臨床上的深度學習——概念、原理與應用

顧險峰，美國紐約州立大學石溪分校計算機科學系和應用數學系帝國創新教授。師從國際著名微分幾何大師、菲爾茲獎得主丘成桐先生。在醫療人工智能、微分幾何、最優傳輸等領域發表數百篇學術論文，獲批數十項國際專利，並獲得美國國家科學基金會職業生涯獎（NSF Career Award）、中國海外傑出青年獎、世界華人數學家大會應用數學金獎等。

01 什麼是深度學習？
1.1 初識深度學習
1.2 深度學習是科學還是藝術？
1.3 深度學習與大數據的關系
1.4 深度學習裏的“深”
1.5 深度學習裏的平衡
1.6 平衡中的數學
1.7 什麼是好的深度學習模型？
1.8 主動要求信息
1.9 深度學習與人類學習的異同
1.10 臨床實例
1.11 小結
02 深度學習的一大應用——擬合
2.1 擬合
2.2 擬合的用處
2.3 擬合與預測
2.4 欠擬合
2.5 過擬合
2.6 理想的擬合
2.7 偏差
2.8 方差
2.9 深度學習裏擬合與偏差、方差的關系
2.10 我們在這個環節應該問的問題
2.11 小結
03 數據的本質——知識
3.1 數據的本質
3.2 訓練數據
3.3 什麼是數據汙染？
3.4 數據汙染的檢測
3.5 處理數據汙染
3.6 訓練集、驗證集和測試集
3.7 數據分配
3.8 為什麼需要驗證集？
3.9 數據的標簽
3.10 無偏性原則
3.11 標簽的形式
3.12 真實世界的數據
3.13 小結
04 深度學習模型的結構
4.1 前饋模型
4.2 卷積神經網絡
4.3 循環神經網絡
4.4 Transformer
4.5 參數和超參數
4.6 調參
4.7 深度學習的學習過程
4.8 梯度消失
4.9 激活函數
4.10 激活函數與深度學習的可解釋性
4.11 模型的使用
4.12 小結
05 如何下到谷底——梯度下降
5.1 什麼是距離？
5.2 定義損失函數
5.3 什麼是維度？
5.4 如何找到最低點？
5.5 深度學習訓練的關鍵——反向傳播
5.6 小結
06 概率與深度學習
6.1 均勻分布
6.2 二項分布
6.3 正態分布
6.4 泊松分布
6.5 深度學習如何利用概率分布？
6.6 為什麼在深度學習裏我們要關心概率分布？
6.7 小結
07 標準化
7.1 z-score標準化
7.2 歸一化
7.3 為什麼要記錄標準化/歸一化裏的參數？
7.4 要對標簽做標準化或歸一化嗎？
7.5 特征
7.6 特征對每個觀察者來說都是一樣的嗎？
7.7 特征從哪裏來？
7.8 深度學習模型是怎麼利用特征的？
7.9 來自臨床數據的挑戰
7.10 小結
08 平衡
8.1 偏差與方差的平衡
8.2 模型覆雜程度與正則化
8.3 針對過擬合的正則化
8.4 早停法
8.5 改變激活函數
8.6 小結
09 如果數據不夠多
9.1 通過數據擴增來改進深度學習
9.2 數據擴增的直接方法
9.3 遷移學習
9.4 聯邦學習
9.5 小結
10 大語言模型
10.1 以ChatGPT為代表的大語言模型
10.2 大語言模型的工作原理
10.3 註意力機制和自註意力機制
10.4 大語言模型對醫療的影響
10.5 大語言模型帶來的風險
10.6 我們應該怎麼做？
10.7 小結
11 生成式人工智能
11.1 GAN模型
11.2 擴散模型
11.3 生成式人工智能在醫學上的應用
11.4 小結
12 從臨床銜接到深度學習
12.1 明確臨床需求
12.2 從數據入手
12.3 數據的質量
12.4 實施與集成
12.5 性價比的考慮
12.6 對開發廠商的考慮
12.7 我們應該問的問題
12.8 小結
13 安全與倫理上的挑戰
13.1 風險
13.2 倫理上的挑戰
13.3 法律合規性
13.4 責任
13.5 社會意義
13.6 小結
14 使用上的挑戰
14.1 醫學領域的獨特挑戰
14.2 應對的策略
14.3 人工驗證的成本
14.4 小結
主要參考文獻