原站网页截图，页面可能随时间更新。
- 分类：在线课程
- 名称：Medical Artificial Intelligence Health Sciences and Technology MIT OpenCourseWare
- 来源：ocw.mit.edu
这是一门面向研究生层次的医学人工智能课程，适合希望理解人工智能方法如何进入医学问题分析的人学习。课程将通用人工智能知识与医学场景结合，重点关注诊断、治疗决策、监测和数据库学习等任务，并通过课程讲授、习题、医学阅读与讨论逐步建立应用视角。
从人工智能基础进入医学问题
课程以人工智能为基础，学习内容与人工智能课程的讲授和习题课结合展开。学习者首先需要理解人工智能处理问题的一般思路，再将这些方法放入医学环境中考察。这样的安排有助于把抽象的算法概念与医学中的判断、选择和信息处理任务联系起来。
围绕四类医疗应用建立主线
课程的核心应用包括医疗诊断、治疗选择、患者监测，以及从数据库中学习。诊断部分关注如何利用人工智能辅助识别医学问题；治疗选择强调从可用信息出发支持方案判断；监测与数据库学习则将注意力扩展到持续观察和从大量记录中提取规律。学习时可将这四类任务视为相互衔接的应用主线，而不是彼此孤立的案例。
用医学专题阅读补充通用内容
除人工智能课程的共同教学内容外，课程还安排医学领域的补充阅读，并在每周讨论中围绕这些材料展开。阅读和讨论的作用，是帮助学习者理解通用人工智能方法面对医学数据、医学知识和临床任务时需要怎样的语境转换。若准备自学，可在掌握基础概念后同步阅读医学专题材料，并把讨论问题转化为对方法适用范围的分析。
通过作业与专题问题巩固方法
学习要求包含人工智能课程的全部作业，以及额外的问题和论文任务。作业部分适合用于检验对基础方法的掌握，附加问题和论文则可用于进一步分析人工智能在医学场景中的具体应用。准备学习时，应预留完成习题、阅读材料和书面分析的时间，并把每项任务与诊断、治疗选择、监测或数据库学习中的一个问题对应起来。
以医学诊断工具案例延伸理解
课程项目中，有学生围绕知识获取与维护原则，重构了面向一般内科的QMR/Internist I诊断咨询工具。这个案例体现了医学人工智能不仅涉及模型计算，也涉及医学知识如何组织、获取和持续维护。若具备相应基础，可将类似诊断工具作为延伸研究对象，重点观察知识表示、诊断推理与维护机制之间的关系。