本書主要介紹智慧醫(yī)療中的人工智能理論與算法原理，按照兩條主線組織內容：一條主線是人工智能理論與方法，介紹了近十年來機器學習與深度學習的典型模型與方法；另一條主線是智慧醫(yī)學應用案例，涵蓋了眼科、骨科、內臟、腫瘤、慢性病、流行病、傳染病、生物制藥等各個方面。兩條主線相互交織，展示了人工智能在智慧醫(yī)療中的應用，包括醫(yī)學影像的智能分析與檢測技術、醫(yī)學數(shù)據(jù)的智能推斷與輔助診療技術、醫(yī)學大數(shù)據(jù)分析以及分子生物學分析技術等。本書每章后面附有習題，供讀者練習和自我檢查用。
本書可作為醫(yī)工結合以及相關領域碩士生教材，也可作大學本科生（主要講授本書中基本原理）教材，還可以作為博士生參考教材（主要講授本書前沿技術）。對于從事智慧醫(yī)療行業(yè)的技術人員，本書也可以作為主要技術參考書。
第1章 人工智能理論 001～041
1.1 機器學習與深度學習概述 001
1.2 聚類與降維算法 003
1.2.1 K-means算法 003
1.2.2 主成分分析 003
1.3 分類算法 004
1.3.1 邏輯回歸與KNN 004
1.3.2 決策樹與隨機森林 005
1.3.3 支持向量機 006
1.4 基于監(jiān)督的深度學習 007
1.4.1 深度神經(jīng)網(wǎng)絡 007
1.4.2 卷積神經(jīng)網(wǎng)絡 015
1.4.3 循環(huán)神經(jīng)網(wǎng)絡 022
1.5 基于半監(jiān)督的深度學習 025
1.5.1 生成對抗網(wǎng)絡 025
1.5.2 深度強化學習 031
1.6 遷移學習 034
參考文獻 039
第2章 智慧醫(yī)療信息系統(tǒng) 042～063
2.1 醫(yī)療信息與醫(yī)療系統(tǒng) 042
2.1.1 醫(yī)療大數(shù)據(jù) 042
2.1.2 醫(yī)院信息系統(tǒng) 046
2.1.3 影像存儲與傳輸系統(tǒng) 047
2.1.4 實驗室信息系統(tǒng) 049
2.2 醫(yī)學影像 051
2.2.1 超聲成像 051
2.2.2 X線成像 052
2.2.3 CT與磁共振成像 053
2.2.4 其他影像 055
2.3 人工智能在醫(yī)學診療中的應用 056
2.3.1 智能影像分析 056
2.3.2 智能輔助診療 059
2.3.3 智能藥物研發(fā) 060
參考文獻 062
第3章 眼部影像分析 064～100
3.1 角膜塑形術 064
3.1.1 角膜概述 065
3.1.2 基于機器學習的適配狀態(tài)評估方案 067
3.1.3 測試結果與分析 071
3.2 視網(wǎng)膜眼底血管結構分割 073
3.2.1 視網(wǎng)膜眼底血管結構分割概述 073
3.2.2 基于數(shù)字圖像處理的眼底血管分割方法 074
3.2.3 基于深度神經(jīng)網(wǎng)絡的眼底血管分割方法 077
3.2.4 實驗數(shù)據(jù)集及評估指標 079
3.2.5 測試結果與分析 080
3.3 白內障自動分級 081
3.3.1 白內障概述 081
3.3.2 基于支持向量機的分級算法 083
3.3.3 基于深度神經(jīng)網(wǎng)絡遷移的聯(lián)合分級算法 085
3.3.4 實驗數(shù)據(jù)集與評估指標 088
3.3.5 診斷結果與分析 089
3.4 白內障糖尿病視網(wǎng)膜病變聯(lián)合診斷 090
3.4.1 糖尿病視網(wǎng)膜病變概述 090
3.4.2 基于多任務學習的聯(lián)合診斷方案 092
3.4.3 實驗數(shù)據(jù)集 095
3.4.4 診斷結果與分析 096
參考文獻 099
第4章 X線影像分析 101～133
4.1 顱部標記點自動識別 101
4.1.1 X線頭影測量概述 101
4.1.2 基于深度神經(jīng)網(wǎng)絡的自動標注 103
4.1.3 實驗數(shù)據(jù)集及預處理 107
4.1.4 測試結果與分析 108
4.2 大骨節(jié)病自動判別 109
4.2.1 大骨節(jié)病概述 109
4.2.2 手部X線影像圖像預處理 111
4.2.3 基于卷積神經(jīng)網(wǎng)絡的特征提取 113
4.2.4 測試與分析 116
4.3 骨腫瘤智能診斷 117
4.3.1 骨腫瘤概況 118
4.3.2 骨腫瘤良惡性判別算法 119
4.3.3 實驗結果與分析 124
4.4 骨腫瘤壞死率預測 126
4.4.1 基于Pix2Pix網(wǎng)絡的單張樣本生成 126
4.4.2 基于LSTM-GAN網(wǎng)絡的時序樣本生成 129
4.4.3 基于3D-CNN網(wǎng)絡的壞死率分類預測 130
參考文獻 131
第5章 內臟CT影像分析 134～170
5.1 主動脈夾層智能診斷 134
5.1.1 主動脈CT影像概述 134
5.1.2 主動脈夾層智能診斷方案 136
5.1.3 實驗數(shù)據(jù)及結果分析 142
5.2 腹腔CT影像智能分割 145
5.2.1 肝臟/腎臟智能分割概述 145
5.2.2 腸道器官智能分割概述 147
5.3 肝臟/腎臟智能分割 150
5.3.1 肝臟/腎臟智能分割方法 150
5.3.2 實驗數(shù)據(jù)及結果分析 157
5.4 腸道器官智能分割 160
5.4.1 腸道器官智能分割難點 160
5.4.2 腸道器官智能分割方案 161
5.4.3 實驗數(shù)據(jù)及結果分析 167
參考文獻 168
第6章 手術輔助治療 171～186
6.1 手術器械自動識別 171
6.1.1 手術器械分類及檢測概述 171
6.1.2 基于深度學習的手術器械識別 172
6.1.3 手術器械目標檢測實例及應用 174
6.2 手術流程分析 176
6.2.1 手術流程分析概述 176
6.2.2 基于時序信息的手術流程分析策略 177
6.3 手術視頻摘要生成 179
6.3.1 視頻關鍵幀提取及摘要生成原理 179
6.3.2 基于無監(jiān)督學習的手術視頻摘要生成 181
6.4 機器人輔助手術 183
6.4.1 機器人手術簡介 183
6.4.2 基于強化學習的機器人輔助手術 184
參考文獻 185
第7章 腫瘤放射輔助治療 187～207
7.1 放射醫(yī)學 187
7.1.1 放射治療簡介 187
7.1.2 人工智能在放射治療中的應用 190
7.2 質子放療與重離子放療 191
7.2.1 質子放療 191
7.2.2 重離子放療 192
7.2.3 質子/重離子放療優(yōu)勢 193
7.3 基于神經(jīng)網(wǎng)絡的靶區(qū)勾畫 194
7.3.1 靶區(qū)勾畫簡介 194
7.3.2 建模方法 197
7.3.3 模型框架與模型訓練 200
7.3.4 性能測試與評估 202
參考文獻 204
第8章 慢性病飲食推薦 208～235
8.1 慢性病概述 208
8.1.1 高血壓 208
8.1.2 糖尿病 210
8.1.3 慢性腎臟病 211
8.2 慢性病的飲食指導 212
8.2.1 基本營養(yǎng)素 213
8.2.2 主食與副食分析 214
8.3 慢性病的飲食推薦 224
8.3.1 基于線性規(guī)劃的飲食推薦 225
8.3.2 基于遺傳算法的飲食推薦 229
參考文獻 234
第9章 流行病大數(shù)據(jù)分析 236～258
9.1 流行病傳播模型 236
9.1.1 流行病傳播模型概述 236
9.1.2 SIR模型 237
9.1.3 SEIR模型 239
9.2 SARS傳播分析 241
9.2.1 SARS概述 241
9.2.2 SARS傳播模型分析 243
9.3 MERS傳播分析 251
9.3.1 MERS簡介 252
9.3.2 MERS傳播模型分析 253
參考文獻 257
第10章 分子生物醫(yī)學 259～290
10.1 遺傳學基本概念 259
10.1.1 DNA和RNA的結構 259
10.1.2 蛋白質結構與編碼 260
10.1.3 冠狀病毒結構 262
10.2 新型冠狀病毒演化分析 263
10.2.1 多序列比對 264
10.2.2 構建病毒遺傳演化樹 272
10.2.3 病毒tMRCA及進化速率估算 279
10.3 藥物篩選 283
10.3.1 藥物篩選介紹 283
10.3.2 基于人工智能技術的小分子藥物篩選 285
參考文獻 288
書單推薦
