第1章 医学发展与数据科学
1.1 医学认知的物质化、科学化和数据化
1.1.1 从神灵主义走出的医学
1.1.2 医学认知的物质化
1.1.3 医学认知的科学化
1.1.4 医学认知的数据化
1.2 数据化或是传统医学现代化的必经之路
1.2.1 现代医学与传统医学的分歧
1.2.2 数据科学助力传统医学融入现代
1.3 以实践和数据说话的循证医学发展历程
1.3.1 理解循证医学
1.3.2 循证医学证据体系建立的五个阶段
1.4 基于PICOS原则把临床语言转变为数据语言
1.5 数据科学在循证医学证据体系以外的应用
第2章 走进数据科学时代
2.1 大数据的由来、定义和特征
2.1.1 大数据的由来和定义
2.1.2 大数据的nV特征
2.1.3 走出数据以“大”论英雄的误区
2.2 大数据发展的数据工程问题
2.2.1 硬件工程问题
2.2.2 软件技术问题
2.3 大数据发展的数据科学问题
2.3.1 统计学的由来与发展
2.3.2 智能的内涵：知有所合谓之智，能有所合谓之能
2.3.3 人工智能的起落与辉煌
2.3.4 发展人工智能应坚守的造物观：重己役物，致用利人
2.4 大数据驱动的数据科学生态变革
2.4.1 从统计学思维到应用型思维
2.4.2 数据科学生态促使数据从业者角色分化
2.5 大数据驱动的科学研究范式变革
2.5.1 科学革命的结构
2.5.2 第四范式与AI for science
2.6 大数据驱动的日常生活变革
2.7 数字经济驱动数据要素价值变现
2.7.1 互联网泡沫破碎后的数字经济重建
2.7.2 理解数据要素化
2.7.3 数据变现的路径
第3章 健康医疗大数据与人工智能
3.1 健康医疗大数据的范围
3.2 健康医疗大数据的行业特征
3.2.1 医疗大数据的纵向和横向孤岛现象
3.2.2 健康医疗大数据的多模态性、疾病主题特异性和动态性
3.2.3 健康医疗大数据的主观性和价值稀疏性
3.3 大数据驱动的人工智能在医疗领域的应用与角色
3.3.1 人工智能在医疗领域的应用
3.3.2 从效率工具角度看待医疗人工智能
3.3.3 医疗AI开发中的困难与瓶颈
3.4 模型的透明性和可问责性是医疗人工智能广泛落地的基础
第4章 健康医疗大数据让循证医学走进真实世界
4.1 以RCT为代表的理想世界研究的局限性
4.2 基于真实世界数据的真实世界研究
4.2.1 真实世界研究的定义
4.2.2 真实世界研究的证据等级体系
4.3 大数据时代下的真实世界人群队列管理
第5章 基于真实世界数据的医学统计
5.1 医疗业务的数据化
5.2 缺失值的识别和处理
5.3 真实世界研究数据分析要点概述
5.4 统计三件套：说一说、比一比、找关系
5.5 从暴露到结局的单变量关系是经典循证医学研究的基本关注点
5.5.1 单变量之间的线性和广义线性关系
5.5.2 单变量之间的线性趋势关系和非线性关系
5.5.3 从辛普森悖论看为什么研究单变量之间的关系同样要做多因素分析
5.5.4 单变量间的相关关系和因果关系
5.6 单变量之间关系的论证逻辑结构
5.6.1 从定性到定量：单变量关系研究需要回答的四个问题
5.6.2 从一根杠杆看懂何为混杂和交互因素
5.6.3 混杂因素的识别和控制
5.6.4 交互因素的识别和控制
5.6.5 倾向性评分：控制多个混杂的神器
第６章 由统计推导结论到智能预测
6.1 从医学统计到统计学习
6.1.1 从效用统计到结局预测
6.1.2 从人工智能到机器学习
6.1.3 人工智能中的损失和优化
6.2 临床预测模型构建的基本思路
6.2.1 建模前工作
6.2.2 建模中工作
6.2.3 建模后工作
6.3 医疗机器学习的“PICOS”
第7章 统计学习的常见算法浅析
7.1 回归分析中的多重共线性与Lasso回归
7.1.1 多重共线性的影响和识别
7.1.2 Lasso回归的原理
7.2 通俗好用的树模型和集成算法
7.2.1 用于分类任务的决策树构建
7.2.2 用于回归任务的回归树和模型树
7.2.3 群策群力的集成学习
7.3 人们日用而不自知的贝叶斯推理
7.3.1 初识贝叶斯定理
7.3.2 朴素贝叶斯算法
7.3.3 概率图模型
7.4 基于距离的机器学习分类与聚类
7.4.1 K近邻分类
7.4.2 聚类算法
7.5 数据降维的艺术
7.5.1 主成分分析
7.5.2 因子分析
7.6 支持向量机
7.6.1 AI界的水果忍者
7.6.2 SVM到底在优化什么？
7.6.3 核技巧是使SVM真正强大起来的原因
7.7 挖掘数据共显模式的关联规则算法
7.7.1 驱动购物的关联规则
7.7.2 Apriori算法
7.8 时间序列分析
第8章 开启多模态学习的深度学习
8.1 人工神经网络与深度学习
8.1.1 人工神经网络与深度学习入门
8.1.2 神经网络在学习过程中，到底学到了什么？
8.1.3 如何更准
展开
