의료 AI 과정

1 수업 • 의료 분야 AI의 역사

의학 분야에서 초기 전문가 시스템부터 현대 신경망까지 AI의 주요 이정표를 추적합니다. 현재의 역량과 한계를 이해하기 위한 맥락을 제공합니다.

2 수업 • 인공지능이란 무엇인가

의료 사례와 함께 인공지능, 머신러닝, 딥러닝을 정의합니다. 공유 어휘를 확립하여 이후 장의 기초를 마련합니다.

3 수업 • 주요 AI 기법 개요

개념적 수준에서 지도 학습, 비지도 학습, 강화 학습을 소개합니다. 이후 장에서 더 심도 있는 기술적 내용을 다루기 위한 토대를 마련합니다.

4 수업 • 의료 데이터의 유형

임상 환경에서 생성되는 정형, 비정형, 다중 양식 데이터를 조사합니다. 학습자가 데이터 유형을 적절한 AI 방법에 연결할 수 있도록 준비시킵니다.

1 수업 • 데이터 전처리 기법

정규화, 인코딩, 대치를 원시 임상 데이터 세트에 적용합니다. 이후 모델링 장에서 필요한 분석 준비 입력을 생성합니다.

2 수업 • 데이터 프라이버시 및 보안

민감한 건강 데이터에 대한 비식별화, 암호화, 접근 제어를 다룹니다. 모든 AI 프로젝트의 핵심 원칙인 환자 프라이버시 준수를 보장합니다.

3 수업 • 데이터 품질 및 검증

결측값, 중복, 레이블 노이즈와 같은 일반적인 품질 문제를 식별합니다. 다운스트림 모델 오류를 방지하는 검증 전략을 가르칩니다.

4 수업 • 임상 데이터를 위한 특징 공학

원시 변수를 모델 성능을 향상시키는 정보성 특징으로 변환합니다. 데이터 준비와 다음에 소개될 머신러닝 방법을 연결합니다.

1 수업 • 모델 평가 및 검증

임상 지표와 교차 검증 전략을 사용하여 모델 성능을 측정합니다. 배포 전에 모델이 정확도 및 신뢰도 기준을 충족하는지 확인합니다.

2 수업 • 환자 계층화에서의 비지도 학습

군집화와 차원 축소를 적용하여 환자 하위 그룹을 발견합니다. 레이블이 지정된 데이터를 사용할 수 없는 표현형 분석 작업을 가능하게 합니다.

3 수업 • 불균형 임상 데이터 세트 처리

희귀 질환 및 이상반응 데이터 세트에서 흔한 클래스 불균형을 다룹니다. 재표본추출 및 비용에 민감한 방법을 적용하여 소수 클래스 탐지를 개선합니다.

4 수업 • 회귀 및 예후 모델링

재원 기간과 같은 연속적 결과를 예측하기 위해 회귀 기법을 사용합니다. 분류 기술을 정량적 임상 예측으로 확장합니다.

1 수업 • 신경망 기초

뉴런, 층, 활성화 함수, 역전파를 이해하기 쉬운 용어로 설명합니다. 이후의 모든 딥러닝 섹션에 이론적 기반을 제공합니다.

2 수업 • 영상 AI 성능 및 한계

방사선 지표를 사용하여 영상 모델을 평가하고 실패 모드를 식별합니다. 학습자가 임상 도입 전에 AI 도구를 비판적으로 평가할 수 있도록 준비시킵니다.

3 수업 • 전이 학습 및 사전 훈련 모델

대규모 데이터 세트에서 사전 훈련된 모델을 소규모 의료 영상 컬렉션에 적용합니다. 임상 AI 프로젝트의 훈련 시간과 데이터 요구 사항을 줄입니다.

4 수업 • 병리학 및 전제 스캔 이미지 분석

암 등급 및 검출을 위해 기가픽셀 병리 슬라이드에 딥러닝을 적용합니다. 디지털 병리학의 독특한 과제로 영상 기술을 확장합니다.

1 수업 • 텍스트 전처리 및 표현

원시 임상 텍스트를 모델링에 적합한 수치 표현으로 변환합니다. 원시 데이터를 이후 섹션에서 소개될 NLP 알고리즘에 연결합니다.

2 수업 • 임상 텍스트의 특성

약어와 부정을 포함한 의학 언어의 고유한 특징을 설명합니다. 이 장 전체에서 사용되는 특화된 NLP 접근 방식의 동기를 부여합니다.

3 수업 • 개체명 인식 및 추출

텍스트에서 진단명, 약물, 시술과 같은 임상 개체를 식별합니다. 비정형 임상 문서에서 구조화된 데이터 추출을 가능하게 합니다.

4 수업 • 의료 분야의 대규모 언어 모델

트랜스포머 기반 LLM을 임상 요약, 코딩, 질의응답 작업에 적용합니다. 의학 분야에서 가장 최신이고 영향력 있는 NLP 패러다임을 다룹니다.

1 수업 • 편향 완화 전략

전처리, 처리 중, 후처리 디바이어싱 기법을 구현합니다. 전반적인 정확도를 희생하지 않고 인구통계학적 그룹 간 성능 격차를 줄입니다.

2 수업 • 편향 탐지 및 감사

통계적 검정과 시각화 도구를 적용하여 상이한 모델 성능을 탐지합니다. 규제 및 기관 검토를 지원하는 감사 보고서를 생성합니다.

3 수업 • 의료 AI를 위한 윤리 체계

자선, 자율성, 정의, 악행 금지 원칙을 AI 설계 결정에 적용합니다. 기술적 공정성 작업을 더 넓은 전문적 및 기관 윤리에 연결합니다.

4 수업 • 의료 AI의 편향 출처

임상 환경에서 데이터 수집부터 모델 배포까지 편향의 기원을 추적합니다. AI 시스템이 가동되기 전에 공정성 분석이 필수적인 이유를 확립합니다.

1 수업 • AI 시스템의 시판 후 모니터링

배포 후 성능 저하를 탐지하기 위한 지속적인 모니터링 계획을 설계합니다. 실제 결과를 모델 업데이트에 연결하여 검증 주기를 마무리합니다.

2 수업 • AI 임상 검증 연구 설계

AI 시험을 위한 평가변수 선택, 표본 크기, 비교군 선택을 다룹니다. 과학적 및 규제 기준을 모두 충족하는 근거를 연구가 생성하도록 보장합니다.

3 수업 • 보고 기준 및 투명성

원고 및 규제 문서에 기존 AI 보고 지침을 적용합니다. 게재된 임상 AI 연구의 재현성과 신뢰성을 촉진합니다.

4 수업 • AI에 대한 임상 근거 수준

후향적 연구부터 무작위 시험까지 AI 검증 근거를 매핑합니다. 규제 기관과 임상의가 기대하는 근거 계층을 확립합니다.

1 수업 • AI 거버넌스 및 감독 구조

지속적인 AI 감독을 위한 위원회, 정책, 에스컬레이션 경로를 수립합니다. 책임 있는 AI 사용을 유지하는 데 필요한 기관 인프라를 구축합니다.

2 수업 • 임상 및 경제적 영향 측정

임상 결과 지표, 비용 분석, ROI 체계를 사용하여 AI 영향을 평가합니다. 리더십에 가치를 입증하고 AI 프로그램에 대한 지속적인 투자를 정당화합니다.

3 수업 • 임상 워크플로 분석 및 재설계

기존 워크플로를 매핑하여 통합 지점을 식별하고 AI 주변 프로세스를 재설계합니다. 주변 임상 단계를 적용하지 않고 AI를 배포하는 일반적인 실패를 방지합니다.

4 수업 • 변화 관리 및 임상의 채택

변화 관리 모델을 적용하여 저항을 극복하고 AI에 대한 임상의 신뢰를 구축합니다. 구현 성공 또는 실패를 가장 자주 결정하는 인적 요소를 다룹니다.