《智能医学大数据分析》课程简介

一、课程特点

本课程面向医学与信息交叉领域的继续教育学习者，以"技术融合案例、案例承载思政"为主线，突出四个特点：一是案例驱动，以心脏病风险预测、胎儿健康多分类、帕金森病特征选择、单细胞RNA测序分析等真实医学场景承载技术知识，学用结合；二是工具前沿，在Python、Pandas、Scikit-learn、XGBoost、Shap等主流工具基础上引入PandasAI、Trae等AI辅助分析工具，让学习者以自然语言指令完成数据分析与代码生成；三是重实操、低门槛，技术讲解通俗化、操作步骤具体化，无编程基础者亦可完整走通"数据预处理—建模—评价—解释—部署"全流程；四是跨专业协同，医学、药学、工学等不同专业学习者混合组队完成实践任务，并配套代码库、公开数据集与讲义资源，支持持续学习与迁移应用。

二、教学目标

知识目标：理解智能医学大数据的定义、特征与应用领域，掌握大数据采集、存储与预处理技术及机器学习（分类、回归、聚类）、深度学习等核心技术的原理与医学应用场景。

能力目标：能运用Python及其数据分析生态独立完成医学数据的读取、清洗、特征筛选、建模、评价与可视化；能运用Shap等方法解释模型、说明医学决策依据，并完成模型的保存与部署；能借助AI工具高效开展医学数据分析，具备复现经典医学AI论文的基本能力。

素养目标：树立医学数据伦理意识与隐私保护观念，增强社会责任担当与科研诚信意识，形成数据思维、跨学科协作意识与创新能力。

三、教学内容覆盖面

课程共24学时，设7个模块，覆盖"基础理论—核心算法—案例实战—解释部署—智能工具—综合实践"完整链条：

1. 课程导论与技术基础（2学时）：智能医学大数据的概念、特征与应用；大数据与AI技术框架；学习路径与案例导入。

2. 机器学习核心算法入门（3学时）：分类（逻辑回归、决策树）、回归（线性回归、随机森林回归）、聚类（K-Means）算法原理及医学场景；Python数据分析库入门。

3. 医学案例实战（一）疾病风险预测（3学时）：以心脏病数据集为例，完成数据读取与预处理、决策树／随机森林／XGBoost／CatBoost建模及准确率、召回率、混淆矩阵评价。

4. 医学案例实战（二）多场景预测与分析（6学时）：胎儿健康多分类预测（特征筛选、交叉验证、宏平均ROC曲线）；帕金森病患者特征选择回归预测（蒙特卡洛模拟、网格搜索调参）；单细胞RNA测序数据分析（质量控制、PCA降维、聚类、差异基因分析与细胞类型注释）。

5. 模型解释与部署（3学时）：Shap值原理与摘要图、特征贡献图、依赖图、力图、热图、瀑布图解读；模型保存（Pickle、Joblib）、调用部署及医学场景注意事项。

6. 高级AI工具应用（3学时）：PandasAI自然语言智能分析；Trae辅助编写医学数据分析代码、生成完整分析流程。

7. 论文复现与综合实践（4学时）：经典医学AI论文拆解与小组复现；跨专业小组自主设计医学数据分析方案、实操并汇报交流。

四、教学方法及组织形式

教学方法：①案例驱动教学，以医学真实案例为核心组织知识点；②实操教学，结合Python工具与AI分析平台讲练结合；③跨专业协作学习，组织不同专业学习者组队完成实践任务；④思政浸润教学，通过案例讲解与主题讨论实现价值引领；⑤线上线下结合，线上共享教学资源、代码库与案例数据，线下集中开展讲授、实操与研讨。

组织形式：采用"线上自主学习＋线下集中授课＋小组任务实践"的混合式组织方式，按模块推进，每个模块按"案例导入—技术讲解—动手实操—汇报交流"展开。课程考核以过程性评价为主，由课堂出勤与参与（10%）、实操作业（50%）、跨专业小组实践成果（30%）三部分构成，重点考查学习者运用技术解决医学实际问题的能力。

五、授课对象要求

本课程面向医疗卫生机构的医务工作者、医学研究人员与信息化管理人员，以及医学、药学、工学等相关专业的学习者。学习者应具备基本的计算机操作能力、了解医学基础知识；无需编程基础，建议自备可联网计算机并按课程指引安装Python环境。学习者须严格遵守医学数据隐私保护相关规定，仅使用课程提供的公开或授权数据集，不得违规使用未授权医学数据。

六、教材与指导书

1. 教材与讲义：《AI+Python医学数据分析实践》（配套讲义与案例实操手册）。

2. 工具资源：Python、Pandas、Scikit-learn、XGBoost、Shap、PandasAI、Trae等。

3. 数据资源：公开医学数据集（心脏病数据集、胎儿健康数据集、单细胞RNA测序数据集等）。

4. 拓展资源：经典医学AI论文、行业研究报告、"健康中国2030"相关政策文件、思政案例库。

知识目标：理解智能医学大数据的定义、特征与应用领域，掌握大数据采集、存储与预处理技术及机器学习（分类、回归、聚类）、深度学习等核心技术的原理与医学应用场景。

能力目标：能运用Python及其数据分析生态独立完成医学数据的读取、清洗、特征筛选、建模、评价与可视化；能运用Shap等方法解释模型、说明医学决策依据，并完成模型的保存与部署；能借助AI工具高效开展医学数据分析，具备复现经典医学AI论文的基本能力。

素养目标：树立医学数据伦理意识与隐私保护观念，增强社会责任担当与科研诚信意识，形成数据思维、跨学科协作意识与创新能力。

1. 教材与讲义：《AI+Python医学数据分析实践》（配套讲义与案例实操手册）。

2. 工具资源：Python、Pandas、Scikit-learn、XGBoost、Shap、PandasAI、Trae等。

3. 数据资源：公开医学数据集（心脏病数据集、胎儿健康数据集、单细胞RNA测序数据集等）。

4. 拓展资源：经典医学AI论文、行业研究报告、"健康中国2030"相关政策文件、思政案例库。