Dieser Kurs ist Teil der Spezialisierung Spezialisierung Informed Clinical Decision Making using Deep Learning

Fani Deligianni

von

Spezialisierung Informed Clinical Decision Making using Deep LearningUniversity of Glasgow

Über diesen Kurs

1.942 kürzliche Aufrufe

Overview of the main principles of Deep Learning along with common architectures. Formulate the problem for time-series classification and apply it to vital signals such as ECG. Applying this methods in Electronic Health Records is challenging due to the missing values and the heterogeneity in EHR, which include both continuous, ordinal and categorical variables. Subsequently, explore imputation techniques and different encoding strategies to address these issues. Apply these approaches to formulate clinical prediction benchmarks derived from information available in MIMIC-III database.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Kurs 2 von 5 in

Spezialisierung Informed Clinical Decision Making using Deep Learning

Stufe „Mittel“

Python programming and experience with scientific packages such as numpy, scipy and matplotlib.

Ca. 31 Stunden zum Abschließen

Englisch

Was Sie lernen werden

Train deep learning architectures such as Multi-layer perceptron, Convolutional Neural Networks and Recurrent Neural Networks for classification
Validate and compare different machine learning algorithms
Preprocess Electronic Health Records and represent them as time-series data
Imputation strategies and data encodings

Kompetenzen, die Sie erwerben

preprocessing of EHR and imputation
Convolutional Neural Network
deep learning and validation
Recurrent Neural Network
data encodings and autoencoders

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Kurs 2 von 5 in

Spezialisierung Informed Clinical Decision Making using Deep Learning

Stufe „Mittel“

Python programming and experience with scientific packages such as numpy, scipy and matplotlib.

Ca. 31 Stunden zum Abschließen

Englisch

Dozent

Fani Deligianni

School of Computing Science

1.896 Lernende

5 Kurse

von

University of Glasgow

The University of Glasgow has been changing the world since 1451. It is a world top 100 university (THE, QS) with one of the largest research bases in the UK.

We are a member of the prestigious Russell Group of leading UK Universities with annual research income of more than £179m. The University’s #TeamUofG community is truly international with over 8000 staff and 28,0000 students from more than 140 countries. A 2019 Time Out survey placed Glasgow in the top ten cities in the world. Ranked between Berlin and Paris, Glasgow was voted number one for both friendliness and affordability. Right now our dedicated community of staff, students and alumni is working to address the challenges of Covid-19 and understand how we can make life safer for everyone.

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche1

Woche 1

6 Stunden zum Abschließen

Artificial Intelligence and Multi-Layer Perceptron

6 Stunden zum Abschließen

7 Videos (Gesamt 62 min), 5 Lektüren, 1 Quiz

7 Videos

Welcome Video - Deep Learning in Electronic Health Records56Deep Learning and Artificial Intelligence17mMulti-Layer Perceptron9mTraining a Multi-Layer Perceptron8mOptimization of a Multi-Layer Perceptron (Part 1)9mOptimization of a Mutli-Layer Perceptrion (Part 2)10mPreprocessing of ECG Signal6m

5 Lektüren

Artificial Intelligence30mDeep Learning for Health Informatics30mPractical Exercise: Pre-process ECG data for arrythmia detection1hPractical Exercise: Split and resample ECG data1hPractical Exercise: Classify beats using MLP and SVC models and the holdout beats validation protocol1h

1 praktische Übung

Week 1 summary quiz30m

Woche2

Woche 2

8 Stunden zum Abschließen

Convolutional and Recurrent Neural Networks.

Convolutional Neural Networks (CNNs) revolutionised the way we process images and they contributed significantly in deep learning success. This week we are going to discuss what advantages CNNs offer over MLP and we will implement CNNs for time-series classifications. Subsequently, we are going to present Recurrent Neural Networks (RNNs). In particular, we are going to discuss Long-Short Term Memory Networks and Gated Recurrent Unit Networks. Practical exercises will allow to design and train all these types of networks in ECG classification. The importance of training, validation and testing datasets will be emphasised for avoiding overfitting and model evaluation.

8 Stunden zum Abschließen

3 Videos (Gesamt 64 min), 6 Lektüren, 1 Quiz

3 Videos

Validation of Machine Learning Models25mConvolutional Neural Networks19mRecurrent Neural Networks19m

6 Lektüren

Evaluating Learning Algorithms: A1hPractical Exercise: Classify beats using MLP and SVC models and the leave out patients validation protocol1hPractical Exercise: Classify beats using a CNN and the beat holdout validation protocol1hPractical Exercise: Classify beats using a CNN and the leave-out patients validation protocol30mPractical Exercise: Classify beats using an LSTM and the beat holdout validation protocol1hPractical Exercise: Classify beats using an LSTM and the leave-out patients validation protocol45m

1 praktische Übung

End of week 2 quiz30m

Woche3

Woche 3

10 Stunden zum Abschließen

Preprocessing and imputation of MIMIC III data

Developing benchmark datasets for DNNs based on MIMIC-III database involves several steps that include cohort selection, unit conversion, outlier removal and aggregation of data within time windows. The later step allows to represent EHR as time-series data but it is also susceptible to missing data. For this reason imputation strategies both based on traditional and deep learning techniques are presented. The learner will have the opportunity to preprocess EHR and train deep learning models in predicting in-hospital mortality.

10 Stunden zum Abschließen

4 Videos (Gesamt 65 min), 8 Lektüren, 1 Quiz

4 Videos

Benchmark Deep Learning Models with EHR - Part 114mBenchmark Deep Learning Models with EHR - Part 217mImputation Strategies13mDeep Learning Imputation Strategies19m

8 Lektüren

A Data Extraction and Representation Pipeline1hPractical Exercise: Patients and time-series data extraction of MIMIC-III1hCreation of Benchmark data for DNN50mPractical Exercise: Pre-processing of MIMIC-III dataset1hPractical Exercise: One-hot encoding and in-hospital mortality prediction1hPractical Exercise: in-hospital mortality prediction using one-hot encoding and undersampling1hPractical Exercise: Mean vs Joint modelling imputation1hImputation based on moments30m

1 praktische Übung

End of week 3 quiz30m

Woche4

Woche 4

8 Stunden zum Abschließen

EHR Encodings for machine learning models

EHRs include categorical, ordinal and continuous variables. Appropriate data representation is important and encodings affect prediction performance. This week includes several different strategies to encode the data such as target encodings, deep learning encodings and similarity encodings. In particular, autoencoders which is a deep learning architecture to represent data in lower dimensional space will be demonstrated and applied in in-hospital mortality prediction.

8 Stunden zum Abschließen

4 Videos (Gesamt 52 min), 5 Lektüren, 2 Quiz

4 Videos

Categorical and Continuous Variables19mBayesian Target Encoding6mEncodings Inspired from NLP16mOther Types of Embeddings10m

5 Lektüren

Practical Exercise: mean target encoding1hPractical exercise: leave one out encoding1hRepresentation Learning for Electronic Health Records1hPractical Exercise: encoding using an autoencoder1hSimilarity Encodings50m

2 praktische Übungen

End of week 4 quiz30mEnd of course summative quiz30m

Über den Spezialisierung Informed Clinical Decision Making using Deep Learning

This specialisation is for learners with experience in programming that are interested in expanding their skills in applying deep learning in Electronic Health Records and with a focus on how to translate their models into Clinical Decision Support Systems.

The main areas that would explore are: Data mining of Clinical Databases: Ethics, MIMIC III database, International Classification of Disease System and definition of common clinical outcomes. Deep learning in Electronic Health Records: From descriptive analytics to predictive analytics Explainable deep learning models for healthcare applications: What it is and why it is needed Clinical Decision Support Systems: Generalisation, bias, ‘fairness’, clinical usefulness and privacy of artificial intelligence algorithms.

Informed Clinical Decision Making using Deep Learning

Häufig gestellte Fragen

Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Ist finanzielle Unterstützung möglich?
Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie sich die Anmeldegebühr nicht leisten können. Wenn für das von Ihnen gewählte Lernprogramm finanzielle Unterstützung oder ein Stipendium verfügbar ist, wird auf der Beschreibungsseite ein Link zu einem solchen Antrag angezeigt.

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.

Deep learning in Electronic Health Records - CDSS 2

Über diesen Kurs

Was Sie lernen werden

Kompetenzen, die Sie erwerben

Dozent

Fani Deligianni

von

University of Glasgow

Lehrplan - Was Sie in diesem Kurs lernen werden

Artificial Intelligence and Multi-Layer Perceptron

Convolutional and Recurrent Neural Networks.

Preprocessing and imputation of MIMIC III data

EHR Encodings for machine learning models

Über den Spezialisierung Informed Clinical Decision Making using Deep Learning

Häufig gestellte Fragen

Lernen Sie etwas Neues

Beliebte Datenverarbeitungskurse

Beliebte Informatik- und IT-Kurse

Beliebte Wirtschaftskurse

Coursera

Community

Mehr

Deep learning in Electronic Health Records - CDSS 2

Über diesen Kurs

Was Sie lernen werden

Kompetenzen, die Sie erwerben

Dozent

Fani Deligianni

von

University of Glasgow

Lehrplan - Was Sie in diesem Kurs lernen werden

Artificial Intelligence and Multi-Layer Perceptron

Convolutional and Recurrent Neural Networks.

Preprocessing and imputation of MIMIC III data

EHR Encodings for machine learning models

Über den Spezialisierung Informed Clinical Decision Making using Deep Learning

Häufig gestellte Fragen

Coursera Footer

Lernen Sie etwas Neues

Beliebte Datenverarbeitungskurse

Beliebte Informatik- und IT-Kurse

Beliebte Wirtschaftskurse

Coursera

Community

Mehr