機(jī)器學(xué)習(xí)輔助醫(yī)學(xué)影像分析與臨床診斷

目錄
“新一代人工智能理論、技術(shù)及應(yīng)用叢書”序
序
前言
第1章 引言 1
1.1 醫(yī)學(xué)影像學(xué)分析與人工智能 1
1.1.1 基本概況 1
1.1.2 技術(shù)手段 1
1.1.3 應(yīng)用領(lǐng)域 3
1.2 臨床診斷與人工智能 5
1.2.1 疾病診斷的人腦智能時(shí)代 5
1.2.2 臨床診斷的人工智能時(shí)代 7
1.3 人工智能在醫(yī)學(xué)影像和臨床診斷中的機(jī)遇與挑戰(zhàn) 8
參考文獻(xiàn) 9
第2章 人工智能與機(jī)器學(xué)習(xí)算法基礎(chǔ) 11
2.1 機(jī)器學(xué)習(xí) 11
2.1.1 逆?zhèn)鞑ゾW(wǎng)絡(luò) 12
2.1.2 極限學(xué)習(xí)機(jī) 16
2.1.3 支持向量機(jī) 19
2.1.4 深度學(xué)習(xí)算法 27
2.1.5 其他機(jī)器學(xué)習(xí) 29
2.2 卷積神經(jīng)網(wǎng)絡(luò) 37
2.2.1 卷積神經(jīng)網(wǎng)絡(luò)概念 37
2.2.2 卷積神經(jīng)網(wǎng)絡(luò)現(xiàn)有研究方法與進(jìn)展 39
2.2.3 卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域的應(yīng)用 41
2.3 自然語言處理 43
2.3.1 正則表達(dá)式 44
2.3.2 自然語言處理技術(shù)介紹 45
2.3.3 自然語言處理在醫(yī)學(xué)文本挖掘中的應(yīng)用 51
2.4 深度學(xué)習(xí) 52
2.4.1 深度學(xué)習(xí)概述 52
2.4.2 深度學(xué)習(xí)模型及其應(yīng)用場景 55
2.4.3 深度學(xué)習(xí)在醫(yī)學(xué)圖像中的應(yīng)用 59
2.5 遷移學(xué)習(xí) 60
2.5.1 遷移學(xué)習(xí)的基本假設(shè)與定義 62
2.5.2 遷移學(xué)習(xí)研究現(xiàn)狀與進(jìn)展 63
2.5.3 遷移學(xué)習(xí)方法在醫(yī)學(xué)領(lǐng)域的應(yīng)用 67
2.6 圖卷積神經(jīng)網(wǎng)絡(luò) 69
2.6.1 背景與概念 69
2.6.2 圖卷積神經(jīng)網(wǎng)絡(luò)的現(xiàn)有方法與架構(gòu) 70
2.6.3 圖卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域的應(yīng)用 73
參考文獻(xiàn) 76
第3章 人工智能算法在臨床診斷中的應(yīng)用 79
3.1 蟻群算法的應(yīng)用 79
3.1.1 蟻群算法的基本概念 79
3.1.2 蟻群算法的研究現(xiàn)狀與進(jìn)展 80
3.1.3 蟻群算法在醫(yī)學(xué)領(lǐng)域的應(yīng)用 81
3.2 模糊集合的應(yīng)用 84
3.2.1 模糊集合基本假設(shè)與定理 84
3.2.2 模糊集合的應(yīng)用舉例 86
3.3 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用 88
3.3.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念 88
3.3.2 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用舉例 90
3.4 K 近鄰算法的應(yīng)用 92
3.4.1 K 近鄰算法基本概念 92
3.4.2 K 近鄰算法在醫(yī)學(xué)影像中的應(yīng)用 94
3.5 決策樹算法的應(yīng)用 97
3.5.1 決策樹算法的基本概念 97
3.5.2 決策樹算法流程與調(diào)用 99
3.5.3 決策樹算法在醫(yī)學(xué)影像中的應(yīng)用 99
3.6 支持向量機(jī)算法的應(yīng)用 104
3.6.1 線性可分支持向量機(jī)與硬間隔*大化 105
3.6.2 近似線性可分SVM與軟間隔*大化 108
3.6.3 非線性可分SVM與核函數(shù) 109
3.6.4 SVM算法在醫(yī)學(xué)影像中的應(yīng)用 111
3.7 隨機(jī)森林算法的應(yīng)用 113
3.7.1 隨機(jī)森林算法流程與調(diào)用 114
3.7.2 隨機(jī)森林算法應(yīng)用實(shí)例 115
3.8 其他算法的應(yīng)用 117
3.8.1 主成分分析 118
3.8.2 線性判別分析 121
3.8.3 局部線性嵌入 124
3.8.4 三大降維算法在醫(yī)學(xué)影像中的應(yīng)用 127
參考文獻(xiàn) 130
第4章 人工智能在消化內(nèi)鏡圖像中的應(yīng)用 133
4.1 人工智能輔助上消化道內(nèi)鏡檢查質(zhì)量控制 133
4.1.1 巴雷特食管異型增生的鑒別 133
4.1.2 食管鱗狀細(xì)胞癌的鑒定 134
4.1.3 胃癌的鑒別 135
4.1.4 人工智能在胃腸道內(nèi)窺鏡領(lǐng)域的未來挑戰(zhàn) 136
4.2 輔助檢測巴雷特食管 137
4.2.1 巴雷特食管的定義 137
4.2.2 巴雷特食管的內(nèi)鏡下篩查現(xiàn)狀 137
4.2.3 人工智能輔助檢測巴雷特食管的應(yīng)用 138
4.2.4 小結(jié) 140
4.3 輔助消化道早癌及癌前病變的篩查 140
4.3.1 結(jié)腸息肉檢測 141
4.3.2 胃癌早期檢測 141
4.3.3 食管癌的檢測 143
4.3.4 AI 在消化道早癌及癌前病變篩查應(yīng)用中的限制 144
4.4 人工智能輔助下消化道內(nèi)鏡檢查質(zhì)量控制 145
4.4.1 計(jì)算機(jī)輔助檢測 145
4.4.2 計(jì)算機(jī)輔助診斷 146
4.4.3 計(jì)算機(jī)輔助監(jiān)測 146
4.4.4 展望 147
4.5 輔助檢測結(jié)直腸息肉 147
4.5.1 研究背景 147
4.5.2 人工智能輔助檢測結(jié)直腸息肉研究進(jìn)展 148
4.5.3 結(jié)論與展望 152
4.6 人工智能輔助膠囊內(nèi)鏡檢查質(zhì)量控制 152
4.6.1 膠囊內(nèi)鏡的用途及對AI的需求 152
4.6.2 圖像處理的AI技術(shù) 153
4.6.3 AI 方法在膠囊內(nèi)鏡檢查中的應(yīng)用與進(jìn)展 157
4.6.4 不足與展望 159
參考文獻(xiàn) 159
第5章 人工智能在超聲影像中的應(yīng)用 167
5.1 輔助診斷肝臟疾病 167
5.1.1 人工智能輔助超聲診斷肝臟疾病簡介 167
5.1.2 人工智能輔助超聲診斷肝臟疾病的應(yīng)用 168
5.2 輔助診斷膽胰疾病 171
5.2.1 膽胰疾病與人工智能 171
5.2.2 人工智能輔助識別胰腺腫瘤 172
5.2.3 人工智能輔助識別膽道疾病 173
5.2.4 未來展望 174
5.3 輔助乳腺疾病的診斷 174
5.3.1 概述 174
5.3.2 AI在乳腺超聲診斷中的研究現(xiàn)狀及應(yīng)用進(jìn)展 175
5.3.3 AI輔助乳腺超聲診斷的意義及面臨的挑戰(zhàn) 178
5.4 輔助甲狀腺疾病的診斷 179
5.4.1 概述 179
5.4.2 AI在甲狀腺超聲診斷中的研究現(xiàn)狀及應(yīng)用進(jìn)展 181
5.4.3 AI輔助甲狀腺超聲診斷的意義及面臨的挑戰(zhàn) 183
參考文獻(xiàn) 184
第6章 人工智能在X射線、CT和MRI檢查診斷中的應(yīng)用 190
6.1 輔助CT識別腹部脂肪 190
6.1.1 脂肪組織的臨床意義 190
6.1.2 脂肪組織的影像學(xué)表現(xiàn) 192
6.1.3 人工智能輔助識別脂肪組織研究進(jìn)展 193
6.1.4 未來展望 195
6.2 輔助CT在腹水診斷中的應(yīng)用 196
6.2.1 影像學(xué)與腹水 196
6.2.2 CT在腹水診斷中的應(yīng)用 196
6.2.3 研究的特色與創(chuàng)新 199
6.2.4 局限性與未來展望 200
6.3 輔助診斷腦功能磁共振 200
6.3.1 腦功能磁共振的概念 200
6.3.2 FMRI在醫(yī)學(xué)中的應(yīng)用現(xiàn)狀及前景 205
6.3.3 AI在FMRI中的應(yīng)用現(xiàn)狀及優(yōu)勢 208
參考文獻(xiàn) 220
第7章 人工智能識別自然光線采集照片在疾病診斷中的應(yīng)用 225
7.1 輔助鞏膜顏色識別（應(yīng)用案例） 226
7.1.1 研究背景 226
7.1.2 研究方法 227
7.1.3 研究結(jié)果 233
7.1.4 研究結(jié)論 236
7.2 輔助皮膚顏色識別 236
7.2.1 自然光照片可感知的局部病變和全身疾病在皮膚的表現(xiàn) 236
7.2.2 自然光下皮膚照片的機(jī)器學(xué)習(xí) 238
參考文獻(xiàn) 242
第8章 基于機(jī)器學(xué)習(xí)輔助消化系統(tǒng)疾病臨床診治 244
8.1 輔助炎癥性腸病的發(fā)病風(fēng)險(xiǎn)預(yù)測、疾病診斷、預(yù)測治療效果 244
8.1.1 發(fā)病機(jī)制 244
8.1.2 診斷與鑒別診斷 245
8.1.3 病情評價(jià)與治療 247
8.1.4 慢病管理 249
8.2 輔助診斷潰瘍性結(jié)腸炎 249
8.2.1 潰瘍性結(jié)腸炎內(nèi)鏡特點(diǎn) 249
8.2.2 黏膜愈合 250
8.2.3 內(nèi)鏡及組織學(xué)愈合評估 251
8.2.4 人工智能與UC疾病活動度 253
8.2.5 結(jié)腸炎相關(guān)癌變 256
8.3 輔助腹水的鑒別診斷 257
8.3.1 常見的腹水相關(guān)指標(biāo) 257
8.3.2 腹水鑒別診斷存在的困難 259
8.3.3 AI技術(shù)輔助腹水診斷的相關(guān)研究實(shí)例 259
8.3.4 人工智能技術(shù)在腹水等醫(yī)學(xué)研究中的困境 263
8.4 輔助消化道動力學(xué)檢測識別 264
8.4.1 食管動力障礙性疾病與相關(guān)檢測方法 264
8.4.2 基于機(jī)器學(xué)習(xí)輔助識別HRM圖譜協(xié)助診斷食管動力障礙性疾病 269
8.4.3 展望 271
8.5 輔助檢測幽門螺桿菌感染 272
8.5.1 幽門螺桿菌的醫(yī)學(xué)簡述及檢測方法 272
8.5.2 機(jī)器學(xué)習(xí)在輔助檢測幽門螺桿菌感染中的運(yùn)用 274
參考文獻(xiàn) 278
第9章 對人工智能驅(qū)動下的未來醫(yī)療的展望 282
9.1 人工智能在醫(yī)療中前景廣闊 282
9.2 人工智能與未來醫(yī)療 282
9.3 展望 283