新書推薦：
《
现代战机百科全书（全2册）
》
售價：HK$
514.8
《
巴黎圣母院全书（2025年全新修订版本）
》
售價：HK$
437.8
《
新民说·德国公法史：帝国公法学与警察学（1600—1800）（马克斯·普朗克欧洲法律史研究所所长、国
》
售價：HK$
184.8
《
白色市场：美国商业麻醉品问题纪实
》
售價：HK$
85.8
《
高能聚焦冲击波动力学
》
售價：HK$
107.8
《
人工智能翻译与译后编辑
》
售價：HK$
54.9
《
枪与炮：武器百科全书（全2册）
》
售價：HK$
437.8
《
神的人类学：海舍尔的宗教哲学
》
售價：HK$
77.0
|
| 內容簡介： |
|
医学大数据分析是人工智能、大数据与医学的交叉学科，也是人工智能的重要分支领域。《医学大数据与人工智能》定位为该领域的入门教材，涵盖广泛的医学数据种类及其基础和进阶分析方法。《医学大数据与人工智能》共13章，1～4章介绍医学大数据和人工智能的基础知识；5～9章介绍医学图像、医学信号、医学文本、生物组学的单*及联合分析方法，每章内容包含基础和进阶方法，基础方法聚焦于必要的预处理和**传统分析方法，进阶方法则聚焦于利用深度神经网络完成复杂和高阶的数据处理任务；10～13章介绍模型性能评估方法、临床决策支持系统、医学人工智能伦理及Python基础知识。《医学大数据与人工智能》注重理论与实践相结合，通过大量真实临床数据分析案例帮助读者快速掌握实践方法，关键算法均提供了实现代码。
|
| 目錄：
|
|
目录第1章 导论 11.1 医学人工智能简介 11.2 本书的范畴和架构 2第2章 医学大数据 42.1 医学大数据简介 42.2 医学大数据分析简介 8第3章 人工智能方法基础 133.1 机器学习 153.2 知识图谱 233.3 推理方法 293.4 搜索方法 36第4章 深度学习 434.1 深度神经网络基础 434.2 卷积神经网络 484.3 循环神经网络 504.4 Transformer 514.5 图神经网络 55第5章 医学图像的分析 585.1 医学图像简介 585.2 医学图像基本处理方法 615.3 医学影像进阶分析方法 685.4 医学影像分析实例 74第6章 医学信号的分析 876.1 医学信号简介 876.2 医学信号基本处理方法 886.3 医学信号进阶分析方法 976.4 医学信号分析实例 101第7章 医学文本的分析 1127.1 医学文本简介 1127.2 医学文本基本处理方法 1147.3 医学文本进阶分析方法 1187.4 医学文本分析实例 121第8章 生物组学数据分析 1428.1 生物组学数据简介 1428.2 生物组学数据基本处理方法 1448.3 生物组学数据进阶分析方法 1588.4 生物组学数据分析实例 165第9章 多模态医学数据的联合分析 1779.1 多模态数据分析简介 1779.2 多模态数据分析方法 1789.3 多模态医学数据分析实例 180第10章 性能评估方法 18810.1 交叉验证法 18810.2 回归任务准确性评估 18910.3 分类任务准确性评估 191第11章 临床决策支持系统 19911.1 医学专家系统 19911.2 现代临床决策支持系统20111.3 SaMD简介 205第12章 医学人工智能伦理 20812.1 数据隐私与数据安全 20812.2 算法偏见 209第13章 Python开发环境配置与基本语法 21213.1 Python简介 21213.2 Python开发环境配置 21213.3 Python基本语法 21313.4 深度学习框架搭建及实例 219
|
| 內容試閱：
|
|
第1章 导 论 1.1 医学人工智能简介 1.医学人工智能发展简史 随着人工智能（artificial intelligence， AI）、大数据、移动互联网等技术的快速发展，现代医学模式也面临着重大变革，人工智能技术正在深入医疗健康行业的各个方面，成为促进医疗事业发展的先导力量。 人工智能是融合计算机科学、信息论、控制论等多个学科交叉发展而诞生的一门学科。医学是一门涵盖临床医学、基础医学、检验医学、药学等诸多领域的系统学科。医学人工智能（medical artificial intelligence， MedAI）是人工智能与医学进一步交叉产生的一门学科，是以医学及其相关理论和技术为支撑，以助力医学发展为目的而产生的新兴学科。由此可知，医学人工智能所包含的领域是非常广阔的。从具体技术的角度来看，它包含大数据、智能传感、智能控制、虚拟/现实与增强现实、物联网等诸多领域；从应用的角度来看，则包含医学成像、体外诊断、智能诊疗、医用机器人、药物研发等诸多方面。 人工智能与医学的碰撞不是一朝完成的，其中经历了漫长的发展过程。众所周知，人工智能起源于20世纪50年代，其在医学领域的发展也随之展开。早期，费根鲍姆（Edward Feigenbaum）为核心的医学专家系统于1976年，如MYCIN系统，用于细菌感染的诊断和治疗方案**。我国的第一个医学专家系统也于1978年诞生，北京中医医院关幼波教授与计算机领域专家合作研发了我国第一个医学专家系统“肝病诊疗程序”，这是一次将医学专家系统应用到传统中医领域的尝试。随后，随着人工智能发展进入低谷，其在医学领域的发展也陷入困境。 21世纪以来，随着人工智能技术的快速发展，医学人工智能也进入快速和多样化的发展阶段。2000年，IBM公司开发的Watson系统进一步提升了临床决策系统的认知能力。2007年，美国Intuitive Surgical公司研发了*台手术机器人“达芬奇”外科手术机器人。随着算法和算力的革命性突破，医学人工智能也进入飞速发展阶段，并取得了诸多令人瞩目的进展。随着技术的日益成熟，越来越多的医学人工智能产品开始从实验室走出来，进入临床应用阶段。2018年，用于筛查糖尿病视网膜病变的工具IDx-DR获得美国食品药品监督管理局（Food and Drug Administration， FDA）批准上市，成为*个获批的新型人工智能医疗器械。2020年，冠脉血流储备分数计算软件在我国获得*张医疗器械三类注册证。 2.医学人工智能的应用方向 目前，医学人工智能进入了一个多样化、快速化的发展阶段，人工智能相关技术正在渗透临床医学和基础医学研究的各个方面和环节。下面简要介绍人工智能在医学领域几个典型的应用方向。 医学影像：自1895年德国物理学家威廉？康拉德？伦琴（Wilhelm Conrad R？ntgen）发现X射线以来，医学影像已成为现代医学中*有效的诊断技术之一，极大地改变了医学诊断技术的面貌，广泛地应用于现代诊疗流程中。通过高性能的成像设备和功能丰富的软件系统，医师可以“看到”人体的生理结构、组织功能、代谢状态等。最新人工智能技术和医学成像技术的结合使得医学影像在观察人体生理结构、组织功能、代谢、代谢、病理等方面的能力不断突破。目前，智能影像重建、智能病灶识别、智能多学科会诊等也是相关研发人员努力的重要方向。 临床智能诊疗：智能诊疗系统比临床决策，它含诊断、筛查、预测、治疗方案制订、术后评估等临床决策过程。医学专家的概念比较宽泛，包含系统通过对大量医学知识及专家诊疗经验的学习，模拟人类医学专家的诊断过程，提供快速、精准的医学诊断结果和个性化的诊疗方案。智能诊疗既可以基于某种单一医学信息进行处理和分析，也可以融合自然语言处理、医学图像处组学分析等多数据模态开展临床决策。 急重症监护：急重症监护对医护人员和专业器械都具有高度要求，往往需要专业医疗人员24小时不间断地值守，并且不间断地产生大量专业仪器的分析数据。医护人员的导致这些数据重症监护资源稀缺、价格昂贵。与此同时，医护人员难以实时监护海量监护数据，导致这些数据变成无用数据。急重症的智能监护主要聚焦于由监护仪器获取患者生命信息数据并开展分析，以期在少量或者无医护人员干预的情况下，实现临床紧急情况的预警，甚至监护设备的自主调节。急重症监护人工智能不仅可以大大减轻急重症病房监护人员的工作负担，也有望减少患者在重症病房的时间，减轻患者经济负担。 手术机器人：手术机器人是将人工智能技术和机器人技术相结合在医疗领域的重大应用，机器人辅助手术是指将机器人技术应用到外科手术方面，辅助外科医生或自主完成复杂的外科手术。手术机器人融合了多领域的知识，如医学、机器人学、材料学、计算机科学、图像处理等相关技术，利用手术机器人系统实现准确定位、自主规划、精准动作控制等一系列行为，其可以实现手术操作，可以在较为狭小的手术部位实现超越医生操作范围的手术器械精准操控或可实现更灵活、更可控的手术过程，且得到切口更小、恢复时间更短、并发症风险更小的手术后体验。目前，机器人技术在外科手术、康复管理方面获得广泛而成功的应用。 药物研发：药物研发的过程需要经历靶点筛选、药物挖掘、临床试验、药物优化等阶段。传统的药物研发需要投入大量的时间与金钱，平均研制一款新药需要10亿美元和10年左右的时间，并且根据塔夫茨药物开发研究中心数据，90%的药物研发在临床试验的*后两个阶段中失败，研发成本高达26亿美元，寻找成功的新药变得越来越困难。目前，人工智能主要应用于靶点筛选、药物挖掘等方面。传统的基因测序技术主要是解码和记录，较难实现智能解读，因此从基因序列中挖掘的有效信息十分有限。人工智能技术通过将健康人的全基因组序列和RNA序列导入建立应用模型，可以对学习健康人的RNA剪切模式并用于靶点筛选。此外，人工智能在药物研发领域的应用还可以通过对医学文献的分析实现。研究人员利用自然语言处理技术实现海量的医学文献，以及基因组学、蛋白质组学、代谢组学、脂质组学等数据源中自动提取候选的药物靶点，筛选已知化学物质于新的治疗应用，从而缩短研发时间周期、可药物研发的成功率。 可穿戴设备与家庭健康：人工智能可以利用临床级医疗设备提高穿戴物智能设备全方位地获取人体的生命体征和健康数据，从而给出个人健康管理的个性化方案。例如，美国Emtatica公司推出的监护腕表可以实现癫痫发作的实时监测和量化评估。英国Babylon Health公司研发的健康助理服务应用系统通过将真正的医生与人工智能“助理”结合，为消费者提供全天候个性化的健康管理服务。 医疗系统的优化：目前实际的医疗管理中存在人员混杂、管理效率低下等问题，通过建立人工智能体系，优化医疗资源配置可以弥补医院管理漏洞，促进医院管理。人工智能的应用已体现在医疗系统优化的各个方面，如大量的医疗数据可以在医院的自助终端上得到完成，极大地缓解了医务人员的工作压力。人工智能可以联合大数据技术获取电子病历信息，进而精准地为患者推送相应的保健知识，甚至可以实现医疗产品和耗材管理的精细化，透明化使医务人员了解患者的需求。此外，人工智能还可以用药物，同时相应的反馈也可以更加高效地，可以在源头上杜绝药品浪费的问题。 公共卫生管理：人工智能正在对公共卫生产生颠覆性的影响。人工智能被用于协助完成流行病和疫情趋势预测、优化卫生资源分配、疫苗开发等。人工智能技术在疫情应对的各个方面，包括预测病毒传播、病毒检测、帮助开发疫苗及优化医疗资源分配等也有重要作用。 1.2 本书的范畴和架构 1.医学大数据简介 医学大数据是医学人工智能的核心方向之一。正如上文所述，医学人工智能所涵盖的相关技术和应用场景非常广阔，但这些工作的核心往往都是围绕医学大数据的分析展开的。医学大数据泛指所有与生命健康和医疗相关的数字化数据，无论是疾病诊疗与监护、医学影像、药物研发，还是家庭健康管理和公共卫生管理，其核心任务往往都是医学大数据的分析。 医学大数据在临床科研、公共卫生、行业治理、管理决策、惠民服务和产业发展等方面影响着整个医疗行业的变革。根据数据来源的不同，医学大数据可以分为临床大数据、生物大数据、健康大数据、运营大数据等。 临床大数据：临床医疗的主要目标是关注个人身体健康状况，临床大数据主要包括电子健康档案、医学影像设备产生的医学影像数据以及其他生理生化检测等数据。 生物大数据：是指从生物医学实验室、临床领域和公共卫生领域获得的基因组学、转录组学、实验胚胎学、生物大数据代谢组学等研究数据，这些数据有助于理解遗传标记与疾病之间的因果关系，目前已成为一种新兴的疾病预防和治疗手段。 健康大数据：包括对个人健康产生影响的生活方式、运动和饮食、环境和行为、心理和情绪等方面的数据。 运营大数据：是指由各类医疗机构、社保中心、商业医疗保险机构、药企、药店等单位的运营所产生的数据，如成本核算数据，医药、耗材、器械采购数据，药品研发数据，产品流通数据等。 2.本书的架构和特点 本书聚焦于与临床诊疗过程密切相关的医学数据分析。临床诊疗是医疗系统的核心内容之一，其绝非一个简单的过程，而是一个融合大量临床知识、经验、病历、检查、医学文献的复杂决策过程。医学数据主要是医生、检查等医疗行为在临床诊疗过程中产生和使用的数据，包括电子病历、医学影像检查、生理生化检查以及生物信息学数据。具体来说，本书涵盖了与临床诊疗过程密切相关的医学影像、医学信号、医学文本和生物组学四大类医学数据。 第3章介绍人工智能的概念和主要方法，并通过介绍医学大数据的来源、分类和基本特征。 第2章*先介绍医学大数据，包括**方法帮助读者理解人工智能的原理和应用。 第4章主要介绍深度学习的相关基础和主要神经网络的原理。深度学习是人工智能的一个分支，近年来发展快速，并在医学数据分析中得到了广泛而深入的应用。 第5-8章分别针对医学图像、医学信号、医学文本和生物组学这四大类医学数据的分析方法进行介绍。数据的实际处理是一个烦琐的过程，既包含核心算法的构建，也包含数据的读取、预处理、后处理、性能评估等过程。因此，不同模态的数据分析方法既有共同之处，也有其特殊之处。例如，卷积神经网络是处理图像数据的**网络，但也可以用来处理信号数据和文本数据，只是在将数据送入网络之前，需要对图像、信号和文本进行的预处理过程是非常不同的。因此，在每一部分，本书*先介绍每种数据的读取、预处理以及其他一些相关的**方法，随后聚焦一些近年来发展的进阶类方法，主要是基于深度学习网络的方法。 第9章专门讨论多模态医学数据融合分析方法。近些年信息交互融合是一个更加符合实际决策过程的复杂处理方式。随着算法、算力等的发展，多模态融合多模态的分析技术也得到蓬勃发展。 第10章系统介绍数据分析模型的性能评估方法。 第11章介绍**的临床决策支持系统，即医学专家系统和现代临床决策支持系统，以帮助读者更好地理解医学大数据分析在实际应用场景下的工作方式。 第12章对医学人工智能的政策和伦理进行讨论。 第13章对Python语言和Python框架进行介绍，方便没有相关基础的读者学习。 医学大数据分析是一门实用性很强的学科，为了方便读者更好地掌握本书讲解的理论知识，本书除了介绍方法的原理，还结合大量的程序讲解帮助读者更好地理解和应用。此外，本书还提供了大量真实临床数据和公开数据的获取方式，以供读者作为实践的起点。 本书的定位是生物医学工程专业和临床智能医学工程的本科生及研究生的入门教材。 第2章 医学大数据 近年来，医学大数据的维度、广度和深度都在快速增长。电子病历和电子健康档案的广泛应用、大型临床研究的不断开展等使得医疗
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
