培训对象：
适合具备Python编程基础和基本机器学习概念，希望在医疗健康领域深入应用AI技术的临床医生、医学研究人员、医疗信息化从业者、AI算法工程师及生物医学工程相关专业学生。
培训目标：
完成本课程后，学员将能够深入理解医疗人工智能的核心技术体系与应用场景，掌握医学数据的特点与处理方法，熟悉医学影像分析、药物研发、临床决策支持、可穿戴设备数据分析等典型应用的技术实现路径，了解医疗AI产品的研发流程、验证评价与伦理法规，具备跨界协作能力和独立开展医疗AI应用项目的能力。
培训内容：
（1）医疗人工智能概论与技术基础：了解人工智能在医疗健康领域的发展历程、核心价值与应用全景。掌握人工智能、机器学习、深度学习的基本思想与方法工具。学习AI医疗实践的环境准备、软件安装调试，理解数据、模型、算力作为“AI三要素”的核心作用。
（2）Python编程与医学数据处理入门：掌握Python基本语法、数据结构（列表、元组、字典）和控制语句。学习文件读写操作、函数与库的使用（统计、绘图）。结合医药健康数据进行应用示范练习，了解医学数据的特点（多模态、高维、小样本、异构性）和数据准备知识。
（3）机器学习理论基础与医学应用：系统学习机器学习理论与方法，包括监督学习、无监督学习、集成学习等。掌握机器学习算法在医疗数据上的建模流程和模型评价方法。了解可解释机器学习（XAI）在医学中的重要性，学习SHAP、LIME等方法量化特征贡献，使AI成为可信的生物医学研究发现工具。
（4）深度学习理论与医学图像处理：理解深度学习技术简介与图像处理入门知识。掌握卷积神经网络（CNN）的算法原理、网络架构与主流深度学习框架。学习深度学习中的梯度下降、损失函数、激活函数、优化器和反向传播算法等核心知识。了解深度学习在医学图像识别中的应用，包括病灶检测、图像分割、疾病分类等。
（5）TensorFlow与医学图像识别实战：掌握TensorFlow入门与基础语言，学习损失函数、梯度下降法和优化器构建。使用TensorFlow可视化工具进行模型调试。实战医学图像中的机器读片实现，完成基于深度学习的医学图像分类或检测任务（如肺结节检测、眼底图像分析）。
（6）GPU高性能计算与模型训练加速：掌握高性能计算理论基础和Linux常用命令操作。学习GPU加速技术原理，配置tensorflow-gpu环境进行高效模型训练。了解多GPU训练、混合精度训练等优化技术，提升医疗AI模型的训练效率。
（7）自然语言处理与医疗文本挖掘：掌握自然语言处理的核心技术，包括分词、词嵌入、序列建模等。学习医疗文本数据的处理方法（电子病历、医学文献、临床报告）。实现医疗文本分类、实体识别、关系抽取等任务，了解Text2SQL技术在医疗数据查询中的应用。
（8）大语言模型与医疗应用实践：了解GPT等大语言模型的发展历程、技术架构及医疗大模型现状。掌握领域大模型预训练与微调技术、检索增强生成（RAG）的原理与实现。学习Agentic Workflow、大模型推理与强化学习在医疗场景中的应用，构建智能医疗问答系统或临床决策支持工具。
（9）医学影像AI与多模态学习：深入理解医学影像AI的核心技术，包括X光、CT、MRI、超声等不同模态的图像处理特点。学习多模态数据融合技术（影像+文本+基因组学）在疾病诊断中的应用。了解心电大模型等前沿技术，实现基于心电等多源生理信号的疾病预测。
（10）AI药物研发与医学基础研究：系统学习AI在药物研发全链条中的应用，包括药物靶点发现、分子生成、ADMET性质预测、虚拟筛选等。了解基于深度学习的药效预测系统（如DLEPS）原理，通过基因标志物预测药物响应。掌握统计遗传学、多组学数据与AI技术融合解析人类复杂疾病的方法。
（11）可穿戴设备与智能健康管理：学习智能可穿戴设备的数据采集与处理方法，包括心电、血压、血氧、运动等多源生理信号的分析技术。了解AI家庭医生体系的构建，实现慢病居家管理与院外急性疾病预警。掌握基于可穿戴设备的全场景健康管理方案设计与实现。
（12）综合项目实战：医疗AI应用系统开发：结合所学知识，完成一个完整的医疗AI项目（如疾病辅助诊断系统、智能导诊机器人、药物虚拟筛选平台、可穿戴健康监测系统等）。涵盖需求分析、数据采集与标注、模型选型与训练、系统集成、效果验证和伦理合规的全流程，形成规范的医疗AI应用项目报告。
