讲师介绍：

小李，中科院博士，浙江大学医学院博士后，在医学影像与人工智能结合的交叉领域有丰富的研究、教学经验。

课程适合人群：

这门课面向 0 基础学员，因此我会用一定的篇幅讲解计算机语言、机器学习基础以及深度学习基本概念。如果你恰好使用过 Python，那再好不过。如果你会的计算机语言不是 Python，也会对这门课的学习有所帮助。即使你完全不会编程，只要你跟着课程一步一步做下来，我相信也可以取得想要的结果。

同时也请注意，本课程不会过多讨论浅层学习算法和模型的设计。因此掌握必要的机器学习基本知识对学习本课程非常有帮助，我们强烈建议报名学员具备一定的机器学习基础和实践经验。

课程设计理念与方法：

1. 面向外行人的通俗讲解 

这是一门主要面向医生、医学生的深度学习课程。因此，过多的数学理论介绍和公式推导是不合适的，整个课程设计中我都会注意这一点。并且课程的讲解 将延续小李一贯的“讲人话”风格。用最通俗易懂、有趣的方式传递知识和技能。 相信学过这门课程的学员，能够独立开展相关研究，完成论文写作或项目申请。 

2. 真实的医学应用案例

同时，既然是面向医务工作者的课程，那课程中所有内容的都应该具有在医 学领域应用可能性和价值。所以，本课程中所有方法、算法和模型的选择都有真 实的医学领域的应用案例，如选自医学文献或权威大赛等。课程上也会对这些实 际案例进行介绍。并且所有模型的选择都与医学人工智能领域专家进行过深入的 讨论，以保证其实用价值和未来潜力。

3. 从实践中来，到实践中去 

一门合格课程是让学习者掌握技能，能够进一步独立开展研究。为达到这一目的，我们坚持“实践出真知”的理念。在我们详细解析概念、过程和代码之后， 建议学员自己动手完成相应的实践任务。尽管课程代码是完全公开的，仍然建议 每位学员自己敲一敲键盘，实现目的。

4. 3 类数据，5 类应用，10 余种模型，N个医学领域应用 

本课程内容覆盖对三类数据深度学习: 

1、数值数据。如临床中各种检验结果，影像组学中提取出的特征值等;

2、文本数据。如病例报告;

3、图像数据。如对 CT、核磁共振、超声影像、PET、病理图像、内镜图像 等影像数据直接进行深度学习。

本课程将深入讲解深度学习算法在医学领域常见的 5 类应用: 

1、分类。如肿瘤良恶性二分类，肿瘤分级多分类等; 

2、回归。如对某项功能进行数值的预后; 

3、目标检测。如癌症检测识别等; 

4、感兴趣区自动分割。如病灶分割。 

5、深度特征提取。很多情形下，手工提取的影像组学特征(hand-craftedfeatures)并不能为我们提供足够充分和深入的信息以帮助我们完成任务，因 此有必要使用深度学习方法，提取深度特征。

本课程至少详解十余种深度学习算法模型原理和代码实现，并介绍这些模型在神经内科、神经外科、妇产科、内科、外科等多个医学领域和方向上已经发 表文章的应用成果。你可以继续在这些领域里应用这些算法，也可以将这些算法尝试应用于新的领域中，这本身也是一种创新。

本课程含纸质教材，下单后请将邮寄地址告知微信客服： hochzeitstorte

发票可开培训费、会议费、材料费等。