开展与医学相关的人工智能算法应用实践，内置医学相关的训练集，同时也对外加训练集开放，由管理员统一管理；通过服务器统一调配训练资源，包括课程、训练集、硬件算力等，在教学与科研两个方面保证批量化实时的训练效果。

4.教师可根据学生情况增加、调整实验项目。

实验资源介绍：

1）人工智能与医学数据：讲解医学数据相关知识，如数据类型格式、人工智能原理及应用等，借助可执行代码案例教授 Python 医学数据处理和数据集构建。

2）序列型医学数据的分类诊断：设有心脏病、糖尿病等疾病诊断项目，以及心血管疾病诊断挑战项目。实验涵盖目的、原理、数据清洗等环节，数据多为 csv 格式，并总结建模思路。

3）影像分析与诊断：包含 2D 眼底图像青光眼诊断、CXR 新冠肺炎诊断等项目。基于 Pytorch 和 MONAI 框架编写代码，展示数据格式转换，部分数据集有样本数要求，还有 X 光骨折检测挑战项目。

4）影像语义分割：开展 2D 皮肤病变分割、CT 图像腹部多器官分割等项目，介绍 nnUnet 框架使用，展示数据格式转换，有样本数要求和眼底血管分割挑战项目。

5）影像目标检测：涉及血液细胞检测、肺部结节目标检测等项目，讲解 yolo 目标检测架构使用，展示数据格式转换，有样本数要求和肺癌目标检测挑战项目。

6）影像配准：进行 2D 手部 X 光图像配准、脑成像配准实验，基于特定框架编写代码，展示数据读取方式，总结影像配准算法特点。