MindSpore醫學智能分析實踐教程
齊鵬
- 出版商: 電子工業
- 出版日期: 2025-08-01
- 售價: $414
- 語言: 簡體中文
- 頁數: 272
- ISBN: 7121512815
- ISBN-13: 9787121512810
-
相關分類:
DeepLearning
下單後立即進貨 (約4週~6週)
相關主題
商品描述
本書是一本專註於醫學領域的人工智能實踐教材，旨在幫助讀者快速掌握醫學智能分析的核心技術與應用方法。本書以華為的開源深度學習框架MindSpore為基礎，結合多場景、多技術的案例，為讀者提供豐富的實操指南，助力讀者在醫學人工智能領域開啟高效學習之旅。 本書運用MindSpore框架，圍繞現實醫學問題開展智能分析實踐，全書分為四篇。第一篇為基礎知識篇（第1~2章）。第1章為MindSpore概述與開發環境配置，主要介紹MindSpore的概念、核心特點與架構，MindSpore與深度學習框架的比較，MindSpore的安裝，以及醫療風險預測系統項目案例等；第2章為醫學數據與任務概述，主要介紹醫學數據的種類、特點和基本結構，常見醫學數據集介紹，數據分析基本流程等。第二篇為項目實踐篇（第3~14章），聚焦人工智能核心技術，圍繞多個場景下的具體案例展開，包括以"使用sklearn數據集進行糖尿病預測建模”、"K近鄰算法及乳腺癌檢測分類”和"腦電圖（EEG）分析與癲癇預測”為代表的12個項目案例。第三篇為綜合案例篇（第15~18章），包括"基於線性回歸的醫療保險費用預測”及"肺部和結腸組織病理分類任務”等項目案例，聚焦醫學項目全過程指導。第四篇為知識進階篇（第19章），聚焦大模型在醫學領域的應用，旨在分析國內外研究現狀，詮釋華為技術生態在解決醫學問題中的重要作用。 本書註重初學者友好設計，配套教學PPT、實踐代碼等豐富的教學資源，讀者可在華信教育資源網註冊後免費下載。本書旨在幫助讀者更好地理解和應用書中的內容，提升學習效率。本書適合人工智能和醫學領域的從業者、科研人員及高等院校相關專業的學生學習與參考。
目錄大綱
第一篇 基礎知識篇
第1章 MindSpore概述與開發環境配置 2
1.1 什麼是MindSpore 2
1.2 MindSpore的核心特點與架構 2
1.2.1 MindSpore的架構 3
1.2.2 華為昇騰AI全棧介紹 4
1.3 MindSpore與深度學習框架的比較 5
1.3.1 MindSpore與TensorFlow的比較 6
1.3.2 MindSpore與PyTorch的比較 6
1.3.3 MindSpore與Keras的比較 7
1.4 MindSpore的安裝 7
1.4.1 獲取安裝命令 7
1.4.2 驗證是否成功安裝 8
1.5 MindSpore架構執行流程 9
1.6 項目案例：醫療風險預測系統 10
1.6.1 項目簡介 10
1.6.2 技術特點 10
1.6.3 功能特點 11
1.6.4 項目結構 11
1.6.5 系統詳細代碼分析 12
1.6.6 系統運行方法 15
第2章 醫學數據與任務概述 16
2.1 醫學數據的種類與特點 16
2.2 醫學數據的基本結構 17
2.2.1 結構化數據（Structured Data） 18
2.2.2 半結構化數據（Semi-Structured Data） 19
2.2.3 非結構化數據（Unstructured Data） 19
2.3 醫學數據集的含義與作用 20
2.3.1 數據集的構成 20
2.3.2 數據集的作用 21
2.4 常見醫學數據集介紹 21
2.5 數據分析基礎流程 22
2.5.1 數據預處理 22
2.5.2 探索性數據分析 22
2.5.3 特征選擇與降維 23
2.5.4 建模與評估 24
2.6 醫學中的張量應用 24
第二篇 項目實踐篇
第3章 使用sklearn數據集進行糖尿病 預測建模 28
3.1 項目基本介紹 28
3.2 核心技術 28
3.3 數據分析詳細過程 28
3.4 具體實現過程 29
3.5 項目小結 31
第4章 電子病歷數據的清洗與預處理 32
4.1 項目基本介紹 32
4.2 核心技術 32
4.3 數據分析詳細過程 33
4.4 具體實現過程 34
4.5 項目小結 41
第5章 K近鄰算法及乳腺癌檢測分類 42
5.1 項目基本介紹 42
5.2 核心技術 42
5.3 數據分析詳細過程 43
5.4 具體實現過程 43
5.5 項目小結 45
第6章 乳腺癌數據分析與模型評估 46
6.1 項目基本介紹 46
6.2 核心技術 46
6.3 數據分析詳細過程 46
6.4 具體實現過程 47
6.5 項目小結 56
第7章 醫學圖像數據的加載和顯示 57
7.1 項目基本介紹 57
7.2 核心技術 57
7.3 數據分析詳細過程 58
7.4 具體實現過程 59
7.5 項目小結 64
第8章 腦腫瘤MRI圖像分類與數據可視化 66
8.1 項目基本介紹 66
8.2 核心技術 66
8.3 具體實現過程 66
8.4 項目小結 74
第9章 腦電圖（EEG）分析與癲癇預測 75
9.1 項目基本介紹 75
9.2 核心技術 75
9.3 具體實現過程 76
9.4 項目小結 108
第10章 基於X射線胸片的肺炎分類 109
10.1 項目基本介紹 109
10.2 核心技術 109
10.3 數據分析詳細過程 109
10.4 具體實現過程 110
10.5 項目小結 112
第11章 深度學習與MRI數據集處理 113
11.1 項目基本介紹 113
11.2 核心技術 113
11.3 具體實現過程 113
11.4 項目小結 119
第12章 基於深度學習的腦部MRI數據分類 120
12.1 項目基本介紹 120
12.2 核心技術 120
12.3 具體實現過程 121
12.4 項目小結 124
第13章 利用多模態數據進行糖尿病預測與管理 125
13.1 項目基本介紹 125
13.2 核心技術 125
13.3 數據分析詳細過程 126
13.4 具體實現過程 127
13.5 項目小結 134
第14章 ResNet50模型在腦腫瘤中的診斷識別 136
14.1 項目基本介紹 136
14.2 核心技術 136
14.3 具體實現過程 137
14.4 項目小結 153
第三篇 綜合案例篇
第15章 基於線性回歸的醫療保險費用預測 156
15.1 項目基本介紹 156
15.2 核心技術 156
15.3 數據分析詳細過程 157
15.4 具體實現過程 158
15.5 項目小結 187
第16章 肺部和結腸組織病理分類任務 188
16.1 項目基本介紹 188
16.2 核心技術 188
16.3 具體實現過程 188
16.4 項目小結 219
第17章 基於Web的乳腺癌分類預測系統 220
17.1 項目基本介紹 220
17.2 核心技術 220
17.3 數據分析詳細過程 221
17.4 具體實現過程 221
17.5 項目小結 230
第18章 使用卷積神經網絡進行肺結節 自動檢測 231
18.1 項目基本介紹 231
18.2 核心技術 231
18.3 數據分析詳細過程 232
18.4 具體實現過程 232
18.5 項目小結 243
第四篇 知識進階篇
第19章 大模型在醫學領域的應用 246
19.1 研究進展 246
19.1.1 多模態知識圖譜構建與融合技術 246
19.1.2 醫學大模型評測體系建設 246
19.1.3 Transformer預訓練模型在BioNLP中的擴展 247
19.1.4 中文放射圖像領域生成式模型的探索 247
19.1.5 檢驗醫學領域的評測與模型對比 247
19.1.6 循證醫學中的生成式AI工具探索 248
19.2 應用場景 248
19.2.1 臨床醫學 248
19.2.2 醫學圖像處理 249
19.2.3 檢驗醫學 249
19.2.4 循證醫學 250
19.2.5 醫學教育 250
19.3 面臨的挑戰 251
19.3.1 數據隱私問題 251
19.3.2 可解釋性不足 252
19.3.3 多模態任務復雜性 252
19.3.4 通用大模型醫學知識不足 253
19.3.5 大模型部署成本與監管合規問題 253
19.4 發展趨勢與建議 254
19.4.1 專病專科輕量化大模型建設 254
19.4.2 醫院本地化部署與隱私合規化 254
19.4.3 多模態醫學數據的融合建模 255
19.4.4 可解釋性與可信AI系統建設 256
19.4.5 醫學AI標準體系與產業規範制定 256
19.5 國內外研究現狀 257
19.6 華為與醫學大模型 259
參考文獻 261
