Modul im Detail

t.BA.WV.DSHEAL-EN.23HS (Data Science in Health)

Modul: Data Science in Health

Diese Information wurde generiert am: 11.06.2025

Nr.

t.BA.WV.DSHEAL-EN.23HS

Bezeichnung

Data Science in Health

Veranstalter

T Leitung Lehre

Credits

Beschreibung

Version: 2.0 gültig ab 01.08.2023

Diese Modulbeschreibung gilt bis zum 31. Juli 2024. Die gültige Modulbeschreibung ist im Intranet unter https://intra.zhaw.ch/departemente/school-of-engineering/bachelorstudium/module im Modulhandbuch abrufbar.

Modulverantwortung:

Georg Spinner (spnn)

Modul- / Lernziele: (Kompetenzen)

Ziel	Kompetenzen	Taxonomiestufen
Generell: Die Student:innen kennen Data-Science Techniken zum Umgang mit medizinischen Daten, insbesondere Bildgebungsdaten und gängigen klinischen Daten. Sie werden Machine-Learning-, Deep-Learning- und Bayes'sche Methoden verwenden.
Die Student:innen lernen verschiedene Anwendungen des maschinellen Lernens für die medizinische Bildgebung und deren Funktionsprinzipien kennen. Sie erweitern ihr Verständnis des maschinellen Lernens um spezifische Aspekte der medizinischen Bildgebung und verstehen die Notwendigkeit effizienter Validierungs- und Datenaugmentationstechniken. Sie werden in der Lage sein, eine grundlegende Datenverarbeitungspipeline für medizinische Bilder in Python zu implementieren.	F, M	K3, K5
Die Student:innen kennen Besonderheiten klinischer Daten und typische Variablen. Sie wissen, wie sie diese verarbeiten und mithilfe von maschinellem Lernen und statistischer Modellierung klinische Vorhersagemodelle entwickeln können.	F, M	K3, K5
Die Studierenden haben ein grundlegendes Verständnis von Wahrscheinlichkeit und Bayes'scher Statistik. Sie werden Bayes'sche Inferenz mit Software (z. B. JAGS, STAN) und Bayes'sche Netzwerkmodellierung mit R anwenden.	F, M	K3, K5

Modul- / Lerninhalte:

Medizinische Bildanalyse
- Einführung in die diagnostische Bildgebung, Datenannotation etc.
- Datenverarbeitung medizinischer Bilder
- Klassifizierung medizinischer Bilder
- Segmentierung medizinischer Bilder
- Anwendungsbeispiele in z.B. digitaler Pathologie, Onkologie etc.
Wahrscheinlichkeitsdatenmodellierung
- Umgang mit klinischen Daten und typischen Variablen
- Klinische Vorhersagemodelle, z.B. logistische Regression
- Einführung in die Bayes'sche Statistik
- Anwendung Bayes'scher Inferenz und Bayes'scher Netzwerke für interpretierbare klinische Modelle

Lehrmittel /Materialien:

Ergänzende Literatur:

Zulassungs-voraussetzungen:

Grundkenntnisse in Python, R, Machine/Deep-Learning und Statistik.

Unterrichtssprache:

Englisch

Modulstruktur:

Unterrichtsart	Anzahl Lektionen / Woche
Vorlesung:	4
Übung / Praktikum:	0
Blockunterricht:	0

Leistungsnachweise:

Von der Regelung der "Leistungsnachweise während der Unterrichtszeit" kann dann abgewichen werden, wenn der Dozierende dies in einer Modulbereinbarung während der ersten Woche des Studiensemesters schriftlich bekannt gibt.

Bezeichnung	Art	Form	Umfang	Bewertung	Gewichtung
Leistungsnachweise während Unterrichtszeit	Projektdokumentation	schriftlich	2 Berichte	Benotung	2x20%=40%
Semesterendprüfung	Klausur	schriftlich	60 Min.	Benotung	60%

Bemerkungen

Kurs: Data Science in Health - Vorlesung

Nr.

t.BA.WV.DSHEAL-EN.23HS.V