人工智能與智慧醫(yī)療

本書主要介紹智慧醫(yī)療中的人工智能理論與算法原理，按照兩條主線組織內(nèi)容：一條主線是人工智能理論與方法，介紹了近十年來機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的典型模型與方法；另一條主線是智慧醫(yī)學(xué)應(yīng)用案例，涵蓋了眼科、骨科、內(nèi)臟、腫瘤、慢性病、流行病、傳染病、生物制藥等各個(gè)方面。兩條主線相互交織，展示了人工智能在智慧醫(yī)療中的應(yīng)用，包括醫(yī)學(xué)影像的智能分析與檢測(cè)技術(shù)、醫(yī)學(xué)數(shù)據(jù)的智能推斷與輔助診療技術(shù)、醫(yī)學(xué)大數(shù)據(jù)分析以及分子生物學(xué)分析技術(shù)等。本書每章后面附有習(xí)題，供讀者練習(xí)和自我檢查用。
本書可作為醫(yī)工結(jié)合以及相關(guān)領(lǐng)域碩士生教材，也可作大學(xué)本科生（主要講授本書中基本原理）教材，還可以作為博士生參考教材（主要講授本書前沿技術(shù)）。對(duì)于從事智慧醫(yī)療行業(yè)的技術(shù)人員，本書也可以作為主要技術(shù)參考書。

本書特色： 1.本書內(nèi)容豐富，從理論到應(yīng)用，由淺入深，易于讀者理解； 2.本書圖文并茂，實(shí)際應(yīng)用案例豐富，講解清晰有條理，注重細(xì)節(jié)； 本書作者在近幾年與全國多家知名醫(yī)院有深入合作，積累了大量研究成果與成功應(yīng)用案例

人工智能是當(dāng)今科技界熱門的領(lǐng)域，而智慧醫(yī)療更是熱門中的熱門。中國、美國、日本、英國等多個(gè)國家的人工智能計(jì)劃都把醫(yī)療作為重要的應(yīng)用領(lǐng)域，谷歌、微軟、IBM、騰訊、阿里、百度等科技巨頭都積極布局智慧醫(yī)療產(chǎn)業(yè)。
回顧人工智能的三次熱潮，醫(yī)學(xué)都是人工智能應(yīng)用的重要領(lǐng)域。早在第一次人工智能熱潮中，計(jì)算機(jī)專家就與醫(yī)學(xué)界開展合作，進(jìn)行了智慧醫(yī)療的早期探索。例如，1959年，美國喬治敦大學(xué)教授Ledley首次建立了計(jì)算機(jī)診斷的數(shù)學(xué)模型，并成功診斷了一組肺癌病例，開創(chuàng)了計(jì)算機(jī)輔助診斷的先河。1966年，他正式提出了“計(jì)算機(jī)輔助診斷”的概念。
在第二次人工智能熱潮中，醫(yī)學(xué)專家系統(tǒng)成為智慧醫(yī)療領(lǐng)域的一個(gè)重要分支。1982年，美國匹茲堡大學(xué)的Miller等人發(fā)明了著名的Internist-Ⅰ內(nèi)科計(jì)算機(jī)輔助診斷系統(tǒng)，擁有當(dāng)時(shí)最大的知識(shí)庫，包括了572種疾病，約4500種癥狀，以及10萬種疾病表現(xiàn)與疾病間的聯(lián)系。1978年，北京中醫(yī)醫(yī)院的關(guān)幼波大夫與計(jì)算機(jī)科研人員合作，根據(jù)自己的辨證施治經(jīng)驗(yàn)，研發(fā)出肝病診療程序，在國內(nèi)率先把中醫(yī)學(xué)與計(jì)算機(jī)技術(shù)結(jié)合，開創(chuàng)了我國第一個(gè)醫(yī)學(xué)專家系統(tǒng)。
盡管這些系統(tǒng)促進(jìn)了智慧醫(yī)療的發(fā)展，但它們大都建立在知識(shí)規(guī)則與邏輯推理上，難以適應(yīng)復(fù)雜多變的醫(yī)學(xué)應(yīng)用，在臨床推廣中遇到了諸多難題。特別是難以與醫(yī)學(xué)影像結(jié)合，主要原因是視覺系統(tǒng)成像模糊、人體組織結(jié)構(gòu)或功能的復(fù)雜性及傳統(tǒng)算法的局限性。
第三次人工智能熱潮為智慧醫(yī)療取得技術(shù)突破提供了歷史性機(jī)遇。IBM公司開發(fā)的沃森腫瘤系統(tǒng)在癌癥診療方面進(jìn)行了先驅(qū)探索。從2011年開始，沃森腫瘤系統(tǒng)就在美國著名的紀(jì)念斯隆?凱特琳腫瘤中心，學(xué)習(xí)了超過300種醫(yī)學(xué)期刊、250本醫(yī)學(xué)書籍及1500萬頁的資料和臨床數(shù)據(jù)。這個(gè)系統(tǒng)應(yīng)用自然語言處理技術(shù)，為癌癥診療提供建議。公開數(shù)據(jù)顯示，該系統(tǒng)的診療方案與頂級(jí)專家團(tuán)隊(duì)方案的符合度超過90%，肺癌治療建議的一致性達(dá)到了96%。
2018年，谷歌旗下的DeepMind公司與英國Moorfields眼科醫(yī)院合作，開發(fā)了眼部疾病診療系統(tǒng)，基于光學(xué)相干斷層掃描成像，采用深度學(xué)習(xí)技術(shù)，診斷一系列復(fù)雜的眼部疾病。該系統(tǒng)覆蓋的眼部疾病超過 50 種，包括青光眼、糖尿病視網(wǎng)膜病變和老年性黃斑變性等，其準(zhǔn)確度和世界一流專家相當(dāng)。
2021年，DeepMind公司發(fā)布了AlphaFold2蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫，解決了50年來蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的世界級(jí)難題。在此之前，通過實(shí)驗(yàn)方法解析蛋白質(zhì)結(jié)構(gòu)是一項(xiàng)費(fèi)時(shí)費(fèi)力的工作，20世紀(jì)末人們開始用計(jì)算機(jī)算法預(yù)測(cè)蛋白質(zhì)的結(jié)構(gòu)，但效果并不理想。AlphaFold2網(wǎng)絡(luò)采用深度學(xué)習(xí)方法，在幾分鐘內(nèi)準(zhǔn)確預(yù)測(cè)目標(biāo)蛋白質(zhì)序列的最終結(jié)構(gòu)，精度可達(dá)原子級(jí)。這項(xiàng)成就有望在結(jié)構(gòu)生物學(xué)與生物制藥領(lǐng)域掀起一場(chǎng)革命。
60多年來，人工智能在醫(yī)學(xué)領(lǐng)域的應(yīng)用越來越廣泛，影響越來越深遠(yuǎn)。特別是最近十年，隨著第三次人工智能熱潮的興起，智慧醫(yī)療正在如火如荼地快速發(fā)展，新的模型與案例層出不窮，很多高校設(shè)立了醫(yī)工結(jié)合專業(yè)，大力培養(yǎng)相關(guān)專業(yè)人才，因此迫切需要一本教材，全面反映人工智能在醫(yī)學(xué)領(lǐng)域應(yīng)用的最新進(jìn)展。
本教材的編寫，希望為我國相關(guān)專業(yè)的人才培養(yǎng)貢獻(xiàn)一份力量。整個(gè)教材內(nèi)容，按照兩條主線展開：一條主線是人工智能理論與方法，介紹了近十年來機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的典型模型與方法；另一條主線是智慧醫(yī)學(xué)應(yīng)用案例，涵蓋了眼科、骨科、內(nèi)臟、腫瘤、慢性病、流行病、傳染病、生物制藥等各個(gè)方面。兩條主線相互交織，展示了人工智能在智慧醫(yī)療中的應(yīng)用。
按照雙主線結(jié)構(gòu)，全書組織為四部分內(nèi)容：人工智能理論與智慧醫(yī)療信息系統(tǒng)（第1、2章），首先介紹人工智能基本理論，包括機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的典型算法與模型，其次介紹智慧醫(yī)療信息系統(tǒng)的基本概念、組織框架與結(jié)構(gòu)；醫(yī)學(xué)影像的智能處理與輔助診斷（第3～5章），針對(duì)眼部影像、X線影像、CT影像等典型的醫(yī)學(xué)影像，闡述了深度學(xué)習(xí)與機(jī)器學(xué)習(xí)算法在角膜塑形、視網(wǎng)膜眼底血管結(jié)構(gòu)分割、白內(nèi)障自動(dòng)分級(jí)、白內(nèi)障糖網(wǎng)病聯(lián)合診斷、顱骨標(biāo)記、X線頭影測(cè)量、大骨節(jié)病識(shí)別、骨腫瘤判斷與預(yù)測(cè)、骨腫瘤壞死率預(yù)測(cè)、心臟主動(dòng)脈夾層判斷、肝臟/腎臟/腸道器官分割等典型的智能輔助診斷案例中的應(yīng)用；智能輔助治療（第6、7章），針對(duì)手術(shù)視頻樣本，介紹了基于深度學(xué)習(xí)的手術(shù)器械識(shí)別與視頻摘要生成方法，針對(duì)腫瘤放射治療，介紹了基于神經(jīng)網(wǎng)絡(luò)的靶區(qū)勾畫方法；醫(yī)學(xué)大數(shù)據(jù)分析（第8～10章），簡(jiǎn)述了慢性病特征，針對(duì)慢性腎臟病的大數(shù)據(jù)樣本，介紹了基于機(jī)器學(xué)習(xí)的飲食推薦方法，簡(jiǎn)述流行病傳播模型，針對(duì)SARS和MERS兩種典型傳染病，分析了其傳播行為，針對(duì)新型冠狀病毒的RNA序列樣本，介紹了病毒遺傳演化規(guī)律的分析方法。
全書共10章，第1、4、8～10章由牛凱執(zhí)筆，第2、3、5～7章由賀志強(qiáng)執(zhí)筆，牛凱負(fù)責(zé)對(duì)全書內(nèi)容統(tǒng)稿。全書每章后面附有習(xí)題，供讀者練習(xí)和自我檢查用。全書內(nèi)容由淺入深，醫(yī)學(xué)背景與算法原理并舉，以適應(yīng)不同層次教學(xué)需求。本書的使用對(duì)象主要定位于碩士研究生，但是仍可向下兼容大學(xué)本科生（主要講授本書中基本原理），向上兼容博士生（主要講授本書中前沿技術(shù)），對(duì)于從事智慧醫(yī)療行業(yè)的技術(shù)人員，也可以作為主要技術(shù)參考書。
作者所在的北京郵電大學(xué)人工智能學(xué)院信息理論與技術(shù)教研中心，長(zhǎng)期從事醫(yī)療智能信號(hào)處理研究，積累了豐富的研究成果。編寫本教材，首先感謝長(zhǎng)期合作的眾多醫(yī)院與科研機(jī)構(gòu)的大力支持，包括首都醫(yī)科大學(xué)附屬北京同仁醫(yī)院、北京大學(xué)人民醫(yī)院、北京大學(xué)第一醫(yī)院、北京大學(xué)第三醫(yī)院、首都醫(yī)科大學(xué)附屬北京口腔醫(yī)院、中南大學(xué)湘雅二醫(yī)院、中山醫(yī)院、蘭州近代物理研究所等。作者在智慧醫(yī)療方面的研究成果，多是在與醫(yī)學(xué)專家相互交流、反復(fù)磨礪中才誕生的，感謝他們?cè)卺t(yī)學(xué)培訓(xùn)與方法討論中付出的時(shí)間與精力，以及提供的數(shù)據(jù)樣本與專業(yè)評(píng)價(jià)。同時(shí)，也感謝作者指導(dǎo)的歷屆學(xué)生，包括許致遠(yuǎn)、黨金源、冉靜、陳云、王璐、吳文彬、黃甘露、牛增君、劉致鳴、曾芝蘭、薛怡蓉、盧陽等同學(xué)，他們?yōu)楸緯晌奶峁┝酥T多文字與數(shù)據(jù)素材。
本書得到了國家自然科學(xué)基金重點(diǎn)項(xiàng)目（編號(hào)：92067202）與面上項(xiàng)目（編號(hào)：62071058）、國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（編號(hào)：2021YFE0205300）、國家新一代人工智能產(chǎn)業(yè)創(chuàng)新重點(diǎn)任務(wù)揭榜項(xiàng)目、北京市首都衛(wèi)生發(fā)展基金項(xiàng)目（編號(hào)：2020-2-4079）的大力支持，在此一并表示感謝。
特別說明的是，本書為黑白印刷，部分圖片展示效果不佳，對(duì)于這些圖片，讀者可掃描下方二維碼查看彩色版。提供彩色版的圖片均在圖題后以“（電子版）”進(jìn)行了標(biāo)注。
由于作者才疏學(xué)淺，書中難免有不足之處，熱切希望廣大讀者多提寶貴意見和具體建議，以便進(jìn)一步修改完善。

牛凱、賀志強(qiáng)
于北京郵電大學(xué)

第1章 人工智能理論 001～041
1.1　機(jī)器學(xué)習(xí)與深度學(xué)習(xí)概述	001
1.2　聚類與降維算法	003
1.2.1　K-means算法	003
1.2.2　主成分分析	003
1.3　分類算法	004
1.3.1　邏輯回歸與KNN	004
1.3.2　決策樹與隨機(jī)森林	005
1.3.3　支持向量機(jī)	006
1.4　基于監(jiān)督的深度學(xué)習(xí)	007
1.4.1　深度神經(jīng)網(wǎng)絡(luò)	007
1.4.2　卷積神經(jīng)網(wǎng)絡(luò)	015
1.4.3　循環(huán)神經(jīng)網(wǎng)絡(luò)	022
1.5　基于半監(jiān)督的深度學(xué)習(xí)	025
1.5.1　生成對(duì)抗網(wǎng)絡(luò)	025
1.5.2　深度強(qiáng)化學(xué)習(xí)	031
1.6　遷移學(xué)習(xí)	034
參考文獻(xiàn)	039

第2章 智慧醫(yī)療信息系統(tǒng) 042～063
2.1　醫(yī)療信息與醫(yī)療系統(tǒng)	042
2.1.1　醫(yī)療大數(shù)據(jù)	042
2.1.2　醫(yī)院信息系統(tǒng)	046
2.1.3　影像存儲(chǔ)與傳輸系統(tǒng)	047
2.1.4　實(shí)驗(yàn)室信息系統(tǒng)	049
2.2　醫(yī)學(xué)影像	051
2.2.1　超聲成像	051
2.2.2　X線成像	052
2.2.3　CT與磁共振成像	053
2.2.4　其他影像	055
2.3　人工智能在醫(yī)學(xué)診療中的應(yīng)用	056
2.3.1　智能影像分析	056
2.3.2　智能輔助診療	059
2.3.3　智能藥物研發(fā)	060
參考文獻(xiàn)	062

第3章 眼部影像分析 064～100
3.1　角膜塑形術(shù)	064
3.1.1　角膜概述	065
3.1.2　基于機(jī)器學(xué)習(xí)的適配狀態(tài)評(píng)估方案	067
3.1.3　測(cè)試結(jié)果與分析	071
3.2　視網(wǎng)膜眼底血管結(jié)構(gòu)分割	073
3.2.1　視網(wǎng)膜眼底血管結(jié)構(gòu)分割概述	073
3.2.2　基于數(shù)字圖像處理的眼底血管分割方法	074
3.2.3　基于深度神經(jīng)網(wǎng)絡(luò)的眼底血管分割方法	077
3.2.4　實(shí)驗(yàn)數(shù)據(jù)集及評(píng)估指標(biāo)	079
3.2.5　測(cè)試結(jié)果與分析	080
3.3　白內(nèi)障自動(dòng)分級(jí)	081
3.3.1　白內(nèi)障概述	081
3.3.2　基于支持向量機(jī)的分級(jí)算法	083
3.3.3　基于深度神經(jīng)網(wǎng)絡(luò)遷移的聯(lián)合分級(jí)算法	085
3.3.4　實(shí)驗(yàn)數(shù)據(jù)集與評(píng)估指標(biāo)	088
3.3.5　診斷結(jié)果與分析	089
3.4　白內(nèi)障糖尿病視網(wǎng)膜病變聯(lián)合診斷	090
3.4.1　糖尿病視網(wǎng)膜病變概述	090
3.4.2　基于多任務(wù)學(xué)習(xí)的聯(lián)合診斷方案	092
3.4.3　實(shí)驗(yàn)數(shù)據(jù)集	095
3.4.4　診斷結(jié)果與分析	096
參考文獻(xiàn)	099

第4章 X線影像分析 101～133
4.1　顱部標(biāo)記點(diǎn)自動(dòng)識(shí)別	101
4.1.1　X線頭影測(cè)量概述	101
4.1.2　基于深度神經(jīng)網(wǎng)絡(luò)的自動(dòng)標(biāo)注	103
4.1.3　實(shí)驗(yàn)數(shù)據(jù)集及預(yù)處理	107
4.1.4　測(cè)試結(jié)果與分析	108
4.2　大骨節(jié)病自動(dòng)判別	109
4.2.1　大骨節(jié)病概述	109
4.2.2　手部X線影像圖像預(yù)處理	111
4.2.3　基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取	113
4.2.4　測(cè)試與分析	116
4.3　骨腫瘤智能診斷	117
4.3.1　骨腫瘤概況	118
4.3.2　骨腫瘤良惡性判別算法	119
4.3.3　實(shí)驗(yàn)結(jié)果與分析	124
4.4　骨腫瘤壞死率預(yù)測(cè)	126
4.4.1　基于Pix2Pix網(wǎng)絡(luò)的單張樣本生成	126
4.4.2　基于LSTM-GAN網(wǎng)絡(luò)的時(shí)序樣本生成	129
4.4.3　基于3D-CNN網(wǎng)絡(luò)的壞死率分類預(yù)測(cè)	130
參考文獻(xiàn)	131

第5章 內(nèi)臟CT影像分析 134～170
5.1　主動(dòng)脈夾層智能診斷	134
5.1.1　主動(dòng)脈CT影像概述	134
5.1.2　主動(dòng)脈夾層智能診斷方案	136
5.1.3　實(shí)驗(yàn)數(shù)據(jù)及結(jié)果分析	142
5.2　腹腔CT影像智能分割	145
5.2.1　肝臟/腎臟智能分割概述	145
5.2.2　腸道器官智能分割概述	147
5.3　肝臟/腎臟智能分割	150
5.3.1　肝臟/腎臟智能分割方法	150
5.3.2　實(shí)驗(yàn)數(shù)據(jù)及結(jié)果分析	157
5.4　腸道器官智能分割	160
5.4.1　腸道器官智能分割難點(diǎn)	160
5.4.2　腸道器官智能分割方案	161
5.4.3　實(shí)驗(yàn)數(shù)據(jù)及結(jié)果分析	167
參考文獻(xiàn)	168

第6章 手術(shù)輔助治療 171～186
6.1　手術(shù)器械自動(dòng)識(shí)別	171
6.1.1　手術(shù)器械分類及檢測(cè)概述	171
6.1.2　基于深度學(xué)習(xí)的手術(shù)器械識(shí)別	172
6.1.3　手術(shù)器械目標(biāo)檢測(cè)實(shí)例及應(yīng)用	174
6.2　手術(shù)流程分析	176
6.2.1　手術(shù)流程分析概述	176
6.2.2　基于時(shí)序信息的手術(shù)流程分析策略	177
6.3　手術(shù)視頻摘要生成	179
6.3.1　視頻關(guān)鍵幀提取及摘要生成原理	179
6.3.2　基于無監(jiān)督學(xué)習(xí)的手術(shù)視頻摘要生成	181
6.4　機(jī)器人輔助手術(shù)	183
6.4.1　機(jī)器人手術(shù)簡(jiǎn)介	183
6.4.2　基于強(qiáng)化學(xué)習(xí)的機(jī)器人輔助手術(shù)	184
參考文獻(xiàn)	185

第7章 腫瘤放射輔助治療 187～207
7.1　放射醫(yī)學(xué)	187
7.1.1　放射治療簡(jiǎn)介	187
7.1.2　人工智能在放射治療中的應(yīng)用	190
7.2　質(zhì)子放療與重離子放療	191
7.2.1　質(zhì)子放療	191
7.2.2　重離子放療	192
7.2.3　質(zhì)子/重離子放療優(yōu)勢(shì)	193
7.3　基于神經(jīng)網(wǎng)絡(luò)的靶區(qū)勾畫	194
7.3.1　靶區(qū)勾畫簡(jiǎn)介	194
7.3.2 建模方法	197
7.3.3　模型框架與模型訓(xùn)練	200
7.3.4　性能測(cè)試與評(píng)估	202
參考文獻(xiàn)	204

第8章 慢性病飲食推薦 208～235
8.1　慢性病概述	208
8.1.1　高血壓	208
8.1.2　糖尿病	210
8.1.3　慢性腎臟病	211
8.2　慢性病的飲食指導(dǎo)	212
8.2.1　基本營(yíng)養(yǎng)素	213
8.2.2　主食與副食分析	214
8.3　慢性病的飲食推薦	224
8.3.1　基于線性規(guī)劃的飲食推薦	225
8.3.2　基于遺傳算法的飲食推薦	229
參考文獻(xiàn)	234

第9章 流行病大數(shù)據(jù)分析 236～258
9.1　流行病傳播模型	236
9.1.1　流行病傳播模型概述	236
9.1.2　SIR模型	237
9.1.3　SEIR模型	239
9.2　SARS傳播分析	241
9.2.1　SARS概述	241
9.2.2　SARS傳播模型分析	243
9.3　MERS傳播分析	251
9.3.1　MERS簡(jiǎn)介	252
9.3.2　MERS傳播模型分析	253
參考文獻(xiàn)	257

第10章 分子生物醫(yī)學(xué) 259～290
10.1　遺傳學(xué)基本概念	259
10.1.1　DNA和RNA的結(jié)構(gòu)	259
10.1.2　蛋白質(zhì)結(jié)構(gòu)與編碼	260
10.1.3　冠狀病毒結(jié)構(gòu)	262
10.2　新型冠狀病毒演化分析	263
10.2.1　多序列比對(duì)	264
10.2.2　構(gòu)建病毒遺傳演化樹	272
10.2.3　病毒tMRCA及進(jìn)化速率估算	279
10.3　藥物篩選	283
10.3.1　藥物篩選介紹	283
10.3.2　基于人工智能技術(shù)的小分子藥物篩選	285
參考文獻(xiàn)	288