목차
감사의 글·4
추천의 글·5
머리말·8
이 책에 대하여·10
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 원시자료 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
연습문제·355
참고자료·365
색인(찾아보기)·369