良醫(yī)利器：人工智能技術在醫(yī)療健康領域的應用及Python實現(xiàn)

目錄
**部分 健康醫(yī)療領域應用人工智能技術需要掌握的醫(yī)學知識
第1章 主觀的癥狀和客觀的體征 3
1.1 癥狀的數(shù)字化：以疼痛為例 4
1.2 手部的體征：手指和指甲暗示的疾病 9
1.3 傳統(tǒng)醫(yī)學重視的體征：舌與舌苔 14
第2章 19 世紀前醫(yī)生的診斷工具 18
2.1 病史采集 19
2.2 體格檢查 24
第3章 醫(yī)學檢查和相關數(shù)據(jù)應用 29
3.1 實驗室檢查 30
3.2 心電圖和心律失常數(shù)據(jù)庫 32
3.3 醫(yī)學影像技術與影像學檢查 38
第4章 循證醫(yī)學與鑒別診斷 51
4.1 診斷性實驗中常用的指標 51
4.2 鑒別診斷 56
第5章 診斷中的問題 67
5.1 疾病篩查與過度診斷 71
5.2 案例：用聚類算法發(fā)現(xiàn)膿毒癥的過度診斷 74
5.3 診斷錯誤——排名第三的死亡原因 79
5.4 案例：用XGBoost算法找到被誤診為2型糖尿病的1型糖尿病患者 82
第二部分 人工智能技術和機器學習算法在九種常見
疾病診治及管理過程中的應用
第6章 乳腺癌——女性*常見的癌癥 89
6.1 乳腺癌篩查產生大比例假陽性 91
6.2 圖像識別技術對乳腺癌診斷的支持 92
6.3 機器學習算法可減少不必要的腫塊切除 96
6.4 小結 104
第7章 冠心病——導致死亡的頭號殺手 106
7.1 冠心病的起因、位置和風險因素 107
7.2 心血管疾病的無創(chuàng)性診斷 109
7.3 冠心病診斷金標準：冠狀動脈造影 111
7.4 用于冠心病診斷與預測的AI技術及產品 112
7.5 用于超聲心動圖的AI技術 114
7.6 小結 121
第8章 卒中——時間就是生命 123
8.1 卒中的快速診斷及定量診斷 127
8.2 卒中的影像學診斷：ASPECTS 評分和e-ASPECTS軟件 130
8.3 通過CT片自動計算腦脊液體積 136
8.4 小結 140
第9章 糖尿病——患病人口占中國人口的13% 142
9.1 糖尿病的類型和發(fā)展階段 145
9.2 血糖監(jiān)測與胰島素泵 147
9.3 使用模糊邏輯控制的人工胰腺 148
9.4 食物圖像識別支持胰島素劑量計算 153
9.5 血糖預測及低血糖偵測 157
9.6 糖尿病并發(fā)癥預測及分析 167
9.7 小結 173
第10章 超重和肥胖——影響中國過半的成年人 175
10.1 肥胖的風險因素 177
10.2 利用遺傳信息預測肥胖 178
10.3 體重管理：高鈣飲食促排脂肪 183
10.4 兒童肥胖風險因素分析及預測 186
10.5 減重效果預測 191
10.6 小結 199
第11章 高血壓——影響中國近三成的成年人 201
11.1 血壓測量史及爭論 202
11.2 血壓測量的標準方法及測量差異 204
11.3 勺型、非勺型及反勺型血壓 206
11.4 SPRINT研究及高血壓較差預后的特征發(fā)現(xiàn) 210
11.5 高血壓預測 213
11.6 小結 221
第12章 機器學習與乙肝防治 224
12.1 預測乙肝表面抗原血清清除率 227
12.2 準確評估及預測肝纖維化、肝硬化 229
12.3 預測肝炎患者的惡性轉化 233
12.4 小結 235
第13章 不孕不育癥與輔助生殖技術 237
13.1 胚胎發(fā)育過程 238
13.2 人工授精和體外受精 240
13.3 胚胎質量評估 245
13.4 體外受精的成功率預測 250
13.5 小結 260
第14章 阿爾茨海默病 261
14.1 神經(jīng)元的結構和功能 262
14.2 失智癥與阿爾茨海默病 264
14.3 阿爾茨海默病的診斷 269
14.4 阿爾茨海默病的病情發(fā)展 276
14.5 阿爾茨海默病數(shù)據(jù)資源簡介 278
14.6 使用機器學習算法診斷阿爾茨海默病 282
14.7 小結 285
第三部分 機器學習簡介及醫(yī)療健康領域中文本處理、圖像分析、疾病預測和診斷的Python實現(xiàn)
第15章 機器學習簡介 289
15.1 用于發(fā)現(xiàn)數(shù)據(jù)關系的回歸分析 290
15.2 線性回歸的進階：logistic回歸 293
15.3 機器學習的基本概念及分類問題 295
15.4 樸素貝葉斯分類器 298
15.5 聚類分析和K均值算法 300
15.6 機器學習算法性能評估 301
15.7 過擬合和欠擬合 305
15.8 特征選擇 307
第16章 Python語言精髓 311
16.1 案例：在清代方書和國家藥物基本目錄間架一座橋梁 313
16.2 案例：用線性回歸和支持向量機預測糖尿病風險 342
16.3 案例：用決策樹判定乳腺腫塊的良惡性 362
16.4 案例：使用集成學習算法預測心臟病 379
16.5 案例：使用深度學習算法為MRI影像做圖像分類以判定阿爾茨海默病的發(fā)展階段 392
后記 416