ChatGPT等AI技术在医疗领域的应用

 

背景与基础知识

- 生成式人工智能(AIGC)概念

- ChatGPT历史与发展

 

ChatGPT在医疗科研领域的基础应用

- 基于ChatGPT的科研工作

- 用ChatGPT实现摘要、总结、综述

- 如何一小时之内编写一篇论文

- 提示词工程

 

ChatGPT模型背后的NLP基础知识

- 深度学习算法基础

- MLP与CNN、RNN

- 特殊字符、分词与停用词处理技术

- 词向量与Embedding

 

Transformer基础

- 需要的仅仅是“注意力”

- Transformer中的block

- 多头自注意力机制

- 位置编码

- 解码器的构造

- BERT与GPT等NLP模型

 

初代GPT

- 独角兽的威力

- GPT的内部架构

- 基于Transformer的改造

- 自注意力机制的改进

 

chatGPT的原理介绍

1、指示学习与InstructGPT

2、相关数据集

3、有监督微调（SFT）

4、从人类反馈中RL的思路

5、奖励建模（RM）

6、运用PPO改进

 

结合RAG框架的ChatGPT在医疗领域的应用

- 基于LangChain的医学知识问答

- 基于LangChain文献内容检索

 

学习LangChain所需的知识储备

1、词嵌入与语义空间

2、高维向量的快速模糊匹配

3、局部敏感哈希（LSH）

4、向量数据库

 

LangChain的原理

1、大模型利用的难点与痛点

2、Langchain的基本思路

3、关键组件

 

进阶的RAG技巧

1、分块与embedding

2、搜索索引

3、重排序与过滤

4、查询转换

 

基于微调训练的ChatGPT在医疗领域的应用

- ChatGPT用于问诊

- 基于ChatGPT开展流调工作

- 构建医疗领域的知识图谱

 

人工智能实验环境的搭建

- 机器学习环境与深度学习环境

- Python编程与数据科学工具库介绍

- GPU与cuda

- 深度学习框架：TensorFlow与PyTorch

 

机器学习进阶与评估

- 机器学习流程与特征工程

- 模型评估指标与交叉验证

- 可解释性分析在医学领域中的重要性

 

ChatGLM部署

1、ChatGLM3-6B介绍

2、ChatGLM3搭建流程

3、应用场景（工具调用、代码执行）

4、权重量化

 

ChatGLM3原理

1、Code Interpreter

2、多模态CogVLM

3、WebGLM搜索增强

 

微调大模型

1、基于chatGLM的微调

2、LoRA

3、Prefix Tuning

4、P-Tuning

5、Prompt Tuning

6、freeze

7、构建训练数据集

 

其他AI应用：医学图像、影像分析的实践

- 医学影像数据的预处理

- 处理医学影像数据（DICOM）

- AI在诊断前列腺肿瘤中的应用

- 智能化病理读片

- 自动实现血常规分析中细胞计数

 

医学图像、影像分析所需的人工智能知识

- 卷积神经网络（CNN）

- Alexnet

- 从VGG到GoogLenet

- 模型退化与ResNet

- DenseNet、efficientnet

- R-CNN

- SPPNET（全图卷积、SPP层）

- Fast-RCNN与Faster-RCNN