Tim Wiegand, Laura Velezmoro

Künstliche Intelligenz in der Medizin: Anwendungen, Algorithmen und Programmierung (eBook, ePUB)

Für Studium, Forschung, Klinik und Wirtschaft

• Format: ePub

Produktbeschreibung

Hier werden für die Medizin relevante KI-Modelle nachvollziehbar erklärt: Grundlagen und typische Anwendungsbereiche, mathematische Algorithmen, Daten und Datentypen, Programmierung in Python inkl. Programmcode sowie Erkennen und Vermeiden von Fehlern. Einsetzbar sowohl für wissenschaftliche Arbeiten als auch für KI-basierte Tools im medizinischen Alltag. Teil I - Einführung Was ist künstliche Intelligenz? Wo und wie kommt sie in der Medizin zum Einsatz? Welche Möglichkeiten und Grenzen bieten die Algorithmen? Welche Risiken gibt es, welche ethischen und rechtlichen Aspekte sind zu bedenken? Teil II - Die wichtigsten Algorithmen werden detailliert vorgestellt Für welche Art der Auswertung eignen sie sich? Welche mathematischen Modelle liegen zugrunde? Wie werden die Algorithmen programmiert und angepasst? Wie erkennt und vermeidet man fehlerhafte Auswertungen? - Lineare Regression - Logistische Regression - Support Vector Machines - Decision Trees - Clustering - Neuronale Netze - Convolutional Neural Networks (CNNs) - Graph Neural Networks (GNNs) - Generative künstliche IntelligenzDaneben werden die nötigen Grundlagen zu Daten, Datentypen und zur Programmierung in Python erläutert, der Python-Code ist als Download verfügbar. Dieses Werk eignet sich für alle, die medizinische Daten z.B. im Rahmen einer Promotionsarbeit selbst auswerten wollen oder die ein vertieftes Verständnis zur Anwendung von KI-Analysen in der Medizin anstreben, um bestehende Tools gezielt anwenden zu können oder um neue Anwendungen zu entwickeln: Medizinstudierende, aber auch Forschende, Ärztinnen und Ärzte oder Unternehmerinnen und Unternehmer. Hier werden für die Medizin relevante KI-Modelle nachvollziehbar erklärt: Grundlagen und typische Anwendungsbereiche, mathematische Algorithmen, Daten und Datentypen, Programmierung in Python inkl. Programmcode sowie Erkennen und Vermeiden von Fehlern. Einsetzbar sowohl für wissenschaftliche Arbeiten als auch für KI-basierte Tools im medizinischen Alltag.

---

Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, HR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.

Produktdetails

• Verlag: Elsevier Health Science
• Seitenzahl: 192
• Erscheinungstermin: 12. März 2025
• Deutsch
• ISBN-13: 9783437056369
• Artikelnr.: 73301020

Autorenporträt

Tim Wiegand 2017-2024: Studium der Humanmedizin an der Ludwig-Maximilians-Universität (LMU) in München Seit 2019: Forschung und Promotion zu KI-Anwendungen in der Medizin und zu Neurotraumatologie an der LMU und der Harvard Medical School Seit 2020: Mitgründer von OneAIM („Artificial Intelligence in Medicine“), der deutschlandweit größten studentischen Arbeitsgruppe zu KI in der Medizin 2017-2022: Mitgründer des Lehr-Start-Ups erimed Laura Velezmoro 2018-2025: Studium der Humanmedizin an der LMU in München Seit 2021: Forschung und Promotion zu KI-Anwendungen in der Strahlentherapie und zu molekularer Onkologie an der LMU Seit 2021: Teamleitung und Vorstandsmitglied bei OneAIM 2019-2023: Vorstandsmitglied der European University Alliance for Global Health (EUGLOH) und Mitglied der European Student Assembly

Inhaltsangabe

I Einführung und Hintergründe
1 Geschichte der künstlichen Intelligenz
2 Was ist künstliche Intelligenz und was kann sie?
3 Künstliche Intelligenz im Gesundheitswesen
4 Politische, juristische und ethische Aspekte des Einsatzes von künstlicher Intelligenz in der Medizin
II Die wichtigsten Algorithmen der künstlichen Intelligenz
5 Einführung in die Programmierung mit Python
6 Daten und Modelloptimierung - Teil 1
7 Lineare Regressionen
8 Logistische Regression
9 Support Vector Machines (SVMs)
10 Decision Trees und Random Forests
11 Clustering
12 Neuronale Netze
13 Convolutional Neural Networks (CNNs)
14 Graph Neural Networks (GNNs)
15 Generative künstliche Intelligenz
16 Daten und Modelloptimierung - Teil 2