Travail de synthèse

Aperçu

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.

Programme

• Importance des caractéristiques par permutation sur la base de données de soins critiques MIMIC
Il s'agit d'un exercice/leçon avancé qui combine les connaissances des trois modules précédents : 1) 'Exploration des données des bases de données cliniques' pour interroger la base de données MIMIC, 2) 'Apprentissage profond dans les dossiers de santé électroniques' pour prétraiter les DSE et construire des modèles d'apprentissage profond et 3) 'Modèles d'apprentissage profond explicables pour la santé' pour expliquer la décision des modèles. En particulier, l'importance des caractéristiques par permutation est mise en œuvre et appliquée sur des ensembles de données extraits de MIMIC-III. La technique est appliquée à la fois sur une régression logistique et sur un modèle LSTM. Les explications dérivées sont des explications globales du modèle.
• LIME sur la base de données de soins critiques MIMIC
Il s'agit d'un exercice/leçon avancé qui combine les connaissances des trois modules précédents : 1) 'Exploration des données des bases de données cliniques' pour interroger la base de données MIMIC, 2) 'Apprentissage profond dans les dossiers de santé électroniques' pour prétraiter les DSE et construire des modèles d'apprentissage profond et 3) 'Modèles d'apprentissage profond explicables pour la santé' pour expliquer la décision des modèles. En particulier, LIME est appliqué sur des ensembles de données extraits de MIMIC-III. La technique est appliquée à la fois sur une régression logistique et sur un modèle LSTM. Les explications dérivées sont des explications locales du modèle.
• Grad-CAM sur la base de données de soins critiques MIMIC
Il s'agit d'un exercice/leçon avancé qui combine les connaissances des trois modules précédents : 1) 'Exploration des données des bases de données cliniques' pour interroger la base de données MIMIC, 2) 'Apprentissage profond dans les dossiers de santé électroniques' pour prétraiter les DSE et construire des modèles d'apprentissage profond et 3) 'Modèles d'apprentissage profond explicables pour la santé' pour expliquer la décision des modèles. En particulier, Grad-CAM est mis en œuvre et appliqué sur un modèle LSTM qui prédit la mortalité basé sur des ensembles de données extraits de MIMIC-III. Les explications dérivées sont des explications locales du modèle.

Enseigné par

Fani Deligianni

Matières

Computer Science