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。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。

第1章 智慧医疗的概念和发展历程
1.1 人工智能技术的起源和发展历程
1.1.1 人工智能的理论基础
1.1.2 AI的诞生
1.1.3 AI的第一个黄金时代
1.1.4 AI的第一个寒冬
1.1.5 AI的第二个黄金时代
1.1.6 AI的第二个寒冬
1.1.7 AI的稳健发展期
1.1.8 AI的新时代： 深度学习
1.2 智慧医疗的基本概念
1.2.1 起源
1.2.2 基本概念
1.2.3 智慧医疗的典型应用
1.3 我国医学人工智能的发展
1.4 本章小结
习题
第2章 传统机器学习的原理与方法
2.1 基础概念
2.1.1 监督学习
2.1.2 无监督学习
2.1.3 半监督学习
2.1.4 欠拟合和过拟合
2.2 分类
2.2.1 分类的基本概念
2.2.2 利用机器学习进行乳腺癌分类的实例
2.3 回归
2.3.1 回归的基本概念
2.3.2 基于线性回归的糖尿病数据集预测
2.4 聚类
2.5 本章小结
习题
第3章 深度学习的原理与方法
3.1 早期的人工神经网络
3.1.1 神经元
3.1.2 感知机
3.1.3 从感知机到神经网络
3.1.4 激活函数
3.1.5 梯度下降法
3.1.6 反向传播
3.2 全连接的前馈神经网络
3.3 卷积神经网络
3.4 生成对抗网络
3.5 循环神经网络/LSTM
3.5.1 循环神经网络
3.5.2 LSTM
3.5.3 医疗领域的应用
3.6 图神经网络
3.6.1 图神经网络
3.6.2 医疗领域的应用
3.7 搭建自己的第一个神经网络
3.7.1 任务描述
3.7.2 数据集
3.7.3 运行环境及模型选择
3.7.4 实验过程
3.7.5 实验代码及讲解
3.8 本章小结
习题
第4章 医学数据的特点和实验设计
4.1 医学数据来源
4.1.1 医学数据来源介绍
4.1.2 医学数据来源案例
4.2 医学数据特点
4.2.1 常见医学数据特点
4.2.2 医学数据特点举例
4.3 医学数据质量评估
4.3.1 医学数据常见质量问题
4.3.2 医学数据质量评估方法
4.3.3 影像数据质量评估方法案例
4.4 医学数据预处理
4.4.1 医学影像数据预处理方法
4.4.2 医学文本数据预处理方法
4.4.3 医学数据预处理案例
4.5 实验设计
4.5.1 任务抽象
4.5.2 数据集构建
4.5.3 方法选择和开发
4.5.4 方法评价和结果分析
4.5.5 研究案例
4.6 本章小结
习题
第5章 医学影像人工智能处理技术
5.1 医学影像类型
5.1.1 X射线影像
5.1.2 超声影像
5.1.3 CT影像
5.1.4 MRI影像
5.2 医学影像的分类方法
5.2.1 引言
5.2.2 AlexNet方法
5.2.3 VGG方法
5.2.4 GoogLeNet方法
5.2.5 ResNet方法
5.2.6 DenseNet方法
5.2.7 SENet方法
5.2.8 EfficientNet方法
5.2.9 ViT方法
5.2.10 分类方法的可解释性
5.2.11 案例构建和分析
5.2.12 搭建第一个医学影像分类网络
5.3 医学影像的目标检测方法
5.3.1 引言
5.3.2 RCNN系列方法
5.3.3 YOLO系列方法
5.3.4 RetinaNet方法
5.3.5 Anchorfree系列方法
5.3.6 DETR系列方法
5.3.7 搭建第一个目标检测网络
5.4 医学影像的分割方法
5.4.1 引言
5.4.2 FCN方法
5.4.3 DeepLab方法
5.4.4 UNet方法
5.4.5 VNet方法
5.4.6 Transformer的分割方法
5.4.7 搭建自己的第一个医学影像分割模型
5.5 人工智能在医学影像分析中的应用
5.5.1 肺部病变识别中的人工智能
5.5.2 乳腺癌筛查中的人工智能
5.5.3 眼底疾病诊断中的人工智能
5.6 本章小结
习题
第6章 医学文本人工智能处理技术
6.1 医学文本简介
6.1.1 电子病历
6.1.2 影像报告
6.1.3 检验检查报告单
6.1.4 医学书籍
6.1.5 诊疗对话
6.1.6 医学文本特点小结
6.2 文本向量化表示和预训练
6.2.1 OneHot编码表示
6.2.2 Word2vec
6.2.3 以BERT为代表的预训练模型
6.2.4 以GPT为代表的大语言模型
6.3 文本分类
6.3.1 医学文本分类的特点和难点
6.3.2 医学文本分类常用数据集
6.3.3 多标签分类任务——以ICD编码任务为例
6.4 信息抽取
6.4.1 医学命名实体识别
6.4.2 医学关系抽取
6.4.3 医学事件抽取
6.5 医学文本摘要
6.6 医学问答
6.6.1 医学问答任务概述
6.6.2 医学问答任务的挑战
6.6.3 医学问答涉及的领域
6.6.4 医学问答典型方法
6.7 应用实践——电子病历自动质检
6.7.1 电子病历质检的意义
6.7.2 病历质检流程面临的问题
6.7.3 技术方法及系统实现
6.7.4 利用人工智能技术带来的改善