Was nützt Künstliche Intelligenz im Gesundheitswesen, wenn diese nicht verantwortungsvoll entwickelt und genutzt wird? Das vorliegende Buch beschäftigt sich mit den grundlegenden Modellen und aktuellen Entwicklungen im Bereich der Künstlichen Intelligenz im Gesundheitswesen, diskutiert konkrete Anwendungsszenarien und stellt die enge Verbindung mit ethischen Fragestellungen her. In kompakter und verständlicher Form wird dies von ausgewiesenen Expert:innen aus unterschiedlichen Teilbereichen und Thematiken präsentiert.
Was nützt Künstliche Intelligenz im Gesundheitswesen, wenn diese nicht verantwortungsvoll entwickelt und genutzt wird? Das vorliegende Buch beschäftigt sich mit den grundlegenden Modellen und aktuellen Entwicklungen im Bereich der Künstlichen Intelligenz im Gesundheitswesen, diskutiert konkrete Anwendungsszenarien und stellt die enge Verbindung mit ethischen Fragestellungen her. In kompakter und verständlicher Form wird dies von ausgewiesenen Expert:innen aus unterschiedlichen Teilbereichen und Thematiken präsentiert.
Vorwort Einleitung Andreas Klein, Sebastian Dennerlein und Helmut Ritschl. 1. Hinführung 2. Begriffliche Annäherungen 2.1 Künstliche Intelligenz (KI) 2.2 Maschinelles Lernen - Machine Learning (ML) 2.3 (Künstliche) Neuronale Netze (KNN) 2.4 Deep Learning (DL) 3. Veranschaulichung einiger ethischer Herausforderungen und Lösungsansätze 4. Zu den Beiträgen dieses Buches Literatur Abschnitt 1: Grundlagen zu KI und erste ethische Überlegungen Data Science und Künstliche Intelligenz Wolfgang Granigg und Klaus Lichtenegger 1. Von Big Data zur Künstlichen Intelligenz 2. Was ist Künstliche Intelligenz? 3. Eine kurze Geschichte der KI 3.1 Die Anfänge: Rechnen und Codes knacken 3.2 Logik und Symbole 3.3 Maschinelles Lernen 3.4 Statistisches Lernen 3.5 Von der Natur das Lernen lernen 3.6 Die Deep-Learning-Revolution 3.7 Technische Infrastruktur 3.8 What else?4. Wie lernen Computerprogramme? 4.1 Supervised Learning 4.2 Unsupervised Learning 4.3 Reinforcement Learning 5. Einige Herausforderungen im ML 5.1 Underfitting und Overfitting 5.2 Ausdruckskraft vs. Erklärbarkeit Literatur 66 Wahrscheinlichkeit und Statistik - manchmal gegen unsere Intuition Klaus Lichtenegger, Raphaele Raab und Wolfgang Granigg 1. Zugänge zur Statistik 2. Verzerrungen in den Daten 3. Die Crux mit dem Mittelwert 4. Regression zur Mitte 5. Das Simpson-Paradoxon 6. Fallstricke bei der Datenvisualisierung 7. Wahrscheinlichkeit wider die Intuition 8. Bedingte Wahrscheinlichkeiten 9. Der Satz von Bayes Literatur Die Hintergründe von KI im Gesundheitswesen verstehen lernen Marco Tilli, Michael Melcher, Debora Stickler und Raphaele Raab Vom Problem zum Machine Learning Beispiel 1: Modellieren von BIP und Kindersterblichkeit Was ist eine Lineare Regression? Beispiel 2: Gruppieren von Brustkrebs-Merkmalen Beispiel 3: Klassifikation COVID-19 vs. Grippe aufgrund der Symptome Beispiel 4: Bildverarbeitung und -klassifikation Aufbau eines CNNs Arten von CNNs Beispiel 5: Befunde verstehen und schreiben Explainable AI im Medizinwesen Was ist xAI eigentlich?Wo xAI angewandt wird LiteraturEthische Perspektiven eines verantwortungsbewussten Umgangs mit Künstlicher Intelligenz Andreas Klein103 1. Hinführung2. Wie intelligent ist Künstliche Intelligenz - oder kann sie werden?3. Ethik und die Frage nach dem guten Handeln4. Ethik für KI4.1 Ethik-Leitlinien für eine vertrauenswürde KI4.2 Ethische Verpflichtungen4.3 Grundrechte und KI4.4 Vier ethische Grundsätze (Prinzipien)5. Abschließende Würdigung und AusblickLiteraturAbschnitt 2: Anwendungsbeispiele von KI-Anwendungen in unterschiedlichen Domänen des GesundheitswesensArtificial Intelligence und Machine Learning in der medizinischen Bilddatenverarbeitung Wolfgang Birkfellner1. Einführung2. Welche Daten werden verwendet?3. Eine unverbindliche Anleitung für Experimente4. Anwendungsmöglichkeiten5. Stärken, Schwächen und Bedrohungen6. Auswirkungen auf das Berufsbild7. Ausblick und HerausforderungenLiteraturChatGPT als Arzt? Lars Mehnen, Stefanie Gruarin, Mina Vasileva und Bernhard Knapp1. Zusammenfassung2. Einführung3. Beschreibung der Untersuchungsmethode3.1 Schritt 1: Ursprung der klinischen Fallvignetten3.2 Schritt 2: Verwendung von ChatGPT3.3 Schritt 3: Bewertung der richtigen Antworten3.4 Schritt 4: Darstellung der diagnostischen Genauigkeit4. Ergebnisse des Experiments4.1 Diagnostische Genauigkeit von ChatGPT bei häufigen Erkrankungen4.2 Diagnostische Genauigkeit von ChatGPT bei seltenen Erkrankungen5. Diskussion der Ergebnisse aus dem Experiment5.1 ChatGPT (Version 3.5 und 4) erreicht bemerkenswerte Genauigkeiten5.2 Lernt ChatGPT nur auswendig?5.3 ChatGPT kann / soll keinen menschlichen Arzt ersetzenLiteraturAktuelle Anwendungsszenarien und -beispiele von KI-Systemen in Diagnostik und Therapie Bianca Buchgraber-Schnalzer und Bernhard Neumayer1. Einleitung2. Medizinische Bildgebung2.1 Bildrekonstruktion2.2 Bildanalyse3. Kardi
Vorwort Einleitung Andreas Klein, Sebastian Dennerlein und Helmut Ritschl. 1. Hinführung 2. Begriffliche Annäherungen 2.1 Künstliche Intelligenz (KI) 2.2 Maschinelles Lernen - Machine Learning (ML) 2.3 (Künstliche) Neuronale Netze (KNN) 2.4 Deep Learning (DL) 3. Veranschaulichung einiger ethischer Herausforderungen und Lösungsansätze 4. Zu den Beiträgen dieses Buches Literatur Abschnitt 1: Grundlagen zu KI und erste ethische Überlegungen Data Science und Künstliche Intelligenz Wolfgang Granigg und Klaus Lichtenegger 1. Von Big Data zur Künstlichen Intelligenz 2. Was ist Künstliche Intelligenz? 3. Eine kurze Geschichte der KI 3.1 Die Anfänge: Rechnen und Codes knacken 3.2 Logik und Symbole 3.3 Maschinelles Lernen 3.4 Statistisches Lernen 3.5 Von der Natur das Lernen lernen 3.6 Die Deep-Learning-Revolution 3.7 Technische Infrastruktur 3.8 What else?4. Wie lernen Computerprogramme? 4.1 Supervised Learning 4.2 Unsupervised Learning 4.3 Reinforcement Learning 5. Einige Herausforderungen im ML 5.1 Underfitting und Overfitting 5.2 Ausdruckskraft vs. Erklärbarkeit Literatur 66 Wahrscheinlichkeit und Statistik - manchmal gegen unsere Intuition Klaus Lichtenegger, Raphaele Raab und Wolfgang Granigg 1. Zugänge zur Statistik 2. Verzerrungen in den Daten 3. Die Crux mit dem Mittelwert 4. Regression zur Mitte 5. Das Simpson-Paradoxon 6. Fallstricke bei der Datenvisualisierung 7. Wahrscheinlichkeit wider die Intuition 8. Bedingte Wahrscheinlichkeiten 9. Der Satz von Bayes Literatur Die Hintergründe von KI im Gesundheitswesen verstehen lernen Marco Tilli, Michael Melcher, Debora Stickler und Raphaele Raab Vom Problem zum Machine Learning Beispiel 1: Modellieren von BIP und Kindersterblichkeit Was ist eine Lineare Regression? Beispiel 2: Gruppieren von Brustkrebs-Merkmalen Beispiel 3: Klassifikation COVID-19 vs. Grippe aufgrund der Symptome Beispiel 4: Bildverarbeitung und -klassifikation Aufbau eines CNNs Arten von CNNs Beispiel 5: Befunde verstehen und schreiben Explainable AI im Medizinwesen Was ist xAI eigentlich?Wo xAI angewandt wird LiteraturEthische Perspektiven eines verantwortungsbewussten Umgangs mit Künstlicher Intelligenz Andreas Klein103 1. Hinführung2. Wie intelligent ist Künstliche Intelligenz - oder kann sie werden?3. Ethik und die Frage nach dem guten Handeln4. Ethik für KI4.1 Ethik-Leitlinien für eine vertrauenswürde KI4.2 Ethische Verpflichtungen4.3 Grundrechte und KI4.4 Vier ethische Grundsätze (Prinzipien)5. Abschließende Würdigung und AusblickLiteraturAbschnitt 2: Anwendungsbeispiele von KI-Anwendungen in unterschiedlichen Domänen des GesundheitswesensArtificial Intelligence und Machine Learning in der medizinischen Bilddatenverarbeitung Wolfgang Birkfellner1. Einführung2. Welche Daten werden verwendet?3. Eine unverbindliche Anleitung für Experimente4. Anwendungsmöglichkeiten5. Stärken, Schwächen und Bedrohungen6. Auswirkungen auf das Berufsbild7. Ausblick und HerausforderungenLiteraturChatGPT als Arzt? Lars Mehnen, Stefanie Gruarin, Mina Vasileva und Bernhard Knapp1. Zusammenfassung2. Einführung3. Beschreibung der Untersuchungsmethode3.1 Schritt 1: Ursprung der klinischen Fallvignetten3.2 Schritt 2: Verwendung von ChatGPT3.3 Schritt 3: Bewertung der richtigen Antworten3.4 Schritt 4: Darstellung der diagnostischen Genauigkeit4. Ergebnisse des Experiments4.1 Diagnostische Genauigkeit von ChatGPT bei häufigen Erkrankungen4.2 Diagnostische Genauigkeit von ChatGPT bei seltenen Erkrankungen5. Diskussion der Ergebnisse aus dem Experiment5.1 ChatGPT (Version 3.5 und 4) erreicht bemerkenswerte Genauigkeiten5.2 Lernt ChatGPT nur auswendig?5.3 ChatGPT kann / soll keinen menschlichen Arzt ersetzenLiteraturAktuelle Anwendungsszenarien und -beispiele von KI-Systemen in Diagnostik und Therapie Bianca Buchgraber-Schnalzer und Bernhard Neumayer1. Einleitung2. Medizinische Bildgebung2.1 Bildrekonstruktion2.2 Bildanalyse3. Kardi
Rezensionen
Aus: socialnet - Hartmut Kreß - 08.10.2024 [...] Die Nutzung von KI bzw. von Maschinellem Lernen wird die Medizin und das Gesundheitswesen künftig tiefgreifend prägen - zweifellos mit großem Gewinn für den Schutz der menschlichen Gesundheit und für die effektive Therapie von Krankheiten, aber auch mit bestimmten Risiken und mit noch ungeklärten Folgewirkungen. Das vorliegende Buch enthält hierzu fachübergreifend eine Fülle von Informationen, Erläuterungen und Denkanstößen. Als Sammelwerk zur KI im Gesundheitswesen stellt es ein gewichtiges, lesenswertes Pilotprojekt dar.
Es gelten unsere Allgemeinen Geschäftsbedingungen: www.buecher.de/agb
Impressum
www.buecher.de ist ein Internetauftritt der buecher.de internetstores GmbH
Geschäftsführung: Monica Sawhney | Roland Kölbl | Günter Hilger
Sitz der Gesellschaft: Batheyer Straße 115 - 117, 58099 Hagen
Postanschrift: Bürgermeister-Wegele-Str. 12, 86167 Augsburg
Amtsgericht Hagen HRB 13257
Steuernummer: 321/5800/1497
USt-IdNr: DE450055826