原站网页截图，页面可能随时间更新。
- 分类：在线课程
- 名称：Medical Decision Support Health Sciences and Technology MIT OpenCourseWare
- 来源：ocw.mit.edu
本课程面向研究生层次的学习者，聚焦如何把决策分析与人工智能方法用于医疗场景。学习内容从知识表示和决策方法延伸到预测模型构建、结果评估及实际应用中的利弊判断，适合希望理解医学数据分析与智能支持系统基本框架的读者。
从医疗问题理解决策分析
课程首先建立医疗决策支持的基本视角，讨论决策分析在医学应用中的作用。学习时可以关注：一个医疗问题如何转化为可分析的决策任务，以及不同方法如何影响实际系统的判断过程。课程强调方法在真实系统中的优势与不足，因此重点不只是掌握概念，也包括理解技术选择所带来的实际影响。
掌握知识型系统的两种表达
知识型系统是课程的重要技术内容，涵盖定性与定量方法。定性方法有助于表达医学知识、关系和判断结构，定量方法则用于处理可计算的数值信息。学习这部分时，建议先区分两类方法解决的问题，再理解它们如何服务于医疗决策支持，避免把知识系统简单等同于单一的预测算法。
进入预测模型与学习系统
课程介绍多种学习系统，包括逻辑回归、分类树和神经网络。它们代表了不同的预测建模思路，适合用来理解模型如何从数据中形成分类或预测结果。学习路径可以从逻辑回归入手，建立对预测关系的基本认识，再比较分类树的结构化判断方式与神经网络的学习机制，从而形成对模型类型差异的整体把握。
理解模型评估与应用边界
构建模型之后，课程进一步关注系统性能评估。评估并非附属环节，而是判断模型能否支持医疗应用的重要依据。学习时应把模型输出、性能衡量和实际使用场景联系起来，思考一个系统是否适合部署、可能在哪些条件下失效，以及准确性之外还需要如何权衡方法的优点和局限。
学习准备与实践方向
课程提供讲义以及带有示例的项目资源，学习者可以先通读课程主题，再结合项目材料理解应用型方法。若具备人工智能、机器学习、计算机科学或健康与医学相关背景，可能更容易衔接课程内容；若相关基础较少，则可优先补充决策分析、分类方法和模型评估的基本概念。学习过程中宜围绕医疗应用组织笔记，把方法、模型表现与实际系统限制放在同一条分析路径中。