ADDINCNKISM.UserStyle《醫療大數據及數據挖掘》課程教學大綱（理論課程）一、課程基本信息課程號1323S08008開課單位電信學院課程名稱醫療大數據及數據挖掘MedicalBigDataandDataMining課程性質必修考核類型考試課程學分2課程學時34課程類別專業發展課程（專業核心課）先修課程醫學統計學適用專業（類）智能醫學工程二、課程描述及目標（一）課程簡介《醫療大數據及數據挖掘》課程是本專業（類）的一門專業發展課程，旨在通過理論教學與實踐操作訓練，使學生掌握大數據基礎知識、數據挖掘原理，具備分析復雜醫學數據及數據挖掘的能力，了解多種類型模型及分析的概念，為后續用于臨床研究、診斷和治療奠定必要的理論基礎。（二）教學目標課程目標1：通過本課程，學生將了解醫學大數據的概念及應用意義，現階段大數據面臨的挑戰，以及如何去利用醫學大數據幫助臨床治療；課程目標2：學生將學習怎樣對醫學數據進行深度分析及挖掘，如何對來自臨床實踐及基礎實驗研究中的數據進行正確統計分析并提取特征信息；課程目標3：學生將掌握多種高級統計分析方法，如回歸模型預測模型、Meta分析、聚類分析、K近鄰算法、支持向量機、決策樹模型、隨機森林、神經網絡、深度學習模型等。三、課程目標對畢業要求的支撐關系畢業要求指標點課程目標權重1-4：掌握智能醫學工程相關專業基礎知識，能夠用于智能醫學系統分析和設計過程中。課程目標2課程目標30.22-2：能夠綜合工程原理、工程方法和文獻研究，對智能醫學系統相關復雜工程問題進行分析，并得到相應結論。課程目標2課程目標30.210-3：了解智能醫學工程領域的國際發展趨勢和研究熱點。課程目標10.312-2：能針對個人或職業發展的需求，掌握自主學習的方法，了解拓展知識和能力的途徑,適應發展。課程目標10.3四、教學方式與方法本課程采用講授理論，并實際相結合的教學方法。以疾病或系統為主線，采用案例式編排，深入淺出地幫助學生熟悉復雜數據分析處理的各種方法。五、教學重點與難點（一）教學重點介紹并學習多種醫學數據挖掘及機器學習常用方法，包括回歸模型預測模型、Meta分析、聚類分析、K近鄰算法、支持向量機、決策樹模型、隨機森林、神經網絡、深度學習模型等，并介紹數據挖掘及學習軟件代碼的操作步驟，強調實用性和可操作性。（二）教學難點運用課堂所學知識，結合真實醫療數據進行醫學數據挖掘，提高醫學數據的分析與解讀能力。六、教學內容、基本要求與學時分配序號教學內容基本要求學時教學方式對應課程目標1第1章緒論；了解醫療大數據的概念及意義；簡單回顧醫學數據統計分析。2講授課程目標12第2章線性回歸預測模型掌握數據分布特征概念；數據的集中與離散；異常值的常見處理方法；缺失值填補的方法；學習運用一元線性回歸分析的概念、多元線性回歸分析的概念及模型結構。6講授課程目標23第3章非線性回歸預測模型學習并會運用Logistic回歸分析的基本概念及模型結構；非線性回歸基本概念；學習偏最小二乘回歸的基本步驟和原理，掌握偏最小二乘回歸分析方法；了解生存分析的基本概念；生存分析的資料特點及分析方法；Cox回歸。6講授課程目標34第4章Meta分析Meta分析概述；掌握Meta分析的方法與步驟；學習劑量-反應關系的數據結構；線性擬合及分線性擬合-三次曲線擬合。4講授課程目標25第5章預測模型評價掌握Roc的概念；學習ROC曲線的構建；Roc曲線下面積；了解兩組ROC曲線下的面積比較；了解預測模型C-statistics、C-index分析的基本概念；掌握預測模型效能評價C-statistics、C-index分析的方法；熟練使用C-statistics、C-index評價醫學預測模型。4講授……6第6章數據降維方法學習主成分分析概念；掌握主成分分析的方法；熟練使用主成分分析解決醫學問題；因子分析概念；因子分析的方法；熟練使用因子分析解決醫學問題；學習聚類分析的概念；K均值聚類法；系統聚類法。4講授7第7章數據分類模型了解無監督學習的基本概念；掌握KNN分類的方法；熟練使用KNN分類解決非監督學習問題；了解支持向量機的基本概念；掌握支持向量機分類的方法；熟練使用支持向量機分類器解決醫學中數據分類問題；基于支持向量機的mRNA微陣列數據分類；學習數據分類的基本概念；分類的步驟；分類器性能的評估；決策樹分類器簡介；掌握決策樹分析的方法并熟練解決醫學中數據分類問題；掌握隨機森林基本概念；隨機森林的分析方法；熟練隨機森林分析法解決醫學中數據分類問題；基于平均基尼指數減少量的特征屬性選擇；了解判別分析的概念；常用的判別分析方法；判別函數的驗證；關聯規則的基本概念；關聯規則的質量和重要性；關聯規則分析的基本方法；貝葉斯網絡的概念；貝葉斯網絡構建8講授合計34七、實驗內容、基本要求與學時分配序號實驗項目名稱實驗內容與要求學時類型對應課程目標1非線性回歸預測模型實驗Logistic回歸分析的驗證與實驗；必修5驗證性課程目標12聚類分析實驗聚類算法的驗證與實驗；必修4驗證性課程目標23決策樹模型實驗分類算法的驗證與實驗；必修4驗證性課程目標34關聯規則實驗關聯規則挖掘算法的驗證與實驗；必修4驗證性課程目標1合計17注：實驗要求包括必修、選修；實驗類型包括“演示性”、“驗證性”、“設計性”、“探究性”、“其它”等。八、學業評價和課程考核（一）考核類型：√考試考查（二）考核方式：開卷考試√閉卷考試課程論文課程報告其它：（三）成績評定：考核依據建議分值（百分比）考核/評價細則對應課程目標過程考核30%課堂表現10%學生是否參與上課，課堂上是否認真聽講，無玩手機或講閑話等現象；能積極參與課堂討論與交流；具有創造性和批判性思維，大膽提出問題，勇于嘗試并表達自己的想法、觀點和意見。具體課堂表現評價細則：A：9-10分：準時上課，認真聽講，從來沒有玩手機或講閑話現象；積極舉手發言，參與課堂討論；大膽嘗試表達自己的觀點；B:7-8分：準時上課，認真聽講，從來沒有玩手機或講閑話現象；能舉手發言并參與討論；能嘗試表達自己的觀點。C:3-6分；較準時上課，較認真聽講，偶有沒有玩手機或講閑話現象；偶爾舉手發言，不太踴躍參與討論；勉強有條理地表達自己的觀點。D:0-2分:不上課，聽課不認真，玩手機或講閑話現象嚴重；基本不舉手發言；不參與討論；不能表達自己的觀點。課程目標1課后作業90%三次課后作業，考核學生對基本概念和羈絆理論的掌握及理解深度；考核對階段知識點的掌握程度，。每次作業完成度的評價分為三個等級：A:20-30分：能夠獨立完成作業；作業邏輯清晰，能夠全面解答所提出的問題。B:10-20分：能基本完成作業，作業邏輯較清晰，能夠解答大部分所提出的問題。C:0-10分：不能夠獨立完成作業；作業邏輯不清晰，不解答所提出的問題。課程目標2課程目標3期末考核70%考核學生對基本概念和基本理論的理解深度與廣度，增強學生提出問題、分析問題和解決問題的能力。題型分為選擇題（20%）、填空題（20%）和簡答分析題（60%）。課程目標1課程目標2課程目標3九、課程目標達成評價課程目標的實際達成效果計算方式如下，達成值越高，教學效果越好。課程目標達成度畢業要求指標點達成度十、教材與教學參考書（一）教材《數據挖掘原理與算法