Künstliche Intelligenz in der Medizin: Anwendungen, Algorithmen und Programmierung
Für Studium, Forschung, Klinik und Wirtschaft
- 1st Edition - February 7, 2025
- Imprint: Urban & Fischer
- Authors: Tim Wiegand, Laura Velezmoro
- Language: German
- Paperback ISBN:9 7 8 - 3 - 4 3 7 - 4 1 2 0 8 - 0
- eBook ISBN:9 7 8 - 3 - 4 3 7 - 0 5 6 3 6 - 9
Hier werden die für die Medizin relevanten KI-Algorithmen nachvollziehbar erklärt: Grundlagen und typische Anwendungsbereiche, die Mathematik dahinter, Daten und Datentypen, Pr… Read more

Purchase options
Institutional subscription on ScienceDirect
Request a sales quoteHier werden die für die Medizin relevanten KI-Algorithmen nachvollziehbar erklärt: Grundlagen und typische Anwendungsbereiche, die Mathematik dahinter, Daten und Datentypen, Programmierung in Python inkl. Code-Beispielen sowie Erkennen und Vermeiden von Fehlern. Einsetzbar sowohl für Forschungsarbeiten als auch für die Anwendung und Entwicklung KI-basierter Tools im medizinischen Alltag.
Teil I - Einführung
Was sind künstliche Intelligenz, maschinelles Lernen bzw. Deep Learning? Wo und wie kommen sie in der Medizin zum Einsatz? Welche Möglichkeiten und Grenzen bieten die Algorithmen? Welche Risiken, ethischen und rechtlichen Aspekte sind zu bedenken?
Teil II - Die wichtigsten Algorithmen
Für welche Analysen eignen sie sich, welche Vor- und Nachteile haben sie? Welche mathematischen Formeln liegen den KI-Modellen zugrunde? Wie werden diese programmiert und trainiert? Wie erkennt und vermeidet man Fehler?
- Lineare Regressionen
- Logistische Regressionen
- Support Vector Machines (SVMs)
- Decision Trees und Random Forests
- Clustering
- Neuronale Netze (FCNNs)
- Convolutional Neural Networks (CNNs)
- Graph Neural Networks (GNNs)
- Generative künstliche Intelligenz
Daneben werden die nötigen Grundlagen zu Daten, Datentypen und zur Programmierung in Python erläutert, die Code-Beispiele sind als Download verfügbar.
Dieses Werk eignet sich für alle, die medizinische Daten z.B. im Rahmen einer Doktorarbeit eigenständig auswerten wollen oder die ein vertieftes Verständnis der Anwendung von KI-Algorithmen in der Medizin anstreben, um bestehende Tools gezielt einsetzen oder neue entwickeln zu können: Studierende der Medizin, Bioinformatik, Informatik, Data Science, Ingenieurwissenschaften, Betriebswirtschaftslehre und verwandter Fächer, sowie auch Forschende, Ärztinnen und Ärzte oder Unternehmerinnen und Unternehmer.
- Künstliche Intelligenz in der Medizin
- Cover
- Haupttitel
- Front matter
- Impressum
- Vorwort
- Danksagung
- Fünf Meinungen zum Einsatz von KI in der Medizin
- Benutzerhinweise
- Hinweis zu den Patientenfällen
- GitHub-Repository: Programmierbeispiele und Quiz
- Abkürzungen
- Abbildungsnachweis
- Fehler gefunden?
- Inhaltsverzeichnis
- I: Einführung und Hintergründe
- Kapitel 1 Geschichte der künstlichen Intelligenz
- 1.1 Algorithmen
- 1.2 Geburtsstunde der künstlichen Intelligenz
- 1.3 KI-Winter
- 1.4 Revolution der neuronalen Netze
- 1.5 Moderne Durchbrüche der KI
- 1.6 Hype oder Hope?
- References
- Kapitel 2 Was ist künstliche Intelligenz und was kann sie?
- 2.1 Künstliche Intelligenz, Machine Learning und Deep Learning
- 2.2 Supervised Learning, Unsupervised Learning und Reinforcement Learning
- 2.2.1 Supervised Learning
- 2.2.2 Unsupervised Learning
- 2.2.3 Reinforcement Learning
- 2.3 Narrow AI, General AI und Super AI
- 2.4 Klassifizierung, Clustering und Regression
- 2.4.1 Klassifizierung
- 2.4.2 Clustering
- 2.4.3 Regression
- References
- Kapitel 3 Künstliche Intelligenz im Gesundheitswesen
- 3.1 KI in der Forschung
- 3.1.1 KI in der Biomedizin
- 3.1.2 KI in der Medikamentenentwicklung
- 3.1.3 KI zur Optimierung klinischer Studien
- 3.2 KI in der Diagnostik
- 3.2.1 Heuristiken im klinischen Alltag
- 3.2.2 Datengetriebene Diagnostik
- 3.2.3 KI in der Bildgebung
- 3.3 KI in der Therapie
- 3.3.1 Präzisionsmedizin
- 3.3.2 KI im Operationssaal
- 3.3.3 KI im Stationsalltag
- 3.3.4 KI in der ambulanten Betreuung
- 3.3.5 Werden Ärzt*innen bald durch KI ersetzt?
- References
- Kapitel 4 Politische, juristische und ethische Aspekte des Einsatzes von künstlicher Intelligenz in der Medizin
- 4.1 Digitalisierung
- 4.1.1 Telematikinfrastruktur
- 4.1.2 Standardisierung der Datenerfassung, Datenübermittlung und Datenintegration
- 4.2 Datenschutz
- 4.3 Sicherheit
- 4.3.1 Medizinprodukteverordnung
- 4.3.2 KI-Verordnung (AI Act)
- 4.4 Haftung
- 4.4.1 Allgemeine Produkthaftung
- 4.4.2 Haftung bei KI-Systemen
- 4.4.3 Haftung bei Anwendung medizinischer KI-Systeme
- 4.5 Ethische Implikationen des Einsatzes von KI
- 4.5.1 Grundprinzipien der Medizinethik
- 4.5.2 Beziehungen zwischen Ärzt*innen, KI und Patient*innen
- 4.6 Zusammenfassung politischer, juristischer und ethischer Aspekte von KI in der Medizin
- References
- II: Die wichtigsten Algorithmen der künstlichen Intelligenz
- Kapitel 5 Einführung in die Programmierung mit Python
- 5.1 Wie kommuniziert man eigentlich mit einer Maschine?
- 5.2 Datentypen
- 5.3 Python
- 5.3.1 Installation
- 5.3.2 Befehle
- 5.4 Trouble Shooting
- 5.5 Wichtige Bibliotheken
- 5.6 Lösungen zu den Aufgaben
- Kapitel 6 Daten und Modelloptimierung – Teil 1
- 6.1 Dateiformate
- 6.2 Trainings-, Test-, Validierungsdaten
- 6.2.1 Trainingsdaten
- 6.2.2 Validierungsdaten
- 6.2.3 Testdaten
- 6.2.4 Aufteilung der Daten
- 6.3 Class Imbalance und Strategien dagegen
- 6.3.1 Class Imbalance
- 6.3.2 Strategien gegen Class Imbalance
- 6.4 Overfitting und Strategien dagegen
- 6.4.1 Overfitting
- 6.4.2 Strategien gegen Overfitting
- 6.5 Modellevaluation
- 6.5.1 Vier-Felder-Tafel, Sensitivität und Spezifität
- 6.5.2 ROC und AUROC
- 6.6 Transparenz und Replizierbarkeit
- 6.6.1 Terminologie
- 6.6.2 Mangelnde Replizierbarkeit
- 6.6.3 Initiativen zur Verbesserung
- 6.7 Erklärbarkeit (explainable AI)
- 6.8 Programmierung
- References
- Kapitel 7 Lineare Regressionen
- 7.1 Grundlagen und medizinische Anwendungen
- 7.1.1 Einfache lineare Regression
- 7.1.2 Multiple lineare Regression
- 7.2 Mathematische Grundlagen
- 7.2.1 Error, Mean Squared Error und Fehlerfunktion
- 7.2.2 Bestimmtheitsmaß
- 7.3 Vor- und Nachteile
- 7.3.1 Vorteile
- 7.3.2 Nachteile
- 7.4 Programmierung
- References
- Kapitel 8 Logistische Regression
- 8.1 Grundlagen und medizinische Anwendungen
- 8.1.1 Klassifizierung
- 8.1.2 Multiple logistische Regression
- 8.2 Mathematische Grundlagen
- 8.2.1 Sigma-Funktion
- 8.2.2 Logit, Odds und Maximum Likelihood Estimation
- 8.3 Vor- und Nachteile
- 8.3.1 Vorteile
- 8.3.2 Nachteile
- 8.4 Programmierung
- References
- Kapitel 9 Support Vector Machines (SVMs)
- 9.1 Grundlagen und medizinische Anwendungen
- 9.1.1 Klassifizierung
- 9.1.2 Regression
- 9.2 Mathematische Grundlagen
- 9.2.1 Support Vector Classifiers (SVCs)
- 9.2.2 Support Vector Regressions (SVRs)
- 9.3 Vor- und Nachteile
- 9.3.1 Vorteile
- 9.3.2 Nachteile
- 9.4 Programmierung
- References
- Kapitel 10 Decision Trees und Random Forests
- 10.1 Grundlagen und medizinische Anwendungen
- 10.1.1 Klassifizierung
- 10.1.2 Clustering
- 10.1.3 Regression
- 10.1.4 Variablenextraktion
- 10.2 Mathematische Grundlagen
- 10.2.1 Entscheidungsregeln
- 10.2.2 Informationstheorie und Entropie
- 10.2.3 Random Forests
- 10.3 Vor- und Nachteile
- 10.3.1 Vorteile
- 10.3.2 Nachteile
- 10.4 Programmierung
- References
- Kapitel 11 Clustering
- 11.1 Grundlagen und medizinische Anwendungen
- 11.1.1 Stratifizierung von Patient*innen
- 11.1.2 Medikamentenentwicklung
- 11.1.3 Bildsegmentierung
- 11.2 Mathematische Grundlagen
- 11.2.1 k-Means-Clustering
- 11.2.2 Hierarchisches Clustering
- 11.2.3 k-Means-Clustering vs. hierarchisches Clustering
- 11.3 Vor- und Nachteile
- 11.3.1 Vorteile
- 11.3.2 Nachteile
- 11.4 Programmierung
- References
- Kapitel 12 Neuronale Netze
- 12.1 Grundlagen und medizinische Anwendungen
- 12.1.1 Biologische und künstliche neuronale Netze
- 12.1.2 Klassifizierung
- 12.1.3 Regression
- 12.1.4 Clustering mit Autoencodern
- 12.2 Mathematische Grundlagen
- 12.2.1 Von vorne nach hinten – der Forward Pass
- 12.2.2 Von hinten nach vorne – der Backward Pass
- 12.3 Vor- und Nachteile
- 12.3.1 Vorteile
- 12.3.2 Nachteile
- 12.4 Programmierung
- References
- Kapitel 13 Convolutional Neural Networks (CNNs)
- 13.1 Grundlagen und medizinische Anwendungen
- 13.1.1 Klassifizierung
- 13.1.2 Regression
- 13.2 Mathematische Grundlagen
- 13.2.1 Forward Pass
- 13.2.2 Backward Pass
- 13.2.3 Filter für die Kantenerkennung
- 13.2.4 Segmentierung mit CNNs am Beispiel U-Net
- 13.3 Vor- und Nachteile
- 13.3.1 Vorteile
- 13.3.2 Nachteile
- 13.4 Programmierung
- References
- Kapitel 14 Graph Neural Networks (GNNs)
- 14.1 Grundlagen und medizinische Anwendungen
- 14.2 Mathematische Grundlagen
- 14.2.1 Matrix- und Vektorrepräsentationen von Graphen
- 14.2.2 Optimierung der Vektorrepräsentationen durch GNNs
- 14.2.3 GCNs in der Bildverarbeitung
- 14.3 Vor- und Nachteile
- 14.3.1 Vorteile
- 14.3.2 Nachteile
- 14.4 Programmierung
- References
- Kapitel 15 Generative künstliche Intelligenz
- 15.1 Generative vs. diskriminative Modelle
- 15.2 Naive Bayes-Klassifikatoren
- 15.2.1 Satz von Bayes
- 15.2.2 Einfacher naiver Bayes-Klassifikator
- 15.2.3 Multinomialer naiver Bayes-Klassifikator
- 15.2.4 Gauߑscher naiver Bayes-Klassifikator
- 15.3 Gemeinsame Wahrscheinlichkeit und Wahrscheinlichkeitsverteilung
- 15.4 Generative Adversarial Networks (GANs)
- 15.5 Modelle für sequenzielle Daten wie Sprache
- 15.5.1 Sprache in Zahlen
- 15.5.2 Recurrent Neural Networks (RNNs)
- 15.5.3 Long-Short-Term-Memory-Modelle
- 15.5.4 Transformer
- References
- Kapitel 16 Daten und Modelloptimierung – Teil 2
- 16.1 Variablenauswahl und Dimensionsreduktion
- 16.1.1 Variablenauswahl
- 16.1.2 Dimensionsreduktion mittels Principal Component Analysis (PCA)
- 16.2 Parameter-Initialisierung
- 16.3 Hyperparameter-Optimierung
- 16.4 Regulierung mittels Lasso, Ridge und ElasticNet
- 16.5 Programmierung
- References
- 17 Literatur
- 1 Quiz
- Register
- Edition: 1
- Published: February 7, 2025
- Imprint: Urban & Fischer
- No. of pages: 408
- Language: German
- Paperback ISBN: 9783437412080
- eBook ISBN: 9783437056369