Especialización en IA para Medicina

hasta 3 meses
Intermedio

La IA está transformando la práctica de la medicina. Esta especialización proporciona experiencia práctica en la aplicación del aprendizaje automático a problemas médicos, ayudando a los doctores a diagnosticar pacientes con mayor precisión, predecir resultados de salud futuros y recomendar mejores tratamientos.

Interpretación de modelos
Segmentación de imágenes
Extracción de lenguaje natural
Aprendizaje automático
Modelado de tiempo hasta el evento

Resumen

En esta especialización, aprenderás a diagnosticar enfermedades a partir de radiografías e imágenes cerebrales de resonancia magnética 3D, predecir tasas de supervivencia de pacientes utilizando modelos basados en árboles, estimar efectos de tratamientos utilizando datos de ensayos aleatorios y automatizar el etiquetado de conjuntos de datos médicos utilizando procesamiento de lenguaje natural. El curso cubre interpretación de modelos, segmentación de imágenes, extracción de lenguaje natural y más.

Online
ubicación del curso
Inglés
idioma del curso
Certificación Profesional
al completar el curso
A tu propio ritmo
formato del curso
Clases En vivo
entregado en línea

¿Para quién es este curso?

Profesionales Médicos

Doctores, enfermeras y otros proveedores de salud que buscan mejorar sus capacidades de diagnóstico y pronóstico utilizando IA.

Científicos de Datos

Individuos con experiencia en ciencia de datos que desean aplicar sus habilidades al campo médico.

Investigadores

Académicos e investigadores de la industria interesados en las últimas técnicas de IA para aplicaciones médicas.

Esta especialización ofrece beneficios clave como una mayor precisión diagnóstica, mejores predicciones de salud y recomendaciones de tratamiento mejoradas. Cubre técnicas esenciales de IA como la interpretación de modelos, la segmentación de imágenes y el procesamiento de lenguaje natural. Ideal para profesionales médicos, científicos de datos e investigadores, este curso te ayudará a avanzar en tu carrera aplicando IA a problemas médicos del mundo real.

Requisitos Previos

1 / 3

Comprensión básica de los conceptos de aprendizaje automático
Familiaridad con la programación en Python
Conocimiento de la terminología médica es útil pero no requerido

¿Qué aprenderás?

Curso 1: IA para Diagnóstico Médico

Aprende sobre las particularidades de trabajar con datos de imágenes médicas 2D y 3D para la clasificación multiclase y la segmentación de imágenes. Aplica estas técnicas para clasificar enfermedades en imágenes de rayos X y segmentar tumores en imágenes cerebrales de resonancia magnética 3D.

Semana 1

Introducción: Una conversación con Andrew Ng, Ejemplos de diagnóstico, Entrenamiento de modelos en radiografías de tórax, Entrenamiento, predicción y pérdida, Desbalance de clases, Función de pérdida de entropía cruzada binaria, Métodos de remuestreo, Pérdida multitarea, Aprendizaje por transferencia y aumento de datos, Pruebas de modelos

Semana 2

Introducción: Una conversación con Andrew Ng, Métricas de evaluación, Precisión en términos de probabilidad condicional, Sensibilidad, especificidad y prevalencia, Matriz de confusión, Curva ROC, Umbral (punto de operación), Intervalos de confianza, Ancho de intervalos de confianza y tamaño de muestra, Uso de una muestra para estimar la población

Semana 3

Introducción: Una conversación con Andrew Ng, Representación de datos de resonancia magnética, Registro de imágenes, Segmentación 2D y 3D, U-Net 3D, Aumento de datos para segmentación, Función de pérdida para segmentación de imágenes, Pérdida de dados suave, Validación externa, Datos retrospectivos vs. prospectivos, Trabajo con datos limpios vs. crudos, Medición de resultados de pacientes, Sesgo algorítmico, Influencia del modelo en la toma de decisiones médicas

Curso 2: IA para Pronóstico Médico

Explora múltiples ejemplos de tareas de pronóstico y utiliza árboles de decisión para modelar relaciones no lineales en datos médicos. Aprende a manejar datos faltantes y aplica estas técnicas para predecir tasas de mortalidad con mayor precisión.

Semana 1

Introducción: Una conversación con Andrew Ng, Ejemplos de tareas de pronóstico, Perfil del paciente a puntaje de riesgo, Puntaje de riesgo para fibrilación auricular, Mortalidad por enfermedad hepática, Calcular riesgo a 10 años de enfermedad cardíaca, Cálculo de puntaje de riesgo, Evaluación de modelos de pronóstico, Pares concordantes, Empates de riesgo, Pares permisibles, Interpretación del índice C

Semana 2

Árboles de decisión para pronóstico, Predicción de riesgo de mortalidad, División del espacio de entrada, Asociaciones no lineales, Límites de clase de un árbol de decisión, Bosque aleatorio, Métodos de conjunto, Datos de supervivencia, Problemas con la eliminación de filas incompletas, La eliminación de casos incompletos cambia la distribución, Imputación, Imputación media, Imputación por regresión

Semana 3

Función de supervivencia, Censura, Recolección de datos de tiempo, Datos de ataque cardíaco, Estimación de la función de supervivencia, Uso de datos censurados, Regla de la cadena de probabilidad condicional, Derivación, Cálculo de probabilidades a partir de los datos, Comparación de estimaciones, Estimación de Kaplan Meier

Semana 4

Funciones de riesgo, Supervivencia a riesgo, Riesgo acumulativo, Predicciones individualizadas, Riesgo individual vs. base, Fumador vs. no fumador, Efecto de la edad en el riesgo, Aumento o disminución del riesgo por factor, Árboles de supervivencia, Estimador de Nelson Aalen, Puntaje de mortalidad, Evaluación de modelos de supervivencia, Ejemplos de pares permisibles, Índice de concordancia de Harrell

Curso 3: IA para Tratamiento Médico

Estima los efectos del tratamiento utilizando datos de ensayos controlados aleatorios y aplica modelos basados en árboles. Aprende métodos de interpretación de aprendizaje automático y utiliza la extracción de entidades de lenguaje natural para automatizar el etiquetado de conjuntos de datos médicos.

Semana 1

Estimación del efecto del tratamiento, Ensayos controlados aleatorios, Reducción promedio del riesgo, Efecto del tratamiento individualizado, T-Learner y S-Learner, C-for-benefit

Semana 2

Extracción de información de informes médicos, Extracción de etiquetas basada en reglas, Coincidencia de texto, Detección de negación, Análisis de dependencias, Preguntas y respuestas con BERT

Semana 3

Interpretación de aprendizaje automático, Interpretar modelos CNN con GradCAM, Importancia de características agregadas e individuales, Importancia de permutación, Valores de Shapley, Interpretar modelos de bosque aleatorio

Conozca a sus instructores

Pranav Rajpurkar
Profesor Asistente de Informática Biomédica, Universidad de Harvard
El Dr. Rajpurkar es profesor asistente en la Universidad de Harvard, aplicando inteligencia artificial para revolucionar la atención médica. Su trabajo ha sido ampliamente publicado, reconocido y presentado en importantes medios de comunicación.
Amirhossein Kiani
Product Manager, Google
Amirhossein Kiani es un Product Manager formalmente nombrado en Google con sede en el Área de la Bahía de San Francisco. Actualmente trabaja en el proyecto Gemini in Workspace y recientemente estudió en DeepLearning.AI.
Bora Uyumazturk
Editor de Gráficos Multimedia, The New York Times
Bora Uyumazturk es instructor en DeepLearning.AI y anteriormente trabajó como editor de gráficos multimedia en The New York Times. Tiene una amplia experiencia en multimedia y gráficos.
Eddy Shyu
Gerente de Producto de Currículo, DeepLearning.AI
Eddy Shyu es un Gerente de Producto de Currículo en DeepLearning.AI. Diseñó y dirigió la creación de la Especialización en Aprendizaje Automático de Andrew Ng y otros 14 cursos de IA/ML, con más de 500,000 estudiantes únicos inscritos.

Próximos cohortes

Costo
Libre
Duración
3 meses
Fechas
comienza ahora
Ubicación
Online

Libre