本书是人工智能常用编程语言Python的基础教程，是一本专门为医学专业学生进行医学数据分析、医学影像处理、医学数据挖掘等而设计和编写的，以医学案例驱动为特点的教材。全书共分10章，第1章～第3章介绍了Python的语言基础，第4章～第8章介绍了医学统计分析和回归分析、医学数据库操作、医学影像基本图像处理技术等Python的语言实现，第9章～第10章介绍了分类、聚类及深度学习等人工智能相关算法在医学上的实现。本书结构合理、思路清晰、层次分明，围绕医学案例由浅入深，注重入门运用与举一反三，强化医学案例驱动的扩展学习，重视医学专业学生学习能力的培养，强调医学实践联系计算机理论的医工融合。
本书适合作为高等医药类院校教材，前5章适用于所有医学专业的学生，第8章适用于医学影像、口腔、智能医学工程、医学信息工程、生物医学工程、生物信息学等专业的学生，第6～7章、第9～10章适用于医学院校中信息管理与信息系统、智能医学工程、医学信息工程、生物医学工程、生物信息学等专业的学生。

近年来，用于大数据和人工智能的Python开发语言发展迅速，在医学领域中具有广泛的应用，如检验检查的数据分析与统计、海量电子病历的自然语言识别、医学影像及病理切片的自动识别等采用Python语言开发实现的案例较多。目前，医院信息化程度较其他行业高，积累了大量的数据，而用于人工智能算力的硬件设施价格逐渐下降并普及化，以深度学习算法为代表的人工智能技术在近年也获得了突破，开辟了人工智能在健康领域应用的热潮。在“医疗大数据+算力+人工智能算法+人=智慧医学”公式中，要达到智慧医学广泛开展和应用的目标，前三者均有一定的门槛，但相对于“人”的因素，还算容易达到。所以培养具有医学基础而又掌握Python语言等人工智能开发工具的人才是实现智慧医学的关键。本教材的目的是针对医学专业的学生——未来的医务工作人员的信息素养和研发能力的培养，提升其Python语言开发能力。
本教材的特点是强调医学案例的应用，对编程语言本身和计算机科学理论的学习穿插在案例中，以够用为原则。扩展的计算机理论学习强调图书资源和网络资源的利用，引导读者自学，以培养学习能力。全书共分10章，第1章~第3章介绍了Python的语言基础，第4章~第8章介绍了医学统计分析和回归分析、医学数据库操作、医学影像基本图像处理技术等Python的语言实现，第9章~第10章介绍了分类、聚类及深度学习等人工智能相关算法在医学上的实现。教材中的案例大多数源于医学领域，部分数据来源于医院信息系统，经过脱敏处理。
本教材由贺向前任主编，曾红武、陈鹏任副主编。参与教材编写的人员还有赖清、袁冬莉、金晶、周宏、马云峰、熊欣、江正、韩宝如、贾媛媛、王浩林等。编者们均来自于重庆医科大学医学信息学院。本教材的编写获得了重庆市教委新型二级学院建设项目的经费资助，也获得了重庆医科大学教务处和医学信息学院的支持和帮助。正是这些支持和帮助激发了编者的编写热情，在此表示感谢！此外，本教材撰写和出版过程中得到了很多领导、专家、同仁、学生以及家属热情而无私的帮助，在此一并致谢！
由于时间仓促，而信息技术的发展又面临日新月异的变化，本书难免存在许多不足，希望读者多提宝贵意见。编者的电子邮件是hexiangqian@cqmu.edu.cn。

编  者

第1章  Python编程基础	1
1.1  搭建Python的编程环境	1
1.1.1  Python安装	1
1.1.2  PyCharm集成开发环境	3
1.1.3  Python函数包的安装	4
1.2  运行Python语言程序	4
1.3  Python代码编写规范	5
1.3.1  标识符	5
1.3.2  Python保留字	6
1.3.3  注释	6
1.3.4  缩进	6
1.3.5  多行语句	7
1.4  简单的Python代码语句	7
1.4.1  赋值语句	7
1.4.2  显示输出语句	8
1.4.3  读取键盘输入	8
1.5  数据类型	8
1.5.1  数字	9
1.5.2  字符串	9
1.5.3  列表	10
1.5.4  元组	11
1.5.5  集合	11
1.5.6  字典	12
1.6  运算符与优先级	12
1.6.1  算术运算符	12
1.6.2  比较运算符	13
1.6.3  逻辑运算符	14
1.6.4  运算符优先级	15
1.7  标准库	16
1.7.1  库函数的使用	16
1.7.2  糖尿病患者一周血糖数据分析案例	17
第2章  程序流程控制及函数	20
2.1  程序执行的流程控制	20
2.2  选择语句	20
2.2.1  单分支选择结构if语句	20
2.2.2  双分支选择结构if语句	21
2.2.3  多分支选择结构if语句	22
2.2.4  选择结构的嵌套	23
2.3  循环语句	24
2.3.1  while循环语句	24
2.3.2  for循环语句	26
2.3.3  循环语句中的break和continue语句	26
2.3.4  for循环语句中的range()函数	27
2.4  函数	28
2.4.1  自定义函数	28
2.4.2  自定义函数的参数传递	29
2.4.3  lambda函数	31
2.4.4  常用函数列表	31
2.4.5  模块	33
2.5  异常处理	34
第3章  Python常用包及医学数据统计分析	37
3.1  NumPy包	37
3.1.1  NumPy的安装及介绍	37
3.1.2  NumPy数组	38
3.2  pandas包	39
3.2.1  pandas的安装及介绍	39
3.2.2  pandas的Series数据结构	40
3.2.3  pandas的DataFrame数据结构	40
3.3  Matplotlib包	45
3.3.1  Matplotlib的安装及介绍	45
3.3.2  Matplotlib中figure画布及其坐标系统	46
3.3.3  Matplotlib库中pyplot模块里的主要作图函数	47
3.4  医学数据分析常用指标	55
3.4.1  集中趋势度分析	55
3.4.2  离中趋势分析指标	57
3.5  相关性分析	58
第4章  医学数据的获取和可视化	60
4.1  二维表格式文件的读取与写入	60
4.1.1  pandas读取CSV文件和Excel文件	60
4.1.2  xlrd库、xlwt库和xlutils库	63
4.1.3  openpyxl	67
4.2  PDF的读取	69
4.2.1  PDFMiner	69
4.2.2  PyPDF2	71
4.2.3  PDFPlumber	73
4.3  数据的可视化	74
4.4  使用PyEcharts库进行数据可视化	76
第5章  线性回归分析及Logistic回归	79
5.1  一元线性回归	79
5.1.1  数据导入与清洗	80
5.1.2  作散点图并选择线性回归模型	81
5.1.3  线性回归模型及参数估计	82
5.1.4  线性回归分析相关函数	84
5.2  Logistic回归	84
5.2.1  过程介绍	87
5.2.2  数据的基本统计信息	87
5.2.3  搭建模型	89
5.2.4  Logistic回归介绍	91
5.2.5  Python相关库的介绍	92
第6章  Python数据库的医学应用	93
6.1  MySQL数据库系统的安装及配置	93
6.2  创建数据库	96
6.3  川崎病数据表的创建	97
6.4  川崎病数据库表操作	98
6.5  川崎病数据库表查询综合运用	104
第7章  川崎病数据档案查询系统的Django框架开发	110
7.1  Python的Web开发能力	111
7.2  Web开发环境的搭建和Django的介绍	112
7.3  搭建“川崎病数据档案查询系统”项目的开发环境	113
7.3.1  创建项目工程kawasaki（川崎病英文名）	113
7.3.2  工程开发界面及编译环境对话框的介绍	114
7.3.3  本地服务器设置	116
7.4  设计查询系统的数据模型	118
7.4.1  ORM介绍和PyMySQL安装及驱动的加载	118
7.4.2  创建应用程序App	120
7.4.3  模型设计及创建迁移记录和数据表	121
7.4.4  Django后台管理程序admin	125
7.5  搭建项目基本框架	128
7.5.1  URL路由设置	128
7.5.2  制作初步视图	129
7.5.3  制作简单的HTML文件	130
7.6  模板与前端页面制作	132
7.6.1  HTML5格式的静态页面	132
7.6.2  前端框架bootstrap	133
7.6.3  静态文件设置	133
7.6.4  制作base.html文件	133
7.6.5  制作登录页面	135
7.6.6  完善视图函数login()	136
7.7  查询应用operate的开发简介	138
7.7.1  路由设计	138
7.7.2  数据模型制作	139
7.7.3  前端模板设计	140
7.7.4  编写视图函数	144
7.7.5  展示部分登录之后的运行截图	146
第8章  Python医学图像处理	148
8.1  Python图像处理工具包	148
8.2  医学图像的基本操作	148
8.3  医学图像的基本概念	151
8.4  骨龄片的滤波处理	153
8.5  图像卷积	155
8.6  几何变换	158
8.7  图像的算术运算	163
8.8  医学图像的图像增强	165
8.9  医学图像分割	172
8.10  医学图像形态学处理	173
第9章  机器学习常见分类与聚类分析	176
9.1  scikit-learn简介及安装	176
9.2  决策树分类算法	177
9.3  KNN分类算法	180
9.4  随机森林分类算法	181
9.5  支持向量机SVC分类算法	182
9.6  神经网络分类算法	183
9.7  Mean-shift聚类算法	184
9.8  K-means聚类算法	187
第10章  深度学习：卷积神经网络在医学图像处理中的应用	189
10.1  深度学习：卷积神经网络	189
10.2  TensorFlow简介	190
10.3  基于卷积神经网络的骨龄检测实例	192
参考文献 	199

重庆医科大学

无