▶ 이 책은 실전 인공지능에 대해 다룬 도서입니다. 실전 인공지능 의학의 기초적이고 전반적인 내용을 학습할 수 있도록 구성했습니다.

목차

 

감사의 글ㆍ4

추천의 글ㆍ5

머리말ㆍ8

이 책에 대하여ㆍ10

PART 01 다가오는 미래 의료

제1장 인공지능과 의학, 의료, 의사 / 24

1.1. 현대 의학은 어디로 가고 있는가? / 24

1.2. 인공지능이란 무엇인가? / 31

1.3. 병원의 인공지능은 어떻게 다가올까? / 37

1.4. 인공지능은 의사를 대체할 것인가? / 39

1.5. 의사가 인공지능을 알아야 하는 이유 / 40

PART 02 분류와 예측을 위한 지도 기계학습

제2장 기계학습을 위한 기본기 다지기 / 44

2.1. 기계학습이란 무엇인가? / 44

2.2. 기계가 학습을 할 수 있는 원리 / 47

2.3. 분류와 예측의 문제 / 49

2.4. 중요한 개념과 용어 / 50

2.5. 기계학습과 다른 기법과의 차이 / 55

2.6. 기계 학습이 이루어지는 절차 / 56

2.7. 기계학습을 위한 R의 준비 / 57

2.8. R언어의 기초 / 61

2.9. 이 단원의 마무리 / 67

제3장 직관적이고 빠르게 질병 진단하기 : K-최근접 이웃 방법 / 69

3.1. 비슷한 것끼리 모여 있는 유유상종의 원리 / 70

3.2. 차원의 확장과 거리의 계산 / 73

3.3. 데이터의 정규화와 매개변수 k의 선택 / 75

3.4. 예제 : 세포 모양으로 유방암 진단하기 / 77

3.5. 예제 : 폐암 수술 후 사망 위험군 예측하기 / 86

3.6. k-최근접 이웃 방법의 특징 / 90

3.7. 이 단원의 마무리 / 90

제4장 진단과 예측 근거를 명확하게 설명하기 : 의사 결정 나무 / 91

4.1. 스무고개 게임을 이기는 원리 / 92

4.2. 나무 구조의 기계학습 모델 / 93

4.3. 나무의 모양을 결정하는 정보의 이득과 엔트로피 / 96

4.4. 예제 : 요로 감염 진단 문제 / 100

4.5. 예제 : 홍반성 피부 병변 진단하기 / 104

4.6. 의사 결정 나무의 특징 / 106

4.7. 이 단원의 마무리 / 107

제5장 복잡합 차원의 질병 진단 및 예후 예측 : 서포트 벡터 머신,

인공 신경망 / 108

5.1. 국경선은 어떻게 결정해야할까? / 109

5.2. 데이터를 고차원 공간으로 연결하는 커널 트릭 / 112

5.3. 인공 신경망의 기초 / 113

5.4. 인공 신경망의 구조와 학습 원리 / 117

5.5. 예제 : 자살 고위험군 감별 시스템 만들기(국민건강영양조사 원시자

료 사용) / 122

5.6. 인공 신경망을 이용하는 코드 실습 / 135

5.7. 이 단원의 마무리 / 138

제6장 보다 고성능의 진료 지원 시스템 설계하기 : 성능 평가, 앙상블

학습, 회귀 문제 / 140

6.1. 기계학습에서 반드시 오류가 발생하는 이유 / 141

6.2. 정량적으로 모델 평가하기 / 143

6.3. 교차 검증으로 보다 일반화된 모델 만들기 / 148

6.4. 앙상블 학습으로 똑똑한 인공지능 만들기 / 150

6.5. 회귀 문제 : 저밀도 지방단백질(콜레스테롤) 수치 예측하기 / 153

6.6. 이 단원의 마무리 / 157

PART 03 자율 기계학습과 강화 학습

제7장 스스로 질병군을 찾아내는 인공지능 : K-평균 군집화 / 160

7.1. 답을 모르는 의학 문제 / 161

7.2. 인공지능은 스스로 유방암을 찾아낼 수 있을까? / 161

7.3. 유유상종하는 무리의 범위는 어떻게 정할까? / 164

7.4. 예제 : 간 질환 환자군 찾아내기 / 169

7.5. 군집화를 적용 할 수 있는 의료적 문제 / 171

7.6. 이 단원의 마무리 / 173

제8장 의무 기록에서 미지의 규칙 찾아내기 : 어프라이어리 / 175

8.1. 약물상호작용은 어떻게 발견할 수 있을까? / 176

8.2 연관 분석의 이론적 배경 / 177

8.3. 연관 패턴을 효율적으로 찾아내는 어프라이어리 / 179

8.4. 예제 : 의무기록에서 약물 병용 부작용 찾아내기 / 181

8.5. 임상 의사의 관점에서 규칙의 해석 / 185

8.6. 이 단원의 마무리 / 186

제9장 1차 진료에서의 맞춤 의료, 동적 치료 계획 : 강화학습 / 188

9.1. 1차 진료에서의 인공지능, 만성 질환의 동적 정밀 치료 / 189

9.2. 동적 치료 계획과 SMART 데이터 / 190

9.3. 강화학습은 최적의 동적 치료 계획을 어떻게 찾아내는가? / 194

9.4. Q학습을 이용한 최적 동적 치료 계획 탐색 / 196

9.5. 예제 : 비만 환자의 최적 동적 치료 계획 결정 문제 / 199

9.6. 동적 치료 계획은 어떤 문제에 적용되었는가? / 204

9.7. 이 단원의 마무리 / 207

PART 04 지능적인 탐색과 예측, 응용

제10장 난해한 의료 경영 문제의 가장 좋은 답 찾기 : 유전 알고리즘 / 210

10.1. 최적화란 무엇인가? / 211

10.2. 인공 염색체, 인공 유전자 그리고 지능적 인공 진화 / 213

10.3. 가장 우수한 인공 염색체를 찾는 과정 / 217

10.4. 유전 알고리즘 설계시 고려할 사항 / 219

10.5. 유전 알고리즘은 어떤 문제를 해결할 수 있는가? / 222

10.6. 예제 : 응급 수술 최적 스케줄 만들기 / 223

10.7. 예제 : 원자력병원의 인턴 의사 배치 문제 / 227

10.8. 이 단원의 마무리 / 231

제11장 인공지능 의사와 모호한 언어로 소통하기 : 퍼지 시스템 / 232

11.1. 모호한 인간 의사의 언어, 명확한 컴퓨터 의사의 언어 / 233

11.2. 모호한 표현을 퍼지 집합으로 나타내기 / 234

11.3. 논리 연산으로 퍼지 집합 확장하기 / 236

11.4. 결국 퍼지 논리로 무엇을 할 것인가? / 239

11.5. 의학적 명제를 퍼지 규칙으로 표현하기 / 240

11.6. 퍼지 추론으로 문제 해결하기 / 242

11.7. 예제 : 퍼지 시스템으로 신생아 사망 위험률 추정하기 / 248

11.8. 이 단원의 마무리 / 256

제12장 기계학습을 이용한 의료영상의 재발견 : 의료영상체학 / 257

12.1. 의료영상에 숨겨진 비밀 / 258

12.2. 의료영상체학은 어떤 문제를 해결할 수 있을까? / 260

12.3. 영상학적(radiomic) 속성은 어떻게 정의하는가? / 262

12.4. 전체적인 의료영상체학 접근 과정 / 266

12.5. 예제 : MRI 영상에서 교모세포종(glioblastoma) 예후 예측하기 / 269

12.6. 의료영상체학의 한계와 미래 / 278

12.7. 이 단원의 마무리 / 279

PART 05 딥러닝

제13장 딥러닝을 위한 준비 / 282

13.1. 인간을 닮아가는 깊은 수준의 인공지능 / 283

13.2. 딥러닝 인공 신경망의 구조 / 284

13.3. 심층 학습이 이루어지는 원리 / 286

13.4. 파이썬과 텐서플로우 준비하기 / 288

13.5. 딥러닝의 성능 향상을 위한 고민 / 296

13.6. 이 단원의 마무리 / 298

제14장 의료영상을 학습하는 인공지능 : 심층 합성곱 신경망 / 299

14.1. 의사는 처음 보는 의료영상을 어떻게 판독하는가? / 300

14.2. 시각피질의 구조를 닮은 인공 신경망 / 301

14.3. 예제 : 유방촬영술에서 치밀 유방 영상 가려내기 / 306

14.4. 소스 코드 살펴보기 / 312

14.5. 영상 인식 딥러닝에 관한 특별한 주제들 / 322

14.6. 이 단원의 마무리 / 329

제15장 의사의 눈과 귀에 도전하는 특별한 딥러닝 / 331

15.1. 맥락을 기억하는 재귀 신경망 / 332

15.2. 숨은 병변을 찾는 변형 신경망 / 335

15.3. 이미지를 설명하는 하이브리드 신경망 / 336

15.4. 예제 : 자궁경부암 환자의 생존 기간 추정하기 / 337

15.5. 예제 : 보행분석으로 파킨슨병 감별하기 / 345

15.6. 예제 : 초음파 영상에서 완신경총(brachial plexus) 찾기 / 349

15.7. 딥러닝의 미래와 의사의 역할 / 354

연습문제ㆍ355

참고자료ㆍ365

색인(찾아보기)ㆍ369