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.

  Autorentext
  Tim Wiegand
  2017-2024: Studium der Humanmedizin an der Ludwig-Maximilians-Universität (LMU) in München
  Seit 2019: Forschung und Promotion zu KI-Anwendungen in der Medizin und zu Neurotraumatologie an der LMU und der Harvard Medical School
  Seit 2020: Mitgründer von OneAIM (Artificial Intelligence in Medicine), der deutschlandweit größten studentischen Arbeitsgruppe zu KI in der Medizin
  2017-2022: Mitgründer des Lehr-Start-Ups erimed

  Laura Velezmoro
  2018-2025: Studium der Humanmedizin an der LMU in München
  Seit 2021: Forschung und Promotion zu KI-Anwendungen in der Strahlentherapie und zu molekularer Onkologie an der LMU
  Seit 2021: Teamleitung und Vorstandsmitglied bei OneAIM
  2019-2023: Vorstandsmitglied der European University Alliance for Global Health (EUGLOH) und Mitglied der European Student Assembly

  Inhalt
  I Einführung und Hintergründe
  1 Geschichte der künstlichen Intelligenz
  2 Was ist künstliche Intelligenz und was kann sie?
  3 Künstliche Intelligenz im Gesundheitswesen
  4 Politische, juristische und ethische Aspekte des Einsatzes von künstlicher Intelligenz in der Medizin
  II Die wichtigsten Algorithmen der künstlichen Intelligenz
  5 Einführung in die Programmierung mit Python
  6 Daten und Modelloptimierung Teil 1
  7 Lineare Regressionen
  8 Logistische Regression
  9 Support Vector Machines (SVMs)
  10 Decision Trees und Random Forests
  11 Clustering
  12 Neuronale Netze
  13 Convolutional Neural Networks (CNNs)
  14 Graph Neural Networks (GNNs)
  15 Generative künstliche Intelligenz
  16 Daten und Modelloptimierung Teil 2