医疗健康中的机器学习
这门课学什么
这门课讲机器学习怎样用在临床数据上。内容包括风险分层、疾病进展建模、临床 NLP、医学影像、因果推断、治疗决策的强化学习、公平性和可解释性。OCW 有讲座视频和讲义，部分讲座请临床医生讲。
内容摘要
这门课讲机器学习怎样用在真实医疗数据上，以及医疗场景为什么比一般场景难。前 3 讲先讲医疗本身：诊疗流程怎样运作，电子病历有什么结构和缺陷。没有这层背景，模型很容易学到错误的规律。
第 4–13 讲按任务展开：风险分层、生理时间序列、临床文本处理和技术落地，再请心脏病学、病理学、乳腺影像领域的嘉宾讲具体应用。第 14–20 讲转向方法：因果推断、强化学习、疾病进展与亚型建模、精准医疗。最后 5 讲讨论上线问题：流程自动化、监管、公平性、数据集偏移和可解释性。
课程常请波士顿地区的临床医生和研究者讲课或担任讨论嘉宾。学生课前要回答阅读问题。每个学生还要整理一讲的课堂笔记，或参加一次社区晚间活动，和医生讨论实际问题。
作业有 6 次习题。课程项目使用真实临床数据，从提案、展示到报告完整走一遍。成绩构成是作业 40%、项目 40%、课堂参与 20%。学完后，你能识别临床数据中的常见陷阱，能用因果推断和强化学习的思路分析治疗决策，并能判断一个医疗 AI 模型是否可以上线。
两位讲师分工明确：Sontag 主讲机器学习方法，Szolovits 有几十年医疗信息学经验，常讲临床背景和历史经验。
为什么值得学
医疗领域出错的代价落在真人身上。这门课认真讲因果推断和公平性，同类公开课很少。
课程信息
- 学校
- 麻省理工（MIT）
- 课程号
- 6.S897
- 讲师
- 大卫·桑塔格（David Sontag）、彼得·绍洛维茨（Peter Szolovits）
- 学期
- Spring 2019
- 平台
- MIT OpenCourseWare
- 费用
- 免费
- 难度
- 高级
- 学时
- 25 讲
- 先修
- 学过机器学习入门课。
- 材料
- 视频、讲义
- 许可证
- CC BY-NC-SA 4.0
课程大纲 · 共 25 节
大纲依据：Spring 2019 OCW Calendar 讲次列表（查看原始页面 ↗）
- 1导论：医疗有什么特殊Introduction: What Makes Healthcare Unique?
讲医疗数据和医疗决策与其他机器学习场景的区别，并介绍课程安排。
- 2临床诊疗概览Overview of Clinical Care
讲医疗体系怎样运作：医生怎样诊断和治疗，数据在哪些环节产生。
- 3深入临床数据Deep Dive into Clinical Data
讲电子病历、检验结果、诊断编码和影像这几类数据的结构和缺陷。
- 4风险分层（上）Risk Stratification, Part 1
讲怎样用病历数据预测患者未来发病或恶化的风险。
- 5风险分层（下）Risk Stratification, Part 2
讲生存分析，以及风险模型的评估和校准。
- 6生理时间序列Physiological Time-Series
讲心电、重症监护这类连续生理信号的建模方法。
- 7临床自然语言处理（上）Natural Language Processing (NLP), Part 1
讲从临床文本中抽取信息，主要用规则和传统统计方法。
- 8临床自然语言处理（下）Natural Language Processing (NLP), Part 2
讲词向量和深度学习方法在临床文本中的用法。
- 9把技术带进临床Translating Technology into the Clinic
讲模型进入医院时遇到的流程、激励和工程问题。
- 10机器学习用于心脏病学Machine Learning for Cardiology
嘉宾讲用深度学习分析心脏影像。
- 11机器学习用于鉴别诊断Machine Learning for Differential Diagnosis
讲根据症状和检查结果列出可能诊断的模型，从早期专家系统讲到概率模型。
- 12机器学习用于病理学Machine Learning for Pathology
嘉宾讲用深度学习分析病理切片。
- 13机器学习用于乳腺 X 线摄影Machine Learning for Mammography
嘉宾讲用深度学习做乳腺癌筛查和风险评估。
- 14因果推断（上）Causal Inference, Part 1
讲怎样从观察数据估计治疗效果，引入潜在结果框架和混杂因素。
- 15因果推断（下）Causal Inference, Part 2
讲倾向评分、匹配和逆概率加权这几类估计方法。
- 16强化学习（上）Reinforcement Learning, Part 1
讲把连续多步的治疗决策写成强化学习问题，以及只用历史数据评估策略的难点。
- 17强化学习（下）Reinforcement Learning, Part 2
嘉宾讲怎样评估动态治疗策略。
- 18疾病进展与亚型（上）Disease Progression & Subtyping, Part 1
讲用纵向数据刻画慢性病怎样随时间发展。
- 19疾病进展与亚型（下）Disease Progression & Subtyping, Part 2
讲从数据中发现疾病亚型，并同时建模每个亚型的进展轨迹。
- 20精准医疗Precision Medicine
讲结合基因和临床数据为个体选择治疗方案。
- 21临床流程自动化Automating Clinical Workflows
讲用机器学习自动完成临床流程中的重复环节。
- 22美国对 ML/AI 的监管；人类受试者研究Regulation of ML/AI in the US; Human Subjects Research
两位嘉宾分别讲医疗 AI 软件的监管审批，以及涉及人类受试者的研究要遵守的伦理规则。
- 23公平性Fairness
讲模型在不同人群上表现不一致的来源和度量方法。
- 24应对数据集偏移Robustness to Dataset Shift
讲模型换一家医院或换一个时期后性能下降的原因和应对方法。
- 25可解释性Interpretability
讲怎样让医生理解和信任模型的预测。