课程详情
2026年5月15日-5月17日 线下合肥+线上直播
随着科技的快速发展，人工智能（AI）在医疗领域的应用正不断深化，已从辅助分析逐步走向临床决策支持与科研效率提升。智慧医疗AI辅助诊断系统在多类临床场景中取得了显著进展，为医护人员提供了可靠的智能化辅助工具，帮助提升诊断一致性、准确性与工作效率。与此同时，国内多家三甲医院正积极推进医疗数据训练体系建设与院内知识库/大模型能力平台的搭建，面向医疗、教学与科研等核心业务，构建可持续迭代的智能支撑体系，从而进一步提升临床科研与数据挖掘效率，加速高质量成果产出。
为帮助学员在医疗人工智能与大模型应用方向的技术理解与实操能力，拟组织开展 “人工智能在医疗领域应用与实战” 专题培训。现将培训安排通知如下：
一、培训主题
人工智能基础、深度学习医学影像分析与ChatGPT/医疗大模型应用实战
二、培训对象
医疗信息化/数据分析/科研相关人员
影像科、检验科等对AI应用感兴趣的临床/医技人员
从事医疗AI产品、算法、研发或管理相关同事
（建议具备基础计算机操作能力；有一定Python基础更佳，无基础也可跟学。）
三、培训形式
时间地点：2026年5月15日--5月17日 （线下5月14日报到） 线下合肥+线上直播
讲授 + 案例解析 + 上机实操 + 项目实战
以医疗真实应用场景为主线，覆盖从机器学习到深度学习影像算法，再到大模型落地全流程。
四、培训主要内容与日程（共3天）
第一天：人工智能基础与Python编程入门
o 人工智能在医疗领域的应用概述
o Python编程基础
§ 环境搭建、数据类型、流程控制
§ Python环境搭建
§ Python数据类型与流程控制
§ Python函数的应用
§ Python面向对象编程
§ 文件读写和目录操作
§ 异常处理
§ 机器学习概述
§ 数据探索性分析：智能化数据分析
§ 特征工程：数据准备、数据清洗、数据的归一化
§ 机器学习模型构建
§ 机器学习模型评估
§ 集成学习
§ 实际案例：基于机器学习的乳腺癌疾病风险预测
§ 实际案例：心脏病预测模型构建和模型可解释性分析
o Python医学图像处理实操
§ PyDicom库的安装和基本用法
§ 案例：MRI、DR、CT等影像的读取、解析、显示
§ 案例：读取各种Dicom格式的影像
o 深度学习PyTorch框架入门
§ 深度学习的基本概念，通用架构
§ 深度学习的基本概念
§ 深度学习的通用构架
§ PyTorch的选型和安装
§ 梯度下降优化算法
§ 损失函数
§ 梯度下降优化算法
§ 模型的保存和加载
§ 实际案例：使用PyTorch进行医学图像分类
§ 图像分类算法（判断是否病变）
§ AlexNet
§ VggNet
§ ResNet
§ EfficientNet
§ 实际案例：深度学习在肺结节分类中的应用
§ 实际案例：COVID-19 新冠肺炎识别分类
第二天：深度学习与医学影像分析
o 深度学习智能影像诊断算法
§ 目标检测算法（检测病变区域）
§ RCNN系列目标检测算法
§ YOLO系列目标检测算法
§ 实际案例：目标检测在血常规分析中的应用
§ 实际案例：YOLO在病变检测中的应用
o 图像分割算法（分割病变区域）
§ DeepLab系列语义分割算法
§ DeepLab v1/v2
§ CRF
§ DeepLab v3/v3+
§ 医疗生物领域专用的U-Net分割网络
§ “U型弯”结构
§ 保护“边缘”的措施
§ 损失函数
§ 实际案例：U-Net在前列腺肿瘤分割中的应用
§ 实际案例：通过U-Net分割细胞
o 影像智能诊断项目实战
§ CT智能诊断实战案例
§ MRI智能诊断实战案例
第三天：ChatGPT与医疗大模型应用
o ChatGPT基础知识
§ 自然语言处理基础知识
§ 数据处理：特殊字符、分词、停用词等
§ Embedding 原理
§ Transformer原理
§ 提示词工程
§ 基于人类反馈的强化学习
o 实际案例：ChatGPT等大模型在临床科研中的应用
§ 快速获取医学知识
§ 临床实践研究
§ 辅助生成出院小结
§ 个性化医疗服务
§ 辅助论文编写
§ 医学文献梳理
§ 论文降重与润色
§ Langchain式的医疗知识检索
§ 实际案例：医疗领域的Langchain
o 项目实战：使用llama-factory微调大模型
§ 安装部署
§ 支持的大模型种类
§ 数据集准备
§ 微调策略（PEFT：LoRA, QLoRA等）
o 大模型临床应用实践
§ 实际案例：大模型在临床数据挖掘中的应用
§ 实际案例：大模型在医学文献检索中应用
§ 实际案例：大模型在临床决策辅助中的应用
§ 实际案例：大模型在风险预测模型中的应用
§
§
§
§
§
§
§
§
§
§
§
