医学影像与人工智能 机遇、应用和风险

全书从简介（AI是放射学的规则改变者）→技术准备（角色改变、深度学习的理解、影像领域AI的基本原则）→开发应用（如何开发、数据分析方法、结构式报告的价值、研究设计），共20章，290千字，逐层递进分别阐述。翻译团队涵盖来自全国各地医院临床一线的医学影像科医生、理工高校AI研究人员、AI公司研究人员、影像设备公司应用专员、相关领域高校在读博士，经7轮翻译及审校，翻译版稿件整体质量好。本书适用于医学影像科医师及技师，计算机或人工智能科研从业人员，医学影像学研究生及本科生、计算机或人工智能研究生及本科生等。

第一部分引言/1
1引言：放射学界的规则改变者/2
1.1变革的时代/2
1.2观点透视/2
1.3未来的机遇/3
1.4结论/3
参考文献/4
第二部分技术：新手入门/5
2医学图像计算和机器学习在医疗中的作用/6
2.1引言/6
2.2医学图像分析/6
2.3挑战/8
2.4医学图像计算/9
2.5基于模型的图像分析/10
2.6计算策略/12
2.7基本问题/15
2.8结论/17
参考文献/17
3对深度学习的深层理解/19
3.1引言/19
3.2计算机辅助诊断经典方法/19
3.3人工智能/20
3.4神经网络/20
3.5卷积神经网络/23
3.6为什么是现在/24
3.7案例：糖尿病视网膜病变筛查/25
3.8网络信息指南/26
3.9大脑研究的比较/26
3.10结论及建议/30
3.11要点/31
参考文献/31
4影像中的深度学习和机器学习：基础原理/33
4.1引言/33
4.2特征和分类/33
4.3神经网络/34
4.4支持向量机/35
4.5决策树/35
4.6贝叶斯网络/36
4.7深度学习/36
4.8结论/38
参考文献/38
第三部分技术：开发人工智能应用/41
5如何开发人工智能应用/42
5.1引言/42
5.2人工智能在放射学中的应用/43
5.3医学影像人工智能应用的发展/46
5.4资源框架/48
5.5结论/49
5.6总结/要点/49
参考文献/50
6放射学中机器学习的图像数据标准化准备方法/51
6.1数据，数据是否无处不在/51
6.2并非所有数据都对等/52
6.3医学影像数据准备度量表/53
6.4总结/59
6.5要点/60
参考文献/60
7结构化报告对人工智能的价值/62
7.1引言/62
7.2传统影像学报告与结构化报告的比较/62
7.3结构化报告与医疗企业集成影像学报告模板管理的技术实现/63
7.4使用自然语言处理提取信息/64
7.5结构化报告的信息提取/65
7.6将外部数据整合入结构化报告/65
7.7分析和临床决策支持/66
7.8展望/67
7.9要点/67
参考文献/67
8医学中的人工智能：验证和研究设计/70
8.1人工智能技术在医学领域的验证/70
8.2医学人工智能的安全性/71
8.3应用临床研究评估模型效能/72
8.4研究设计举例/83
8.5医学人工智能的安全性评估/84
8.6要点/86
参考文献/86
第四部分医疗中的大数据/89
9医疗影像企业化管理系统/90
9.1引言/90
9.2医疗影像企业化管理系统基本原则/91
9.3医疗影像企业化管理系统平台/91
9.4医疗影像企业化管理系统平台和跨机构影像
共享的标准和技术/94
9.5法律层面/95
9.6人工智能背景下的医疗影像企业化管理系统/96
9.7要点/98
参考文献/98
10影像生物标志物和影像生物样本库/100
10.1引言/100
10.2阶段性发展/101
10.3验证/102
10.4影像生物样本库/103
10.5结论/105
10.6要点/105
参考文献/105
第五部分人工智能在放射学领域中的实际应用案例/107
11影像解析以外的人工智能应用/108
11.1影像的适用性和利用率/109
11.2患者时间安排/109
11.3成像协议/109
11.4改善影像质量和缩短MRI采集时间/110
11.5改善影像质量和降低辐射剂量/110
11.6影像转换/110
11.7影像质量评估/111
11.8挂片协议/111
11.9报告/111
11.10文本概述和报告翻译/112
11.11语音识别/113
11.12随访/113
11.13工作列表优化/113
11.14人员优化/113
11.15商业智能和商业分析/114
11.16基于内容的图像检索/114
11.17患者安全/114
11.18计费/115
11.19患者体验/115
11.20挑战/115
11.21结论/116
11.22要点/116
参考文献/116
12胸部病变的人工智能与计算机辅助评估/121
12.1引言/121
12.2胸部X线摄影/121
12.3肺结节/122
12.4肺癌影像组学/127
12.5肺栓塞/129
12.6肺实质和气道病变/131
12.7间质性肺疾病/133
12.8结论/137
12.9总结/137
参考文献/137
13心血管疾病/141
13.1引言/141
13.2人工智能对心血管影像的影响/142
13.3人工智能在不同心血管影像检查设备中的实际应用/143
13.4展望和结论/152
13.5要点/153
参考文献/153
14乳腺癌筛查中的深度学习/158
14.1背景/158
14.2自动化系统的目标/164
14.3深度学习用于乳腺X线检查的挑战/168
14.4未来的方向/174
14.5总结/177
14.6要点/178
参考文献/178
15神经系统疾病/184
15.1引言/184
15.2脑成像的预处理/184
15.3应用/185
15.4结论/190
15.5要点/190
参考文献/190
16临床试验中的人工智能/196
16.1引言/196
16.2临床试验中的医学影像标准化/197
16.3人工智能在临床试验中的应用/201
16.4数字孪生和计算机模拟临床试验/204
16.5结论/205
16.6总结/205
参考文献/205
第六部分质量、监管及伦理问题/207
17医学影像和数据的质量与监护/208
17.1引言/208
17.2数据挖掘和检索/209
17.3数据质量/211
17.4附加值/212
17.5长效性/212
17.6推荐工具介绍/213
17.7结论/213
参考文献/213
18未来社会是否需要机器人和人工智能拥有法律人格/215
18.1范式转换/215
18.2法律地位/217
18.3作为行为人的人工智能和机器人/218
18.4法律主体性/219
18.5人类是（自然意义上的）法人/221
18.6自主人工智能实体/225
18.7人类和机器人结合的问题/227
18.8另类人格/229
18.9作为法律行为人的人工智能实体和机器人/233
18.10何去何从/237
参考文献/240
19人工智能生态系统在放射学中的作用/243
19.1商业生态系统定义/243
19.2用于医疗和诊断成像的人工智能生态系统/245
19.3以诊断成像为重点，定义医疗领域的人工智能生态系统/246
19.4将人工智能系统广泛应用于临床：放射科医师的挑战与机遇，以及医学专业学会的作用/257
19.5放射学人工智能生态系统研究概括/266
19.6结论/268
19.7要点/268
参考文献/268
20人工智能对放射科医师的价值、挑战和风险/273
20.1放射学的创新/273
20.2放射科对人工智能的期望水平/276
20.3为未来做准备的策略/279
20.4隐蔽的风险和危险/281
20.5要点/284
参考文献/285
术语表/287
索引/298