本书面向国家智能医学工程与生物医学工程的重大需求，系统介绍人工智能的基础理论、在医疗健康领域的核心应用及未来发展趋势。本书内容涵盖医学影像识别、自然语言处理、预测建模等关键技术，并通过典型案例展现其在辅助诊断、药物研发与公共卫生等场景中的实践价值。
样章试读
目录
- 目录
导论篇
第1章 医学人工智能概述 2
1.1 医学及人工智能的背景 2
1.1.1 医学的背景 2
1.1.2 人工智能的背景 3
1.2 人工智能的基本概念 4
1.2.1 人工智能的定义 4
1.2.2 人工智能的发展历程 4
1.2.3 人工智能的通用技术简介 6
1.3 医学人工智能介绍 7
1.3.1 医学人工智能的定义 7
1.3.2 医学人工智能的场景 8
1.3.3 医学人工智能的优势 8
1.4 医学人工智能数据 8
1.4.1 数据的类型与特点 9
1.4.2 医学人工智能中数据的重要性 9
1.4.3 数据质量控制与评估 10
1.5 医学人工智能的伦理 10
1.5.1 数据的隐私保护 10
1.5.2 人工智能决策的责任界定 11
1.5.3 公平性与可及性问题 11
习题 12
第2章 医学人工智能应用与发展 13
2.1 医学人工智能在医学影像和诊断领域的应用 13
2.1.1 方法与技术 14
2.1.2 案例分析 14
2.1.3 发展趋势 16
2.2 医学人工智能在临床决策支持系统领域的应用 17
2.2.1 方法与技术 17
2.2.2 案例分析 18
2.2.3 发展趋势 19
2.3 医学人工智能在疾病预测和预防领域的应用 19
2.3.1 方法与技术 20
2.3.2 案例分析 20
2.3.3 发展趋势 21
2.4 医学人工智能的产业化发展 21
2.4.1 医学数据质量、标注与隐私伦理问题 22
2.4.2 主流应用 22
2.4.3 产业发展面临的挑战与对策 23
2.5 医学人工智能应用的未来发展方向 23
2.5.1 技术创新的趋势 23
2.5.2 跨学科合作的重要性 24
2.5.3 对医疗体系的影响与变革 24
习题 25
基础篇
第3章 传统机器学习 27
3.1 机器学习概述 27
3.1.1 机器学习的概念 27
3.1.2 机器学习的发展 28
3.1.3 机器学习的类型 30
3.2 有监督学习 31
3.2.1 回归分析 31
3.2.2 朴素贝叶斯 33
3.2.3 决策树 35
3.2.4 k近邻 36
3.2.5 支持向量机 37
3.3 无监督学习与半监督学习 39
3.3.1 无监督学习 40
3.3.2 半监督学习 43
习题 44
第4章 深度学习 45
4.1 深度学习概述 45
4.1.1 深度学习的概念 45
4.1.2 深度学习的发展 46
4.1.3 深度学习的类型 48
4.2 卷积神经网络 49
4.3 循环神经网络 51
4.4 图卷积神经网络 54
习题 56
第5章 联邦学习 57
5.1 联邦学习概述 57
5.2 联邦学习的类型 58
5.2.1 横向联邦学习 58
5.2.2 纵向联邦学习 60
5.2.3 联邦迁移学习 60
5.3 隐私保护技术 62
5.3.1 同态加密技术 62
5.3.2 差分隐私技术 63
5.3.3 安全多方计算 65
5.4 异构解决方案 65
5.4.1 异构数据 65
5.4.2 异构模型 66
习题 66
第6章 迁移学习与强化学习 67
6.1 迁移学习 67
6.1.1 迁移学习概述 67
6.1.2 迁移学习的基本方法 69
6.2 强化学习 76
6.2.1 强化学习概述 76
6.2.2 强化学习的基本方法 79
习题 85
进阶篇
第7章 医学数据分析 87
7.1 医学数据概述 87
7.1.1 医学数据的类型 87
7.1.2 医学数据的用途 93
7.2 医学数据预处理 94
7.2.1 影像数据 94
7.2.2 信号数据 98
7.2.3 生物数据 100
7.2.4 网络数据 104
7.3 医学数据的分析方法 105
7.3.1 医学图像分析 105
7.3.2 医学信号分析 109
7.3.3 生物数据分析 114
7.3.4 网络数据分析 117
7.4 医学大数据存储与分析 120
7.4.1 医学大数据存储 120
7.4.2 医学大数据分析 122
习题 124
第8章 医学知识图谱 125
8.1 医学知识图谱构建与更新 125
8.1.1 实体抽取与关系建模 126
8.1.2 知识图谱的维护与更新 130
8.2 知识图谱的查询 131
8.2.1 资源描述框架数据查询 132
8.2.2 子图匹配查询 132
8.2.3 基于标签的查询 134
8.2.4 基于本体的查询 135
8.3 知识图谱的样例查询 136
8.3.1 知识图谱样例查询的概念 136
8.3.2 本体抽取知识图谱上的单样例查询 137
8.3.3 本体标签知识图谱上的多样例查询 144
8.3.4 中医方剂知识图谱样例查询方法示例 145
习题 149
第9章 医学大模型 150
9.1 医学大模型的理论基础 150
9.1.1 概念与基础框架 150
9.1.2 技术与计算逻辑 151
9.2 医学影像大模型 151
9.2.1 大模型的架构 151
9.2.2 大模型的示例 153
9.3 医学文本大模型 154
9.3.1 大模型的架构 154
9.3.2 大模型的示例 155
9.4 药物研发大模型 157
9.4.1 大模型的架构 157
9.4.2 大模型的示例 158
习题 160
应用篇
第10章 智能医学辅助诊断 162
10.1 智能影像辅助诊断 162
10.1.1 背景与意义 162
10.1.2 智能影像辅助诊断方法 163
10.1.3 智能影像辅助诊断的开发与实践 166
10.1.4 挑战与趋势 170
10.2 生理信号辅助诊断 172
10.2.1 背景与意义 172
10.2.2 生理信号辅助诊断方法 172
10.2.3 生理信号分析的性能评估 174
10.2.4 挑战与趋势 177
10.3 报告自动生成 177
10.3.1 背景与意义 178
10.3.2 报告自动生成方法 178
10.3.3 报告自动生成的性能评估 179
10.3.4 挑战与趋势 180
习题 182
第11章 智能医学辅助治疗 184
11.1 癌症的个性化诊疗方案 184
11.1.1 背景与意义 184
11.1.2 风险评估与早期筛查 185
11.1.3 病理生理与分子分型 186
11.1.4 个性化诊疗方案的制定 186
11.1.5 智能化的精准辅助治疗 188
11.2 辅助医疗机器人 189
11.2.1 背景与意义 190
11.2.2 技术原理与应用 191
11.2.3 挑战与趋势 194
11.3 人工智能药物组作用分析 195
11.3.1 背景与意义 195
11.3.2 技术与应用 196
11.3.3 挑战与趋势 199
习题 200
第12章 智慧健康管理理论与实践 201
12.1 背景与意义 201
12.2 智慧健康管理的应用体系 202
12.2.1 疾病预防 202
12.2.2 慢性病管理 202
12.2.3 医疗服务优化 202
12.2.4 健康保险和支付 203
12.2.5 健康保险数字化转型 204
12.2.6 其他健康管理领域 205
12.3 智慧健康管理的实践案例 206
12.4 挑战与趋势 208
习题 208
参考文献 210
京公网安备 11010102004214号