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

Künstliche Intelligenz in der Medizin: Anwendungen, Algorithmen und Programmierung

Purchase options

Info / Buy

Institutional subscription on ScienceDirect

Request a sales quote

Hier 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 Gauß‘scher 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

Life Sciences

Physical Sciences & Engineering

Social Sciences & Humanities

Health

Künstliche Intelligenz in der Medizin: Anwendungen, Algorithmen und Programmierung

Für Studium, Forschung, Klinik und Wirtschaft

Purchase options

Institutional subscription on ScienceDirect

Related books