Asignación Capstone

Resumen

This capstone course gives you the opportunity to bring everything you have learned in the Informed Clinical Decision Making using Deep Learning Specialization together in one hands-on, practical project. You will work with real-world critical care data from the MIMIC-III database and tackle a clinically meaningful prediction task from start to finish.

You will choose one of three advanced projects focused on explainable artificial intelligence in healthcare:

permutation feature importance, LIME, or Grad-CAM. Each project guides you through querying and preparing electronic health record data, building predictive models such as logistic regression or LSTM networks, and interpreting model predictions using state-of-the-art explainability techniques.

The focus is not only on model performance, but on understanding and communicating why a model makes its predictions. By completing this capstone, you will gain practical experience translating deep learning models into insights that support trustworthy and transparent Clinical Decision Support Systems.

This course is ideal for learners who want to demonstrate applied skills, build confidence working with clinical data, and showcase their ability to combine technical expertise with clinical reasoning.

Programa

• Importancia de características por permutación en la base de datos de cuidados críticos MIMIC
Este es un ejercicio/lección avanzado que combina conocimientos de los tres módulos anteriores: 1) 'Minería de datos de bases de datos clínicas' para consultar la base de datos MIMIC, 2) 'Aprendizaje profundo en registros electrónicos de salud' para preprocesar EHR y construir modelos de aprendizaje profundo y 3) 'Modelos de aprendizaje profundo explicables para la salud' para explicar la decisión de los modelos. En particular, se implementa la importancia de características por permutación y se aplica a conjuntos de datos extraídos de MIMIC-III. La técnica se aplica tanto en regresión logística como en un modelo LSTM. Las explicaciones derivadas son explicaciones globales del modelo.
• LIME en la base de datos de cuidados críticos MIMIC
Este es un ejercicio/lección avanzado que combina conocimientos de los tres módulos anteriores: 1) 'Minería de datos de bases de datos clínicas' para consultar la base de datos MIMIC, 2) 'Aprendizaje profundo en registros electrónicos de salud' para preprocesar EHR y construir modelos de aprendizaje profundo y 3) 'Modelos de aprendizaje profundo explicables para la salud' para explicar la decisión de los modelos. En particular, LIME se aplica a conjuntos de datos extraídos de MIMIC-III. La técnica se aplica tanto en regresión logística como en un modelo LSTM. Las explicaciones derivadas son explicaciones locales del modelo.
• Grad-CAM en la base de datos de cuidados críticos MIMIC
Este es un ejercicio/lección avanzado que combina conocimientos de los tres módulos anteriores: 1) 'Minería de datos de bases de datos clínicas' para consultar la base de datos MIMIC, 2) 'Aprendizaje profundo en registros electrónicos de salud' para preprocesar EHR y construir modelos de aprendizaje profundo y 3) 'Modelos de aprendizaje profundo explicables para la salud' para explicar la decisión de los modelos. En particular, GradCam se implementa y aplica en un modelo LSTM que predice la mortalidad basado en conjuntos de datos extraídos de MIMIC-III. Las explicaciones derivadas son explicaciones locales del modelo.

Impartido por

Fani Deligianni

Materias

Computer Science