深度學習與醫學大數據

編輯推薦

適讀人群：各級醫學研究者、醫學院學生和教師

①一本針對醫學數據深度學習的內容十分全面且可實現操作性的圖書。②此書涉及模型內容前沿，極具前瞻性；文稿中有計算機編程的介紹，可按其操作。③所選案例不僅包括圖像數據，而且有臨床資料庫數據、基因數據、蛋白數據。期望讀者閱讀之後能在自己的數據中實現深度學習模型。④書稿中部分數據為作者工作成果，是作者在臨床中收集整理而來。

內容簡介

隨著數據量的幾何級數增長，近5年，以數據為導向的預測和因果推斷在學術界有著巨大的進展。本書將著重討論這兩方面的進展，以及如何套用這些成果進行醫學科學研究。

本書前半部分以重症監護治療室患者的數據為例介紹如何進行醫學數據的預處理，如何使用機器學習模型預測患者的死亡率。本書前半部分的重點在於深度學習，內容包括神經網路的基礎知識、利用卷積神經網路分類誘發電點陣圖像、利用遞歸神經網路預測疾病的復發以及利用自編碼算法去除圖像噪音以生**的模擬圖像。本書還涉及基礎醫學中深度學習的套用以及如何解釋機器學習模型。然而，醫學實踐中往往不只需要預測某個患者的某項結局，更需要知道哪些治療能夠改善結局。本書在神經網路模型之後將以膿毒症患者的治療為例介紹強化學習的概念，從而為進入因果推斷搭建橋樑。

本書最後2個專題著重討論如何通過因果關係圖直觀地判斷因果關係中的混雜因素、如何使用回歸控制混雜因素、如何利用傾向得分控制混雜因素以及如何利用逆機率加權控制混雜因素。結合強化學習的概念，最後將討論如何評估隨時間變化的治療，以及如何建立治療策略。

本書可作為各級醫學研究者、醫學院學生和教師的參考用書。

圖書目錄

1 機器學習基礎 / 1

1.1 數據概況 / 2

1.2 數據的預處理和特徵選取 / 3

1.3 缺失值的處理與插補 / 8

1.4 交叉驗證 / 12

1.5 模型建立 / 13

1.6 模型比較 / 20

2 梯度提升決策樹 / 23

2.1 超參數 / 26

2.2 特徵重要性 / 32

2.3 模型的臨床套用 / 33

2.4 模型集成 / 35

2.5 機器學習的報告要點 / 38

3 聚類算法 / 41

3.1 各種聚類算法 / 42

3.2 主成分分析 / 46

3.3 聚類算法的直觀顯示 / 48

4 神經網路 / 51

4.1 感知器 / 52

4.2 全連線神經網路的訓練 / 53

4.3 控制過擬合 / 58

4.4 公開數據來源 / 61

5 卷積神經網路 / 67

5.1 卷積運算 / 68

5.2 池化運算 / 71

5.3 簡單卷積神經網路的構建和訓練 / 71

深度學習與醫學大數據

基本介紹

編輯推薦

內容簡介

圖書目錄

作者簡介

相關詞條

熱門詞條