你是否好奇： 人工智能可以帮助医生更早发现疾病吗？ 它是怎样学习并“看懂”医学影像的？ 它在辅助临床诊断时，是如何“思考”的？ 这本书或许能给你一些答案。 《临床上的深度学习》以平实的语言和生动的例子，讲解深度学习的概念、原理及应用，主要内容包括： 揭示人工智能诊断背后的基本原理和决策过程； 详解从临床需求到深度学习应用的衔接路径； 探讨深度学习应用于临床的关键挑战及应对策略。 本书既能帮助医疗从业者理解人工智能的核心原理，对深度学习建立客观、准确的认识；也适合对医疗人工智能感兴趣的普通读者阅读，感受智能技术为医疗领域带来的变革与可能性。

01 什么是深度学习？
1.1 初识深度学习
1.2 深度学习是科学还是艺术？
1.3 深度学习与大数据的关系
1.4 深度学习里的“深”
1.5 深度学习里的平衡
1.6 平衡中的数学
1.7 什么是好的深度学习模型？
1.8 主动要求信息
1.9 深度学习与人类学习的异同
1.10 临床实例
1.11 小结
02 深度学习的一大应用——拟合
2.1 拟合
2.2 拟合的用处
2.3 拟合与预测
2.4 欠拟合
2.5 过拟合
2.6 理想的拟合
2.7 偏差
2.8 方差
2.9 深度学习里拟合与偏差、方差的关系
2.10 我们在这个环节应该问的问题
2.11 小结
03 数据的本质——知识
3.1 数据的本质
3.2 训练数据
3.3 什么是数据污染？
3.4 数据污染的检测
3.5 处理数据污染
3.6 训练集、验证集和测试集
3.7 数据分配
3.8 为什么需要验证集？
3.9 数据的标签
3.10 无偏性原则
3.11 标签的形式
3.12 真实世界的数据
3.13 小结
04 深度学习模型的结构
4.1 前馈模型
4.2 卷积神经网络
4.3 循环神经网络
4.4 Transformer
4.5 参数和超参数
4.6 调参
4.7 深度学习的学习过程
4.8 梯度消失
4.9 激活函数
4.10 激活函数与深度学习的可解释性
4.11 模型的使用
4.12 小结
05 如何下到谷底——梯度下降
5.1 什么是距离？
5.2 定义损失函数
5.3 什么是维度？
5.4 如何找到最低点？
5.5 深度学习训练的关键——反向传播
5.6 小结
06 概率与深度学习
6.1 均匀分布
6.2 二项分布
6.3 正态分布
6.4 泊松分布
6.5 深度学习如何利用概率分布？
6.6 为什么在深度学习里我们要关心概率分布？
6.7 小结
07 标准化
7.1 z-score标准化
7.2 归一化
7.3 为什么要记录标准化/归一化里的参数？
7.4 要对标签做标准化或归一化吗？
7.5 特征
7.6 特征对每个观察者来说都是一样的吗？
7.7 特征从哪里来？
7.8 深度学习模型是怎么利用特征的？
7.9 来自临床数据的挑战
7.10 小结
08 平衡
8.1 偏差与方差的平衡
8.2 模型复杂程度与正则化
8.3 针对过拟合的正则化
8.4 早停法
8.5 改变激活函数
8.6 小结
09 如果数据不够多
9.1 通过数据扩增来改进深度学习
9.2 数据扩增的直接方法
9.3 迁移学习
9.4 联邦学习
9.5 小结
10 大语言模型
10.1 以ChatGPT为代表的大语言模型
10.2 大语言模型的工作原理
10.3 注意力机制和自注意力机制
10.4 大语言模型对医疗的影响
10.5 大语言模型带来的风险
10.6 我们应该怎么做？
10.7 小结
11 生成式人工智能
11.1 GAN模型
11.2 扩散模型
11.3 生成式人工智能在医学上的应用
11.4 小结
12 从临床衔接到深度学习
12.1 明确临床需求
12.2 从数据入手
12.3 数据的质量
12.4 实施与集成
12.5 性价比的考虑
12.6 对开发厂商的考虑
12.7 我们应该问的问题
12.8 小结
13 安全与伦理上的挑战
13.1 风险
13.2 伦理上的挑战
13.3 法律合规性
13.4 责任
13.5 社会意义
13.6 小结
14 使用上的挑战
14.1 医学领域的独特挑战
14.2 应对的策略
14.3 人工验证的成本
14.4 小结
主要参考文献