Especialização em IA para Medicina

até 3 meses
Intermédio

A IA está transformando a prática da medicina. Esta Especialização oferece experiência prática na aplicação de aprendizado de máquina a problemas médicos, ajudando médicos a diagnosticar pacientes com mais precisão, prever resultados futuros de saúde e recomendar melhores tratamentos.

Interpretação de Modelos
Segmentação de Imagens
Extração de Linguagem Natural
Aprendizado de Máquina
Modelagem de Tempo-Até-Evento

Visão Geral

Nesta Especialização, você aprenderá a diagnosticar doenças a partir de raios-x e imagens cerebrais de ressonância magnética 3D, prever taxas de sobrevivência de pacientes usando modelos baseados em árvores, estimar efeitos de tratamentos usando dados de ensaios randomizados e automatizar a rotulagem de conjuntos de dados médicos usando processamento de linguagem natural. O curso abrange interpretação de modelos, segmentação de imagens, extração de linguagem natural e mais.

Online
localização do curso
Inglês
idioma do curso
Certificação Profissional
após a conclusão do curso
Ao seu próprio ritmo
formato do curso
Aulas Ao vivo
entregue online

Para quem é este curso?

Profissionais de Saúde

Médicos, enfermeiros e outros prestadores de cuidados de saúde que desejam aprimorar suas capacidades de diagnóstico e prognóstico usando IA.

Cientistas de Dados

Indivíduos com formação em ciência de dados que desejam aplicar suas habilidades no campo médico.

Pesquisadores

Acadêmicos e pesquisadores da indústria interessados nas mais recentes técnicas de IA para aplicações médicas.

Esta Especialização oferece benefícios chave, como maior precisão diagnóstica, melhores previsões de saúde e recomendações de tratamento aprimoradas. Cobre técnicas essenciais de IA, como interpretação de modelos, segmentação de imagens e processamento de linguagem natural. Ideal para profissionais de saúde, cientistas de dados e pesquisadores, este curso ajudará você a avançar na carreira aplicando IA a problemas médicos do mundo real.

Pré-Requisitos

1 / 3

Compreensão básica dos conceitos de aprendizado de máquina
Familiaridade com programação em Python
Conhecimento de terminologia médica é útil, mas não obrigatório

O que vai aprender?

Curso 1: IA para Diagnóstico Médico

Aprenda sobre as nuances de trabalhar com dados de imagem médica 2D e 3D para classificação multiclasse e segmentação de imagens. Aplique essas técnicas para classificar doenças em imagens de raios-x e segmentar tumores em imagens cerebrais de ressonância magnética 3D.

Semana 1

Introdução: Uma conversa com Andrew Ng, Exemplos de diagnóstico, Treinamento de modelo em raios-x de tórax, Treinamento, previsão e perda, Desequilíbrio de classes, Função de perda de entropia cruzada binária, Métodos de reamostragem, Perda multitarefa, Aprendizado por transferência e aumento de dados, Teste de modelo

Semana 2

Introdução: Uma conversa com Andrew Ng, Métricas de avaliação, Precisão em termos de probabilidade condicional, Sensibilidade, especificidade e prevalência, Matriz de confusão, Curva ROC, Limite (ponto de operação), Intervalos de confiança, Largura dos intervalos de confiança e tamanho da amostra, Usando uma amostra para estimar a população

Semana 3

Introdução: Uma conversa com Andrew Ng, Representação de dados de ressonância magnética, Registro de imagem, Segmentação 2D e 3D, 3D U-Net, Aumento de dados para segmentação, Função de perda para segmentação de imagens, Perda de dados suaves, Validação externa, Dados retrospectivos vs. prospectivos, Trabalhando com dados limpos vs. brutos, Medindo resultados dos pacientes, Viés algorítmico, Influência do modelo na tomada de decisão médica

Curso 2: IA para Prognóstico Médico

Explore múltiplos exemplos de tarefas prognósticas e use árvores de decisão para modelar relações não lineares em dados médicos. Aprenda a lidar com dados ausentes e aplique essas técnicas para prever taxas de mortalidade com mais precisão.

Semana 1

Introdução: Uma conversa com Andrew Ng, Exemplos de tarefas prognósticas, Perfil do paciente para pontuação de risco, Pontuação de risco para fibrilação atrial, Mortalidade por doença hepática, Calcular risco de 10 anos de doença cardíaca, Cálculo da pontuação de risco, Avaliando modelos prognósticos, Pares concordantes, Empates de risco, Pares permissíveis, Interpretação do índice C

Semana 2

Árvores de decisão para prognóstico, Prevendo risco de mortalidade, Dividindo o espaço de entrada, Associações não lineares, Limites de classe de uma árvore de decisão, Floresta aleatória, Métodos de conjunto, Dados de sobrevivência, Problemas com a exclusão de linhas incompletas, Exclusão de caso incompleto altera a distribuição, Imputação, Imputação média, Imputação por regressão

Semana 3

Função de sobrevivência, Censura, Coleta de dados de tempo, Dados de ataque cardíaco, Estimando a função de sobrevivência, Usando dados censurados, Regra da cadeia de probabilidade condicional, Derivação, Calculando probabilidades a partir dos dados, Comparando estimativas, Estimativa de Kaplan Meier

Semana 4

Funções de risco, Sobrevivência para risco, Risco cumulativo, Previsões individualizadas, Risco individual vs. base, Fumante vs. não fumante, Efeito da idade no risco, Aumento ou diminuição do risco de fator, Árvores de sobrevivência, Estimador de Nelson Aalen, Pontuação de mortalidade, Avaliando modelos de sobrevivência, Exemplos de pares permissíveis, Índice de concordância de Harrell

Curso 3: IA para Tratamento Médico

Estime os efeitos do tratamento usando dados de ensaios clínicos randomizados e aplique modelos baseados em árvores. Aprenda métodos de interpretação de aprendizado de máquina e use extração de entidade de linguagem natural para automatizar a rotulagem de conjuntos de dados médicos.

Semana 1

Estimativa de efeito de tratamento, Ensaios clínicos randomizados, Redução média de risco, Efeito de tratamento individualizado, T-Learner e S-Learner, C-for-benefit

Semana 2

Extração de informações de relatórios médicos, Extração de rótulos baseada em regras, Correspondência de texto, Detecção de negação, Análise de dependência, Perguntas e Respostas com BERT

Semana 3

Interpretação de Aprendizado de Máquina, Interpretar modelos CNN com GradCAM, Importância de características agregadas e individuais, Importância por permutação, Valores de Shapley, Interpretar modelos de floresta aleatória

Conheça seus instrutores

Pranav Rajpurkar
Professor Assistente de Informática Biomédica, Universidade de Harvard
Dr. Rajpurkar é Professor Assistente na Universidade de Harvard, aplicando inteligência artificial para revolucionar a saúde. Seu trabalho foi amplamente publicado, reconhecido e apresentado em importantes veículos de comunicação.
Amirhossein Kiani
Gerente de Produto, Google
Amirhossein Kiani é um Gerente de Produto formalmente nomeado no Google, com sede na área da Baía de São Francisco. Atualmente, ele trabalha no projeto Gemini in Workspace e recentemente estudou na DeepLearning.AI.
Bora Uyumazturk
Editor de Multimídia Gráfica, The New York Times
Bora Uyumazturk é instrutor na DeepLearning.AI e já trabalhou como Editor de Multimídia Gráfica no The New York Times. Ele possui vasta experiência em multimídia e gráficos.
Eddy Shyu
Gerente de Produto de Currículo, DeepLearning.AI
Eddy Shyu é Gerente de Produto de Currículo na DeepLearning.AI. Ele projetou e liderou a criação da Especialização em Machine Learning de Andrew Ng e outros 14 cursos de IA/ML, com mais de 500.000 alunos únicos inscritos.

Próximas turmas

Custo
Gratuito
Duração
3 meses
Datas
comece agora
Localização
Online

Gratuito