Ce cours fait partie de la Spécialisation Informed Clinical Decision Making using Deep Learning

Fani Deligianni

Offert par

Spécialisation Informed Clinical Decision Making using Deep LearningUniversity of Glasgow

À propos de ce cours

3 586 consultations récentes

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.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 2 sur 5 dans le

Spécialisation Informed Clinical Decision Making using Deep Learning

Niveau intermédiaire

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

Approx. 32 heures pour terminer

Anglais

Ce que vous allez apprendre

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

Compétences que vous acquerrez

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

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 2 sur 5 dans le

Spécialisation Informed Clinical Decision Making using Deep Learning

Niveau intermédiaire

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

Approx. 32 heures pour terminer

Anglais

Enseignant

Fani Deligianni

School of Computing Science

1 627 étudiants

5 cours

Offert par

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.

Programme de cours : ce que vous apprendrez dans ce cours

Semaine

Semaine 1

6 heures pour terminer

Artificial Intelligence and Multi-Layer Perceptron

6 heures pour terminer

7 vidéos (Total 62 min), 5 lectures, 1 quiz

7 vidéos

Welcome Video - Deep Learning in Electronic Health Records56s

Deep Learning and Artificial Intelligence17 min

Multi-Layer Perceptron9 min

Training a Multi-Layer Perceptron8 min

Optimization of a Multi-Layer Perceptron (Part 1)9 min

Optimization of a Mutli-Layer Perceptrion (Part 2)10 min

Preprocessing of ECG Signal6 min

5 lectures

Artificial Intelligence30 min

Deep Learning for Health Informatics30 min

Practical Exercise: Pre-process ECG data for arrythmia detection1 h

Practical Exercise: Split and resample ECG data1 h

Practical Exercise: Classify beats using MLP and SVC models and the holdout beats validation protocol1 h

1 exercice pour s'entraîner

Week 1 summary quiz30 min

Semaine

Semaine 2

8 heures pour terminer

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 heures pour terminer

3 vidéos (Total 64 min), 6 lectures, 1 quiz

3 vidéos

Validation of Machine Learning Models25 min

Convolutional Neural Networks19 min

Recurrent Neural Networks19 min

6 lectures

Evaluating Learning Algorithms: A1 h

Practical Exercise: Classify beats using MLP and SVC models and the leave out patients validation protocol1 h

Practical Exercise: Classify beats using a CNN and the beat holdout validation protocol1 h

Practical Exercise: Classify beats using a CNN and the leave-out patients validation protocol30 min

Practical Exercise: Classify beats using an LSTM and the beat holdout validation protocol1 h

Practical Exercise: Classify beats using an LSTM and the leave-out patients validation protocol45 min

1 exercice pour s'entraîner

End of week 2 quiz30 min

Semaine

Semaine 3

10 heures pour terminer

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 heures pour terminer

4 vidéos (Total 65 min), 8 lectures, 1 quiz

4 vidéos

Benchmark Deep Learning Models with EHR - Part 114 min

Benchmark Deep Learning Models with EHR - Part 217 min

Imputation Strategies13 min

Deep Learning Imputation Strategies19 min

8 lectures

A Data Extraction and Representation Pipeline1 h

Practical Exercise: Patients and time-series data extraction of MIMIC-III1 h

Creation of Benchmark data for DNN50 min

Practical Exercise: Pre-processing of MIMIC-III dataset1 h

Practical Exercise: One-hot encoding and in-hospital mortality prediction1 h

Practical Exercise: in-hospital mortality prediction using one-hot encoding and undersampling1 h

Practical Exercise: Mean vs Joint modelling imputation1 h

Imputation based on moments30 min

1 exercice pour s'entraîner

End of week 3 quiz30 min

Semaine

Semaine 4

8 heures pour terminer

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 heures pour terminer

4 vidéos (Total 52 min), 5 lectures, 2 quiz

4 vidéos

Categorical and Continuous Variables19 min

Bayesian Target Encoding6 min

Encodings Inspired from NLP16 min

Other Types of Embeddings10 min

5 lectures

Practical Exercise: mean target encoding1 h

Practical exercise: leave one out encoding1 h

Representation Learning for Electronic Health Records1 h

Practical Exercise: encoding using an autoencoder1 h

Similarity Encodings50 min

2 exercices pour s'entraîner

End of week 4 quiz30 min

End of course summative quiz30 min

À propos du Spécialisation 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

Foire Aux Questions

Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Une aide financière est-elle possible ?
Oui. Dans certains programmes d’apprentissage, vous pouvez demander une aide financière ou une bourse d’études si vous ne pouvez pas payer les frais d’inscription. Si une aide financière ou une bourse d’études est disponible pour le programme d’apprentissage choisi, vous trouverez un lien pour faire une demande sur la page de description.

D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.

Deep learning in Electronic Health Records - CDSS 2

À propos de ce cours

Ce que vous allez apprendre

Compétences que vous acquerrez

Enseignant

Fani Deligianni

Offert par

University of Glasgow

Programme de cours : ce que vous apprendrez dans ce cours

Artificial Intelligence and Multi-Layer Perceptron

Convolutional and Recurrent Neural Networks.

Preprocessing and imputation of MIMIC III data

EHR Encodings for machine learning models

À propos du Spécialisation Informed Clinical Decision Making using Deep Learning

Foire Aux Questions

Commencez ou faites progresser votre carrière

Cours et certifications populaires

Collections et articles populaires

Obtenez un diplôme ou un certificat en ligne

Coursera

Communauté

Plus

Deep learning in Electronic Health Records - CDSS 2

À propos de ce cours

Ce que vous allez apprendre

Compétences que vous acquerrez

Enseignant

Fani Deligianni

Offert par

University of Glasgow

Programme de cours : ce que vous apprendrez dans ce cours

Artificial Intelligence and Multi-Layer Perceptron

Convolutional and Recurrent Neural Networks.

Preprocessing and imputation of MIMIC III data

EHR Encodings for machine learning models

À propos du Spécialisation Informed Clinical Decision Making using Deep Learning

Foire Aux Questions

Coursera Footer

Commencez ou faites progresser votre carrière

Cours et certifications populaires

Collections et articles populaires

Obtenez un diplôme ou un certificat en ligne

Coursera

Communauté

Plus