本书全面介绍了人工智能在医学中的应用,包括医学影像和分子图像的辅助诊断、生物电信号的监测、基于内镜的检查和治疗、辅助手术规划和手术导航,以及辅助康复治疗和新药开发等,同时分析了在这些应用中的实际案例。此外,还概括性地介绍了人工智能应用于医学领域的发展过程、临床研究方法,以及医学中特别关注的多中心泛化和伦理、规范等。
本书旨在辅助医务人员参与创新,协助科研、产业人员深入临床,所选案例多来自与医院或医疗中心的合作,具有很高的参考价值。总之,本书是一本实用性极强的了解并掌握如何将人工智能技术融入医学诊疗过程中的参考书,可供医学生、生物医学工程专业人员等使用。

人工智能的热潮再度涌来，在各项技术快速发展的当下，其改变了人类生活的方方面面，在医学中也不例外。本书作者团队多年来深耕于人工智能软件和硬件在医学中的应用领域，已产出多项重要成果。他们整理、归纳并总结了多年的科研、教学经验和研究成果，汇集于本书中。本书介绍了人工智能医学应用的基础知识和人工智能在多种医学情境中的应用，并且关注了其应用时的局限性，以及应注意的伦理和规范等。阅读本书，读者可全面了解人工智能在医学中的应用，进而开拓自己的研究。

人工智能(artificial intelligence)在主流市场沉寂了几十年之后，自2012年开始，随着深度学习(也被称为深度神经网络)的发展逐步得到广泛应用，并且在各个领域展示了出色的性能；更重要的是，深度学习及基于深度学习的预训练大模型缩小了人工智能专家和应用开发者之间的差距，使所有开发者能站在同一起跑线上，这对于人工智能在医学中的应用尤其重要。近两年，ChatGPT影响力极速扩大、用户迅速增长，又将人工智能推向主流市场。在可预期的将来，人工智能的前景非常广阔。
从20世纪80年代开始，就有人不断尝试用各种机器学习和人工智能的方法来辅助医生做各种诊断，但是由于效果不佳，只留下了科研论文这类成果，并没有在医疗中得到真正使用。在尝试了各种方法之后，医生们也几乎放弃了计算机辅助诊断的想法。我在2013年之前走访了美国几家医院，这些医院中的放射科主任对于计算机辅助诊断的应用前景都表达了悲观的看法。直到2012年以大数据驱动的深度神经网络的出现才逐渐改变了从业者的态度。这种神经网络在自然图像识别方面取得了惊人的准确率，并已用于医学图像和医学影像分析任务中。相比于自然图像的识别，基于医学影像的辅助诊断任务看起来更适合深度学习的模型，因为训练模型的过程就如同训练一个年轻医生，需要在有经验的医生的指导下基于案例进行长时间的大量训练。以有监督的深度学习为例，在训练过程中也需要大量专家标注的数据。深度学习在医学图像和医学影像方面的成功应用不仅催生出大量科研成果，也孕育出许多人工智能相关的医疗公司，它们多始于对医学影像进行分析的需求。人工智能在医学图像和医学影像分析领域的快速发展与医学数字成像和通信标准的普及密不可分，医生读片和书写报告的影像存储与传输系统(picture archiving and communication system,PACS)也发挥了重要作用。深度学习在医学图像和医学影像分析领域逐步取得突破的同时，人工智能在其他医疗领域中也渐渐得到了应用，如对电子病历数据、医学检验数据、基因数据、行为数据、手术视频数据、生理参数监测数据等数据的分析；应用目的也更加多样化，覆盖了疾病预测、辅助诊断、辅助治疗、手术规划、预后预测、康复等各医疗阶段。
同时，医疗对于人工智能技术的要求也越来越高，深度学习的最新技术均快速体现在各种人工智能医疗应用的科研成果中。医疗对人工智能的特殊要求包括：①保持模型在多中心使用时的准确性和鲁棒性；②能够综合多模态、多类型的数据进行诊断和治疗；③模型可以进行弱监督和无监督学习，减小对于标注数据量的需求；④模型的结果有可解释性，便于医生理解和给患者解释；⑤能够无缝切入医生的工作流，以减少医生用于熟悉操作的时间成本。除了应用于临床医学，人工智能在基础医学研究、体外诊断和新药开发方面也被采用，如利用深度学习中的增强学习模型来找到基因变异的位点、在巨量的三维结构组合中预测蛋白质折叠的结构、精准分类体外诊断数据、在多维度数据中找到生物标志物、在基因数据库和化合物数据库中找到新药靶点等。
我们课题组从2013年开始采用新型的机器学习和深度学习方法进行研究，我们认为科研的使命就是为技术的实际使用和商业化应用探路，因此十余年来我们探索了深度学习在各医疗领域中应用的可能性，包括人工智能基于医学图像和影像的辅助诊断、基于细胞和分子层面数据的辅助诊断、基于内镜及其视频数据的辅助治疗和诊断、手术规划和预后预测、康复指导，以及新药开发等，此外我们还深入研究了多模态数据融合、多中心泛化模型和数据安全等在模型应用中普遍关注的问题。
2019年，在上海交通大学医学院研究生培养办公室的推动之下，我们在人工智能与医学课程中向医学博士研究生介绍人工智能技术，很受欢迎。这门课程中，我们不仅教授了人工智能基于多种医学数据的辅助诊断、辅助治疗和辅助康复等，还讲述了人工智能应用中的伦理、规范和医疗数据的重要性等。课程结束时，来自基础医学和临床医学各二级学科等的学生们在讲师和助教帮助下，将完成一个人工智能医疗相关的选题设计和实践，学生们可以基于各自专业的问题和数据设计选题，然后用人工智能的方法来解决，修完这门课程的同学们基本上都能独立地用好人工智能这个工具，这将为他们未来的科研和科研成果向临床转化打下基础。
在讲述人工智能与医学课程的几年中，我们发现迫切需要一本能较全面地介绍人工智能医学应用的参考书，这是因为国内外最近几年出版的人工智能医疗相关的图书、教材多以医学影像相关内容为主，不够全面，而且或是太浅显，或是包含过多深奥的数学推导过程等。因此，我们便根据多年的科研工作和教学经验编写了本书。本书首先介绍了人工智能及其医学应用中必要的背景知识和基础理论，然后分析了人工智能的各种医学应用，最后对人工智能医疗器械在实际应用中需要注意的数据安全、多中心泛化、伦理和规范等方面进行了阐述。每章均由对背景知识的综述和相关应用案例组成，这些案例大部分来自我们课题组的科研课题。本书介绍的人工智能模型、算法和思路也许不都是最新的，但是都是各个领域发展过程中的重要成果，我们相信它们会使读者有所启发。
我们希望在读完本书之后，读者们可以对人工智能的医学应用有一个较广泛、深入的了解；希望医生和医学生读者能够快速掌握该领域的概况和方法，了解人工智能在实际应用中的重要意义和局限性，以便在今后的工作中用好这个工具；希望有志于从事相关行业工作的创业者、工程师和工学生们可以深度了解人工智能在医疗中的应用实例，以及应用中需要注意的地方，促进研究与理论转化。当然，现在人工智能的发展非常迅速，在ChatGPT的引爆之下，各种通用人工智能算法将不断涌现。在这个快速发展的领域中，希望本书能够持续给予读者帮助。
钱大宏
2024年11月

主编：钱大宏，教授，博士生导师。上海交通大学生物医学工程学院先进医疗芯片研究所所长，上海交通大学医学院附属瑞金医院核医学科广慈双聘教授。主要研究人工智能软件和硬件在医疗方面广泛的应用。本科毕业于浙江大学，后赴美国德克萨斯大学奥斯汀分校就读，随后在哈佛大学获得应用科学的博士学位。曾经在美国的Dallas Semi、ADI、OmniVision等上市公司担任高级工程师、技术经理以及系统工程副总裁等职位，并且参与过两家高科技公司的创立。

第一章 人工智能及其医学应用概论1
第一节 人工智能发展简介1
第二节 人工智能的基本概念、原理和算法 3
第三节 人工智能在医学中的应用 18
第二章 医学人工智能临床研究方法 29
第一节 基本研究流程 29
第二节 研究方案设计要素 31
第三节 研究人群与数据集 33
第四节 模型研究的临床结局评估 40
第五节 模型评价指标 41
第六节 模型比较的研究类型 48
第三章 人工智能在医学影像诊断中的应用 51
第一节 概述 51
第二节 医学影像分类 52
第三节 医学影像检测 65
第四节 医学影像分割 71
第五节 医学影像的多模态诊断 79
第四章 人工智能在分子医学图像中的应用 95
第一节 分子医学图像概述 95
第二节 人工智能在病理医学图像智能分析中的应用 97
第三节 染色体智能核型分析113
第五章 人工智能在生物电信号监测中的应用128
第一节 生物电信号数据128
第二节 生理状态监护与辅助诊断131
第三节 脑机接口和人机交互144
第六章 人工智能在内镜中的应用155
第一节 人工智能在消化内镜检查中的应用156
第二节 人工智能在消化内镜导航中的应用169
第七章 人工智能在手术规划和导航中的应用178
第一节 手术重建、规划及导航概述 178
第二节 人工智能在肺部手术中的应用182
第三节 人工智能在正畸-正颌联合治疗中的应用 189
第八章 人工智能在康复中的应用201
第一节 概述201
第二节 人工智能在骨科术后康复中的应用203
第三节 神经康复213
第九章 人工智能在新药开发中的应用229
第一节 基于人工智能的药物筛选229
第二节 基于人工智能的药物设计238
第三节 基于人工智能的药物重定位244
第四节 药物研发中的可解释性模型248
第十章 人工智能医疗模型的多中心泛化251
第一节 多中心泛化的现实挑战251
第二节 域泛化的研究现状255
第三节 域泛化的实际应用案例263
第十一章 医疗人工智能大模型272
第一节 大模型概述272
第二节 大模型在医疗领域中的应用274
第三节 大模型的实际应用案例280
第十二章 人工智能医疗相关数据、伦理和规范 289
第一节 人工智能医学数据处理289
第二节 人工智能医疗相关伦理及其技术应对297
第三节 人工智能相关规范300
致谢306