醫(yī)療大數(shù)據(jù)與機器學習

第1章　醫(yī)療大數(shù)據(jù)挖掘 1
1.1?醫(yī)療大數(shù)據(jù)  1
1.2　醫(yī)療大數(shù)據(jù)文獻分析  4
1.2.1　數(shù)據(jù)準備 4
1.2.2　文本挖掘 5
1.2.3　專家經(jīng)驗 5
1.3　挖掘現(xiàn)狀與關鍵問題  10
1.3.1　醫(yī)學圖像分類 10
1.3.2　醫(yī)學圖像檢測 17
1.3.3　醫(yī)學圖像分割 20
1.3.4　醫(yī)學圖像生成 23
1.3.5　關鍵問題 25
第2章　機器學習問題 28
2.1　二分類問題  28
2.2　多分類問題  29
2.3　多標簽分類問題  30
2.4　多視角分類問題  31
2.5　多示例分類問題  31
2.6　多任務分類問題  33
2.7　遷移學習問題  34
2.8　弱監(jiān)督分類問題  34
2.9　數(shù)據(jù)生成問題  35
第3章　機器學習方法 37
3.1　傳統(tǒng)機器學習方法  37
3.1.1　k近鄰 37
3.1.2　樸素貝葉斯 38
3.1.3　決策樹 40
3.1.4　隨機森林 41
3.1.5　自適應增強 41
3.1.6　支持向量機 42
3.2　深度學習方法  44
3.2.1　CNN 44
3.2.2　RNN 46
3.2.3　GAN 46
第4章　多視角學習 48
4.1　多視角學習方法  48
4.1.1　基于完整視角的學習方法 48
4.1.2　基于不完整視角的學習方法 50
4.2　基礎模型  53
4.2.1　RSVM 53
4.2.2　PSVM-2V 54
4.3　RPSVM-2V  55
4.4　理論分析  58
4.5　拓展模型  60
4.5.1　RSVM-2K 60
4.5.2　RMKL 62
4.6　實驗分析  64
4.6.1　實驗設置 64
4.6.2　實驗結(jié)果 65
4.6.3　參數(shù)敏感性分析 71
4.6.4　譜分析 74
第5章　類別不平衡學習（一） 77
5.1　類別不平衡學習方法  77
5.1.1　采樣 77
5.1.2　代價敏感學習 78
5.1.3　集成學習 79
5.2　DEC  81
5.3　修正Stein損失函數(shù)  81
5.4　CSMS  83
5.5　理論分析  86
5.6　模型優(yōu)化  86
5.7　實驗分析  88
5.7.1　實驗設置 88
5.7.2　實驗結(jié)果 89
5.7.3　參數(shù)敏感性分析 93
5.7.4　收斂性分析 93
第6章　類別不平衡學習（二） 98
6.1　v-SVM  98
6.2　LINEX損失函數(shù)  99
6.3　v-CSSVM  99
6.4　理論分析  101
6.5　模型優(yōu)化  102
6.5.1　ADMM 102
6.5.2　GD 104
6.6　實驗分析  105
6.6.1　實驗設置 105
6.6.2　實驗結(jié)果 106
6.6.3　參數(shù)敏感性分析 109
6.6.4　收斂性分析 110
第7章　類別不平衡學習（三） 113
7.1　深度學習中的類別不平衡損失函數(shù)  113
7.1.1　WCE 114
7.1.2　FL 114
7.1.3　其他 115
7.2　深度LINEX損失函數(shù)  116
7.2.1　BC-LINEX 116
7.2.2　MC-LINEX 117
7.2.3　損失函數(shù)比較 119
7.3　模型優(yōu)化  120
7.3.1　BC-LINEX權(quán)重更新 120
7.3.2　MC-LINEX權(quán)重更新 121
7.4　實驗分析  122
7.4.1　實驗設置 122
7.4.2　實驗結(jié)果 125
7.4.3　參數(shù)敏感性分析 130
附錄A 132
A.1　定理4.1證明 132
A.2　定理4.2證明 132
A.3　第4章附表 135
附錄B 148
B.1　第5章附表 148
附錄C 150
C.1　定理6.1證明 150
C.2　第6章附表 152
參考文獻 155