《医疗大数据及数据挖掘》课程教学大纲

ADDINCNKISM.UserStyle《医疗大数据及数据挖掘》课程教学大纲（理论课程）一、课程基本信息课程号1323S08008开课单位电信学院课程名称医疗大数据及数据挖掘MedicalBigDataandDataMining课程性质必修考核类型考试课程学分2课程学时34课程类别专业发展课程（专业核心课）先修课程医学统计学适用专业（类）智能医学工程二、课程描述及目标（一）课程简介《医疗大数据及数据挖掘》课程是本专业（类）的一门专业发展课程，旨在通过理论教学与实践操作训练，使学生掌握大数据基础知识、数据挖掘原理，具备分析复杂医学数据及数据挖掘的能力，了解多种类型模型及分析的概念，为后续用于临床研究、诊断和治疗奠定必要的理论基础。（二）教学目标课程目标1：通过本课程，学生将了解医学大数据的概念及应用意义，现阶段大数据面临的挑战，以及如何去利用医学大数据帮助临床治疗；课程目标2：学生将学习怎样对医学数据进行深度分析及挖掘，如何对来自临床实践及基础实验研究中的数据进行正确统计分析并提取特征信息；课程目标3：学生将掌握多种高级统计分析方法，如回归模型预测模型、Meta分析、聚类分析、K近邻算法、支持向量机、决策树模型、随机森林、神经网络、深度学习模型等。三、课程目标对毕业要求的支撑关系毕业要求指标点课程目标权重1-4：掌握智能医学工程相关专业基础知识，能够用于智能医学系统分析和设计过程中。课程目标2课程目标30.22-2：能够综合工程原理、工程方法和文献研究，对智能医学系统相关复杂工程问题进行分析，并得到相应结论。课程目标2课程目标30.210-3：了解智能医学工程领域的国际发展趋势和研究热点。课程目标10.312-2：能针对个人或职业发展的需求，掌握自主学习的方法，了解拓展知识和能力的途径,适应发展。课程目标10.3四、教学方式与方法本课程采用讲授理论，并实际相结合的教学方法。以疾病或系统为主线，采用案例式编排，深入浅出地帮助学生熟悉复杂数据分析处理的各种方法。五、教学重点与难点（一）教学重点介绍并学习多种医学数据挖掘及机器学习常用方法，包括回归模型预测模型、Meta分析、聚类分析、K近邻算法、支持向量机、决策树模型、随机森林、神经网络、深度学习模型等，并介绍数据挖掘及学习软件代码的操作步骤，强调实用性和可操作性。（二）教学难点运用课堂所学知识，结合真实医疗数据进行医学数据挖掘，提高医学数据的分析与解读能力。六、教学内容、基本要求与学时分配序号教学内容基本要求学时教学方式对应课程目标1第1章绪论；了解医疗大数据的概念及意义；简单回顾医学数据统计分析。2讲授课程目标12第2章线性回归预测模型掌握数据分布特征概念；数据的集中与离散；异常值的常见处理方法；缺失值填补的方法；学习运用一元线性回归分析的概念、多元线性回归分析的概念及模型结构。6讲授课程目标23第3章非线性回归预测模型学习并会运用Logistic回归分析的基本概念及模型结构；非线性回归基本概念；学习偏最小二乘回归的基本步骤和原理，掌握偏最小二乘回归分析方法；了解生存分析的基本概念；生存分析的资料特点及分析方法；Cox回归。6讲授课程目标34第4章Meta分析Meta分析概述；掌握Meta分析的方法与步骤；学习剂量-反应关系的数据结构；线性拟合及分线性拟合-三次曲线拟合。4讲授课程目标25第5章预测模型评价掌握Roc的概念；学习ROC曲线的构建；Roc曲线下面积；了解两组ROC曲线下的面积比较；了解预测模型C-statistics、C-index分析的基本概念；掌握预测模型效能评价C-statistics、C-index分析的方法；熟练使用C-statistics、C-index评价医学预测模型。4讲授……6第6章数据降维方法学习主成分分析概念；掌握主成分分析的方法；熟练使用主成分分析解决医学问题；因子分析概念；因子分析的方法；熟练使用因子分析解决医学问题；学习聚类分析的概念；K均值聚类法；系统聚类法。4讲授7第7章数据分类模型了解无监督学习的基本概念；掌握KNN分类的方法；熟练使用KNN分类解决非监督学习问题；了解支持向量机的基本概念；掌握支持向量机分类的方法；熟练使用支持向量机分类器解决医学中数据分类问题；基于支持向量机的mRNA微阵列数据分类；学习数据分类的基本概念；分类的步骤；分类器性能的评估；决策树分类器简介；掌握决策树分析的方法并熟练解决医学中数据分类问题；掌握随机森林基本概念；随机森林的分析方法；熟练随机森林分析法解决医学中数据分类问题；基于平均基尼指数减少量的特征属性选择；了解判别分析的概念；常用的判别分析方法；判别函数的验证；关联规则的基本概念；关联规则的质量和重要性；关联规则分析的基本方法；贝叶斯网络的概念；贝叶斯网络构建8讲授合计34七、实验内容、基本要求与学时分配序号实验项目名称实验内容与要求学时类型对应课程目标1非线性回归预测模型实验Logistic回归分析的验证与实验；必修5验证性课程目标12聚类分析实验聚类算法的验证与实验；必修4验证性课程目标23决策树模型实验分类算法的验证与实验；必修4验证性课程目标34关联规则实验关联规则挖掘算法的验证与实验；必修4验证性课程目标1合计17注：实验要求包括必修、选修；实验类型包括“演示性”、“验证性”、“设计性”、“探究性”、“其它”等。八、学业评价和课程考核（一）考核类型：√考试考查（二）考核方式：开卷考试√闭卷考试课程论文课程报告其它：（三）成绩评定：考核依据建议分值（百分比）考核/评价细则对应课程目标过程考核30%课堂表现10%学生是否参与上课，课堂上是否认真听讲，无玩手机或讲闲话等现象；能积极参与课堂讨论与交流；具有创造性和批判性思维，大胆提出问题，勇于尝试并表达自己的想法、观点和意见。具体课堂表现评价细则：A：9-10分：准时上课，认真听讲，从来没有玩手机或讲闲话现象；积极举手发言，参与课堂讨论；大胆尝试表达自己的观点；B:7-8分：准时上课，认真听讲，从来没有玩手机或讲闲话现象；能举手发言并参与讨论；能尝试表达自己的观点。C:3-6分；较准时上课，较认真听讲，偶有没有玩手机或讲闲话现象；偶尔举手发言，不太踊跃参与讨论；勉强有条理地表达自己的观点。D:0-2分:不上课，听课不认真，玩手机或讲闲话现象严重；基本不举手发言；不参与讨论；不能表达自己的观点。课程目标1课后作业90%三次课后作业，考核学生对基本概念和羁绊理论的掌握及理解深度；考核对阶段知识点的掌握程度，。每次作业完成度的评价分为三个等级：A:20-30分：能够独立完成作业；作业逻辑清晰，能够全面解答所提出的问题。B:10-20分：能基本完成作业，作业逻辑较清晰，能够解答大部分所提出的问题。C:0-10分：不能够独立完成作业；作业逻辑不清晰，不解答所提出的问题。课程目标2课程目标3期末考核70%考核学生对基本概念和基本理论的理解深度与广度，增强学生提出问题、分析问题和解决问题的能力。题型分为选择题（20%）、填空题（20%）和简答分析题（60%）。课程目标1课程目标2课程目标3九、课程目标达成评价课程目标的实际达成效果计算方式如下，达成值越高，教学效果越好。课程目标达成度毕业要求指标点达成度十、教材与教学参考书（一）教材《数据挖掘原理与算法