醫(yī)療革命：醫(yī)學數(shù)據(jù)挖掘的理論與實踐

第1章 數(shù)據(jù)分析與數(shù)據(jù)挖掘的力量 1
1．1　葡萄牙醫(yī)生解決世界新生兒出生缺陷的故事 2
1．2　醫(yī)學數(shù)據(jù)挖掘的主要定義 5
1．2．1 數(shù)據(jù)挖掘的定義 5
1．2．2 醫(yī)學數(shù)據(jù)挖掘的故事 5
1．3　醫(yī)學數(shù)據(jù)模式識別的七大原理與案例講解 6
1．3．1 什么是模式識別 6
1．3．2 7個小故事 7
1．4　臨床醫(yī)學領域的機器學習與人工智能 12
1．5　神經(jīng)元網(wǎng)絡的基本原理 13
第2章 臨床醫(yī)學的數(shù)據(jù)挖掘 20
2．1　房顫與腎功能關聯(lián)現(xiàn)象的故事 21
2．2　支持向量機的算法原理與應用 30
2．2．1 一個故事的開場白 30
2．2．2 支持向量機的主要特點 31
2．2．3 支持向量機的應用案例 39
2．3　疾病規(guī)律與統(tǒng)計學革命 43
2．3．1 肝膽外科的統(tǒng)計學故事 43
2．3．2 雙盲實驗的誕生 44
2．3．3 幾則很有趣的醫(yī)學統(tǒng)計學故事 47
2．4　老年肺癌研究 50
2．4．1 數(shù)據(jù)的抓取與來源 50
2．4．2 癌癥與老齡化的相關性分析 51
2．4．3 老年人肺癌手術適用性評估關鍵詞頻率 53
2．4．4 老年肺腫瘤的數(shù)據(jù)分析 54
2．4．5 英國肺癌患者38年來死亡率研究 59
2．4．6 老齡肺癌死亡率數(shù)據(jù)的三維分析 59
2．5　臨床醫(yī)學與數(shù)據(jù)挖掘的邊緣學科 62
2．5．1 幾個實例 62
2．5．2 醫(yī)學統(tǒng)計學與醫(yī)學數(shù)據(jù)挖掘的區(qū)別 69
2．5．3 有關數(shù)據(jù)挖掘是邊緣學科的幾個實例 72
2．5．4 一個醫(yī)學數(shù)據(jù)挖掘的案例 74
第3章 臨床醫(yī)學與數(shù)據(jù)技術的深度融合 90
3．1　二型糖尿病與胰腺癌的故事 91
3．2　Cox回歸的基本原理與應用 94
3．2．1 Cox回歸的基本原理 94
3．2．2 晚期肺癌伴腦轉(zhuǎn)移患者的預后多因素Cox回歸 95
3．2．3 本案例的幾點啟示 100
3．3　醫(yī)學數(shù)據(jù)分析中的故事 101
3．4　聚類的臨床醫(yī)學意義 103
3．4．1 聚類算法的基本定義 103
3．4．2 臨床醫(yī)學數(shù)據(jù)挖掘中聚類的意義 104
3．4．3 案例 112
3．5　貝葉斯算法的應用案例 113
3．5．1 一個流傳甚廣的故事 113
3．5．2 一個貝葉斯算法的醫(yī)學案例 114
第4章 臨床醫(yī)學的模式識別 126
4．1　模式識別是什么 127
4．1．1 定義 127
4．1．2 臨床醫(yī)學模式識別的故事 127
4．2　基線靜息心率的故事 130
4．3　決策樹算法 132
4．4　最大期望（EM）算法 135
4．5　算法的規(guī)律與臨床醫(yī)學的本質(zhì) 140
4．5．1 算法的本質(zhì)是什么 140
4．5．2 數(shù)據(jù)挖掘中醫(yī)學的本質(zhì) 141
第5章 醫(yī)學數(shù)據(jù)挖掘的常用工具 146
5．1　SAS挖掘軟件運用案例 147
5．2　Weka軟件介紹 150
5．3　Matlab案例 152
5．4　R語言案例 162
5．5　臨床醫(yī)生如何用好挖掘工具 164
第6章 專業(yè)級醫(yī)學SCI論文中的統(tǒng)計工具 169
6．1　醫(yī)學數(shù)據(jù)中的T值與P值故事 170
6．2　K線圖的故事 172
6．3　國際頂級期刊上的數(shù)據(jù)技術 174
6．4　SCI薈萃分析中的統(tǒng)計學工具 180
6．4．1 研究對象及入選標準 181
6．4．2 統(tǒng)計學處理 181