Ø论文结构写作：IMRAD 框架 + AI 辅助写作工具

ØChatGPT / Claude 学术写作边界与合规

ØLaTeX / Word 排版与参考文献管理 (Zotero)

Ø图表制作规范：

ØPython 一键生成出版级图表

Ø期刊选择、投稿策略与审稿意见回复

ØCover Letter 撰写 · Response to Reviewers 模板

Ø从拒稿到接收：真实案例分析

模块六

从零搭建智能决策辅助系统

以脓毒症风险智能辅助决策系统为例，构建多模态数据驱动的智能体系统（机器学习）：

1）数据准备：结构化数据集、非结构化数据集清洗；

2）文本理解引擎 (ClinicalBERT):自动从文本中识别并提取出关键的医学实体;

3）精准预测引擎(AutoGluon):自动完成数据预处理、特征工程、模型选择、超参数调优和模型集成。一站式输出论文发表级别可视化图表。

4）知识引擎(RAG)：查阅最新的《脓毒症诊疗指南》、医院内部规范和药品说明书，确保建议有据可依。

5）决策引擎(百川医疗大模型)：作为“大脑”，综合上述所有信息，生成最终的辅助决策。

模块七

机器学习Machine Learning‌

‌临床预测模型实战

1）数据分析

1.1.数据质量校验

1.2.数据分布与趋势探查

2）数据清洗

2.1.数据融合、数据筛选、缺失值处理、数据矫正

2.2.结局变量提取、one-hot编码、数据合并

3）特征工程

3.1.RFE-SVM特征筛选、聚类算法、PCA、UMAP、岭回归与Lasso回归等

3.2.特征重要性：基于SHAP/eli5/LIME的模型可解释性分析等、自动化降维方法等

4）模型构建与评估

4.1.模型构建、超参数搜索运用

4.2.模型评估指标：Accuracy、Precision、F1 Score、ROC Curve、AUC、MSE、R-Squared等

4.3.集成学习与非集成学习模型构建与对比分析：Bagging、Boosting、HistGradientBoosting、CatBoost、XGBRF、XGBRF、LGBMC、DecisionTree、RandomForest、Logistic、SVC、MultiomialNB、BernoulliNB、GaussianNB、KNN等

5）机器学习生存模型框架实战

5.1.生存框架完整分析流程

5.2.模型性能评价、生存模型比较的AUC折线图表述、IBF折线图模型比较、特征选择、线性生存回归模型等

5.3.生存分析：KM分析、Log-Rank分析、COX分析等

5.4.深度学习生存框架分析

6）数据分析

6.1.类别比较图表、数据关系图表、数据分布图表

6.2.特征分析图、相关性分析

6.3.假设检验

临床案例实战：

1）融合乳腺癌生信数据、临床数据的生存预测（生存分析）

2）前列腺癌良恶性预测（分类问题）

3）糖尿病遗传风险预测（回归问题）

4）肺癌良恶性预测（分类问题）

5）基于机器学习的乳腺癌疾病风险预测

6）心脏病预测模型构建和模型可解释性分析

模块八

深度学习Deep Learning

医学图像分析中的应用实战

1）医学图像数据

1.1.常见医学图像数据

1.2.医学图像格式：DICOM、Analyze、NIfTI、Minc、JPEG

1.3.数据标注：软件3D Slicer

1.4.超声图像转为断层图像算法介绍

2）图像分类

2.1.损失函数 2.2.交叉熵损失 2.3.KL散度

2.4.评价指标：混淆矩阵、诊断性实验常用的评价指标、衡量模型性能的评价指标

3）语义分割

3.1.损失函数：Dice损失、Tversky损失、Boundary损失、混合损失

3.2.评价指标：IoU、Dice系数、Hausdorff

4）MRI图像检测

4.1. 损失函数：CIoU Loss、Focal Loss、Distribution Focal Loss（DFL）

4.2. 评价指标：mAP@0.5、mAP@0.5:0.95、Lesion-level Recall、FP/Slice、Localization Error（mm）

4.3. 部署约束：ONNX导出

5）本地部署大模型

5.1 大模型API接口调用

5.2 轻量级医疗大模型本地部署

临床案例实战：

1）3D医学图像分割实战

2）MedNIST 医学图像分类实战；

3）MRI（磁共振成像）影像肿瘤检测；

4）医疗大模型的本地部署

5）脑MRI病变自动分割与特征提取

6）糖尿病视网膜病变的无灌注区分割

7）肺结节自动检测与分割

8）肝癌的预后和治疗反应预测

辅助课程

1）学后交流、微信群、QQ群建立；

2）咨询、合作。

3）专业技术团队深入探讨。

4）个性化专业指导