“

本书系统全面介绍人工智能技术在医学健康领域的应用

”

一

内容简介

作者：傅湘玲 石佳琳 吴及 许南方

丛书名：清华科技大讲堂丛书

定价：69元

出版日期：2025.06.01

本书围绕智慧医疗的概念、方法和应用实践展开。首先描述了智慧医疗的发展历程和基本概念，然后介绍了近年来推动智慧医疗发展的关键技术——机器学习和深度学习方法；为使读者更好地理解智慧医疗如何有效应用，系统介绍了医学数据的特点和实验设计方法；在应用场景方面重点介绍了医学影像和医学文本的类型，处理技术和方法，并给出了具体的实验案例和实验过程，让初学者能形成更准确的理解；最后系统介绍了医学人工智能的伦理问题以及面临的机遇与挑战，让读者对智慧医疗的未来发展有所思考。本书注重理论方法与应用案例相结合，在每个部分尽可能给出相应的实例，为读者动手实践给予具体指导。

二

读者对象

本书适用于电子信息类以及医工交叉方向的本科生、研究生，也适合从事医学人工智能方向的研究人员和从业者阅读。

三

本书特色

与智能医学相关的研究已成为人工智能赋能的一个重要方向。本教材的编写集合了多位工科专家和医学专家在智能医学这一交叉领域的探索和实践，编者都是国内多年从事医学人工智能教学和科研的学者，在该领域具有丰富的教学和科研经历。

通过本书，读者可以了解智慧医疗的发展过程和前沿，在具备相关技术基础的前提下，深入掌握医学人工智能某一领域的应用；能系统掌握学科交叉前沿知识，将技术与领域应用结合。

四

目录

第1章 智慧医疗的概念和发展历程1

1.1人工智能技术的起源和发展历程1

1.1.1人工智能的理论基础1

1.1.2 AI的诞生3

1.1.3 AI的第一个黄金时代6

1.1.4 AI的第一个寒冬9

1.1.5 AI的第二个黄金时代11

1.1.6 AI的第二个寒冬12

1.1.7 AI的稳健发展期13

1.1.8 AI的新时代：深度学习14

1.2智慧医疗的基本概念16

1.2.1起源16

1.2.2基本概念16

1.2.3智慧医疗的典型应用18

1.3我国医学人工智能的发展25

1.4本章小结26

习题26

第2章 传统机器学习的原理与方法30

2.1基础概念30

2.1.1监督学习30

2.1.2无监督学习32

2.1.3半监督学习32

2.1.4欠拟合和过拟合33

2.2分类33

2.2.1分类的基本概念33

2.2.2利用机器学习进行乳腺癌分类的实例34

2.3回归40

2.3.1回归的基本概念40

2.3.2基于线性回归的糖尿病数据集预测41

2.4聚类43

2.5本章小结44

习题45

第3章 深度学习的原理与方法46

3.1早期的人工神经网络46

3.1.1神经元46

3.1.2感知机46

3.1.3从感知机到神经网络48

3.1.4激活函数49

3.1.5梯度下降法49

3.1.6反向传播50

3.2全连接的前馈神经网络51

3.3卷积神经网络53

3.4生成对抗网络55

3.5循环神经网络/LSTM 56

3.5.1循环神经网络56

3.5.2 LSTM 56

3.5.3医疗领域的应用57

3.6图神经网络58

3.6.1图神经网络58

3.6.2医疗领域的应用59

3.7搭建自己的第一个神经网络60

3.7.1任务描述60

3.7.2数据集60

3.7.3运行环境及模型选择60

3.7.4实验过程61

3.7.5实验代码及讲解61

3.8本章小结66

习题66

第4章医学数据的特点和实验设计68

4.1医学数据来源68

4.1.1医学数据来源介绍68

4.1.2医学数据来源案例70

4.2医学数据特点71

4.2.1常见医学数据特点71

4.2.2医学数据特点举例73

4.3医学数据质量评估75

4.3.1医学数据常见质量问题75

4.3.2医学数据质量评估方法76

4.3.3影像数据质量评估方法案例78

4.4医学数据预处理79

4.4.1医学影像数据预处理方法79

4.4.2医学文本数据预处理方法84

4.4.3医学数据预处理案例86

4.5实验设计88

4.5.1任务抽象88

4.5.2数据集构建90

4.5.3方法选择和开发94

4.5.4方法评价和结果分析94

4.5.5研究案例102

4.6本章小结104

习题104

第5章 医学影像人工智能处理技术105

5.1医学影像类型105

5.1.1 X射线影像105

5.1.2超声影像106

5.1.3 CT影像108

5.1.4 MRI影像109

5.2医学影像的分类方法110

5.2.1引言110

5.2.2 AlexNet方法111

5.2.3 VGG方法113

5.2.4 GoogLeNet方法113

5.2.5 ResNet方法115

5.2.6 DenseNet方法116

5.2.7 SENet方法117

5.2.8 EfficientNet方法117

5.2.9 ViT方法119

5.2.10分类方法的可解释性120

5.2.11案例构建和分析123

5.2.12搭建第一个医学影像分类网络125

5.3医学影像的目标检测方法126

5.3.1引言126

5.3.2 R-CNN系列方法127

5.3.3 YOLO系列方法131

5.3.4 RetinaNet方法136

5.3.5 Anchor free系列方法137

5.3.6 DETR系列方法139

5.3.7搭建第一个目标检测网络142

5.4医学影像的分割方法145

5.4.1引言145

5.4.2 FCN方法146

5.4.3 DeepLab方法148

5.4.4 U-Net方法150

5.4.5 V-Net方法152

5.4.6 Transformer的分割方法153

5.4.7搭建自己的第一个医学影像分割模型154

5.5人工智能在医学影像分析中的应用160

5.5.2乳腺癌筛查中的人工智能162

5.5.3眼底疾病诊断中的人工智能164

5.6本章小结166

习题166

第6章 医学文本人工智能处理技术169

6.1医学文本简介169

6.1.1电子病历169

6.1.2影像报告170

6.1.3检验检查报告单171

6.1.4医学书籍171

6.1.5诊疗对话172

6.1.6医学文本特点小结173

6.2文本向量化表示和预训练173

6.2.1 One-Hot编码表示173

6.2.2 Word2vec174

6.2.3以BERT为代表的预训练模型177

6.2.4以GPT为代表的大语言模型177

6.3文本分类178

6.3.1医学文本分类的特点和难点178

6.3.2医学文本分类常用数据集179

6.3.3多标签分类任务——以ICD编码任务为例180

6.4信息抽取184

6.4.2医学关系抽取189

6.4.3医学事件抽取191

6.5医学文本摘要193

6.6医学问答195

6.6.1医学问答任务概述195

6.6.2医学问答任务的挑战196

6.6.3医学问答涉及的领域196

6.6.4医学问答典型方法198

6.7应用实践——电子病历自动质检202

6.7.1电子病历质检的意义202

6.7.2病历质检流程面临的问题203

6.7.3技术方法及系统实现204

6.7.4利用人工智能技术带来的改善206

6.8本章小结207

习题207

第7章 医学知识图谱的构建与应用208

7.1知识图谱概述208

7.1.1知识图谱发展历程208

7.1.2医学知识图谱现状210

7.2医学知识图谱的构建211

7.2.1知识表示与建模212

7.2.2知识抽取219

7.2.3知识融合223

7.2.4知识存储226

7.2.5知识推理231

7.2.6质量评估234

7.3知识图谱构建实例236

7.3.1任务概述236

7.3.2数据分析236

7.3.3图谱设计237

7.3.4图谱创建239

7.4医学知识图谱应用245

7.4.1临床决策支持诊断245

7.4.2医学问答系统245

7.4.3智能语义搜索245

7.5本章小结246

习题246

第8章 医学人工智能中的伦理问题247

8.1伦理的基本概念247

8.1.1如何理解伦理247

8.1.2伦理立场248

8.2医学人工智能伦理问题分析250

8.2.1大数据伦理问题250

8.2.2人工智能医疗设备伦理问题256

8.2.3人工智能的准确性260

8.2.4医学人工智能的可解释性问题262

8.3职业伦理264

8.3.1职业道德264

8.3.2计算机专业人员的道德准则265

8.3.3医生的职业伦理规范268

8.4伦理与监管269

8.5本章小结270

习题270

第9章 医学人工智能的机遇与挑战271

9.1面向临床的人工智能概述271

9.2医学人工智能的技术发展273

9.2.1多组学273

9.2.2迁移学习275

9.2.3多模态学习278

9.3医学人工智能的挑战281

9.3.1医疗领域大模型281

9.3.2临床诊疗质量的科学评估与有效监管285

9.3.3药物发现287

9.4本章小结298

习题298

参考文献299

五

样章试读

购书链接