Kurs für KI in der Medizin

Lektion 1 • Arten medizinischer KI-Aufgaben

Bietet einen Überblick über Klassifikations-, Regressions-, Segmentierungs- und Generierungsaufgaben in der Medizin. Hilft Lernenden, Aufgabentypen mit geeigneten Algorithmen zu verknüpfen.

Lektion 2 • Was ist medizinische KI?

Definiert KI, maschinelles Lernen und Deep Learning im klinischen Kontext. Schafft ein gemeinsames Vokabular für den gesamten Kurs.

Lektion 3 • Schlüsselakteure und Rollen

Bildet das Ökosystem aus Klinikern, Datenwissenschaftlern, Regulierungsbehörden und Patienten ab. Verdeutlicht die Verantwortlichkeiten für eine erfolgreiche KI-Bereitstellung.

Lektion 4 • Klinische Problemformulierung

Lehrt, wie man eine klinische Herausforderung in eine KI-Problemstellung übersetzt. Verbindet die Problemformulierung mit nachgelagerten Entscheidungen zum Modelldesign.

Lektion 1 • Datenqualitätsbewertung

Identifiziert Vollständigkeit, Genauigkeit, Konsistenz und Aktualität als Qualitätsdimensionen. Bereitet Lernende darauf vor, Datensätze vor dem Modelltraining zu prüfen.

Lektion 2 • Datenschutz, Sicherheit und Governance

Behandelt Grundsätze des Patientendatenschutzes und institutionelle Governance-Rahmenwerke. Verankert Lernende in verantwortungsvollen Praktiken der Datenverwaltung.

Lektion 3 • Datenstandards und Interoperabilität

Erklärt klinische Kodiersysteme und Standards für den Austausch von Gesundheitsdaten. Ermöglicht Lernenden den effektiven Umgang mit strukturierten klinischen Datensätzen.

Lektion 4 • Klinische Datenquellen und -typen

Behandelt EHR-Datensätze, Bildarchive, Genomik und Wearable-Datenströme. Zeigt die Breite der für medizinische KI-Projekte verfügbaren Daten auf.

Lektion 1 • Modelltraining und -optimierung

Behandelt Verlustfunktionen, Gradientenabstieg, Hyperparameter-Tuning und Kreuzvalidierung. Befähigt Lernende, robuste Modelle auf klinischen Datensätzen zu trainieren.

Lektion 2 • Unüberwachtes Lernen in der Medizin

Führt Clustering, Dimensionsreduktion und Anomalieerkennung für klinische Entdeckungen ein. Ermöglicht Lernenden, Muster ohne gelabelte Ergebnisse zu finden.

Lektion 3 • Bewertung klinischer ML-Modelle

Lehrt AUC-ROC, Precision-Recall, Kalibrierung und Net-Benefit-Analyse. Verbindet statistische Metriken mit klinisch bedeutsamen Leistungsschwellen.

Lektion 4 • Grundlagen des überwachten Lernens

Erklärt logistische Regression, Entscheidungsbäume und Support Vector Machines im klinischen Umfeld. Verbindet die Algorithmenwahl mit Anforderungen an Interpretierbarkeit und Leistung.

Lektion 1 • Medizinische Bildsegmentierung

Behandelt Encoder-Decoder-Netzwerke und Aufmerksamkeitsmechanismen zur Organ- und Läsionsabgrenzung. Bereitet Lernende darauf vor, Segmentierungs-Pipelines für klinische Arbeitsabläufe zu erstellen.

Lektion 2 • Bildgebungs-KI in verschiedenen Fachgebieten

Überblick über eingesetzte Bildgebungs-KI in Radiologie, Pathologie, Dermatologie und Ophthalmologie. Veranschaulicht, wie die Architekturauswahl je nach Bildgebungsmodalität variiert.

Lektion 3 • Vision Transformers in der Medizin

Führt Self-Attention und patchbasierte Bildverarbeitung für medizinische Aufgaben ein. Vergleicht die Transformer-Leistung mit CNNs anhand klinischer Bildgebungs-Benchmarks.

Lektion 4 • Faltungsneuronale Netze

Erläutert Faltung, Pooling und Merkmalskartenhierarchien für die Bildanalyse. Verbindet CNN-Designentscheidungen mit der Leistung in Radiologie und Pathologie.

Lektion 1 • Bewertung klinischer NLP-Systeme

Behandelt F1-Score, Exact Match, BLEU und Methoden der klinischen Expertenbewertung. Verbindet NLP-Metriken mit realen klinischen Nutzenbewertungen.

Lektion 2 • Transformer-Modelle für klinisches NLP

Erklärt BERT-ähnliches Pretraining und Fine-Tuning auf klinischen Korpora. Verbindet die Transformer-Architektur mit modernster klinischer NLP-Leistung.

Lektion 3 • Klinischer Text und NLP-Grundlagen

Behandelt Tokenisierung, Named Entity Recognition und die Struktur klinischer Notizen. Legt die NLP-Grundlagen fest, bevor gesundheitsspezifische Herausforderungen behandelt werden.

Lektion 4 • Informationsextraktion aus EHRs

Lehrt Relationsextraktion, temporales Schließen und Phänotypisierung aus klinischen Notizen. Befähigt Lernende, Freitext in strukturierte, KI-fähige Merkmale umzuwandeln.

Lektion 1 • Durchführung eines Fairness-Audits

Bietet einen strukturierten Arbeitsablauf für die Prüfung der Modellleistung in demografischen Untergruppen. Bereitet Lernende darauf vor, Audit-Ergebnisse zu dokumentieren und zu kommunizieren.

Lektion 2 • Fairness-Metriken und Definitionen

Erklärt demografische Parität, Equalized Odds und Kalibrierung über Untergruppen hinweg. Verdeutlicht Zielkonflikte zwischen konkurrierenden Fairness-Kriterien im klinischen Kontext.

Lektion 3 • Ethische Rahmenwerke für medizinische KI

Wendet Benefizienz, Non-Malefizienz, Autonomie und Gerechtigkeit auf KI-Deployment-Entscheidungen an. Verbindet bioethische Prinzipien mit praktischen KI-Governance-Entscheidungen.

Lektion 4 • Strategien zur Bias-Minderung

Behandelt Pre-Processing-, In-Processing- und Post-Processing-Debiasing-Techniken. Befähigt Lernende, Minderungsmethoden entsprechend klinischer Einschränkungen auszuwählen.

Lektion 1 • Datensatz- und Modelldokumentation

Behandelt Model Cards, Datasheets und Zweckbestimmungserklärungen für regulatorische Einreichungen. Lehrt Lernende, Dokumentation zu erstellen, die Prüfer zufriedenstellt.

Lektion 2 • Kontinuierliche Überwachung und Revalidierung

Behandelt Erkennung von Model-Drift, Leistungs-Dashboards und Auslöser für Neutraining. Verbindet laufende Überwachung mit Patientensicherheit und regulatorischer Konformität.

Lektion 3 • Evidenzstandards für klinische KI

Vergleicht retrospektive, prospektive und randomisierte Studiendesigns für die KI-Validierung. Legt die von Regulierungsbehörden und Klinikern erwartete Evidenzhierarchie fest.

Lektion 4 • Regulatorische Rahmenwerke für KI-Geräte

Erklärt die Klassifizierung von Software als Medizinprodukt, Risikostufen und Zulassungswege. Bereitet Lernende darauf vor, regulatorische Anforderungen ohne gerichtsspezifische Details zu navigieren.

Lektion 1 • Integration in den Arbeitsablauf – Design

Ordnet KI-Ergebnisse klinischen Entscheidungspunkten und EHR-Alarmsystemen zu. Stellt sicher, dass KI-Empfehlungen Kliniker zum richtigen Zeitpunkt in der Versorgung erreichen.

Lektion 2 • Änderungsmanagement und Akzeptanz

Wendet Prinzipien des Änderungsmanagements auf klinische KI-Rollouts und die Abschwächung von Widerständen an. Verbindet Strategien zur Mitarbeiterbindung mit nachhaltiger Tool-Akzeptanz.

Lektion 3 • Messung klinischer und betrieblicher Auswirkungen

Definiert Ergebnis-Metriken, die klinische Qualität, Effizienz und Patientenerfahrung umfassen. Befähigt Lernende, Business Cases zu erstellen und den Wert von KI zu berichten.

Lektion 4 • Skalierung und Aufrechterhaltung von KI-Programmen

Behandelt Governance-Strukturen, Infrastrukturskalierung und Portfoliomanagement für KI-Programme. Bereitet Lernende darauf vor, vom Pilotprojekt zur unternehmensweiten Bereitstellung zu wachsen.