人工智能医疗领域科研项目

疑难与突发性疾病常以起病急、病情险、合并症繁复及临床表型高度异质为特征，传统依赖个体经验的决策模式易致诊疗变异大、质量难以同质化。针对电子病历（EMR）“分散存储难集成、标准不一难质控、模态多样难分析、模型黑盒难解释” 的核心瓶颈，本项目拟构建面向妇产、脑病、肿瘤及肾病等典型专病的精准诊疗关键技术体系，实现从数据治理、知识建模到方案推荐的闭环创新。

研究框架纵向贯通“数据–模型–应用”三层次，横向涵盖四部分内容：
（1）数据层，提出分布自治与群智协同耦合的医疗数据治理与质控方法，解决多中心异构 EMR 的可信整合与动态质控难题；
（2）模型层，研发多模态 EMR 与医学文献深度对齐的疾病基础大模型，并驱动疾病知识图谱的自动化构建与持续演化，形成可解释、可扩展的专病知识底座；
（3）应用层，构建以动态预后预测为制导的精准诊疗方案自动推荐技术，实现个体化干预策略的实时生成与优化，依托五家三甲医院的真实世界场景开展前瞻性临床验证，系统评估技术体系对疑难与突发性疾病诊疗效率、安全性及经济性的综合增益，为基于 EMR 的智慧诊疗提供可复用的理论范式与工程路径。

急危重症患者病理生理过程呈现高度动态演化特征，其诊疗依赖多源生理监测与实验室指标的高频、连续采集，由此产生的电子病历数据具有维度高、稀疏性强、时序耦合复杂等特点，为循证决策提供了客观依据，但也对现有以人工判读为主的经验模式提出严峻挑战。针对高维稀疏时序数据驱动的预测精度不足与模型黑箱化导致的临床可解释性缺失，本项目拟构建面向急危重症的高精度、可解释人工智能辅助诊疗新方法。

研究框架包括四个递进模块：
（1）基于疾病进展路径建模的早期风险识别模型，通过刻画潜在生理状态转移规律，实现关键指标的实时预测与风险动态预警；
（2）基于相似患者聚类的亚型挖掘与危险分层模型，利用表征学习提取患者原型，完成面向预后异质性的自动分层与亚型识别；
（3）融合医学知识图谱的智能精准治疗建议生成模型，在关键危险特征与干预可行性约束之间建立可解释映射，输出个体化干预方案；
（4）面向多视角可解释分析的个体化决策证据生成模型，以特征贡献、时序演化与因果路径等多粒度解释，揭示模型决策逻辑，支撑人机共融的临床决策流程。

随着大语言模型在医疗等高安全要求行业的应用日益广泛，传统依赖大量人工标注数据的迭代模式面临成本高昂、数据分布动态多变等突出瓶颈。为降低对稀缺专家标注资源的依赖，本项目研究一种基于分布鲁棒Stackelberg博弈的大模型自标注学习框架，旨在实现数据高效与计算高效协同的鲁棒持续学习。方法上，通过参数侧的核心模块重要性动态评估与轻量化更新策略，减少对全参数微调的依赖，提升训练效率并保持模型稳定性；针对自标注过程中不可避免的噪声问题，引入对抗性分布鲁棒优化机制，增强模型对数据扰动的适应能力。理论方面，将探讨多轮博弈均衡的收敛性及其泛化性能保障，为动态环境下的模型学习提供可靠的理论支撑。本项目致力于推动大模型在有限标注场景下的安全、高效演化，为高风险领域提供可持续、可信赖的智能解决方案。

电子病历里藏着宝贵的待抽取信息，但人工阅读费时费力，关键信息易被忽略。尤其面对复杂病情，医生往往在信息海洋中独自探索。
我们团队在国家自然科学基金支持下，正研发一款人工智能诊疗辅助系统。它旨在成为医生的“智慧搭档”：像警觉的守门人，提前预警健康风险；像高效的管理员，快速匹配相似成功病例；像贴心的顾问，为每位患者生成个性化治疗思路参考。
我们重点攻克三大难题：让AI在病例不多时也能准确判断；教会它连接零散的健康信息，拼出完整图谱；最关键的是，让AI像医生一样给出“证据”——解释建议从何而来，让医生用得明白、信得踏实。
这项研究意味着：患者可获得更精准、个性化的诊疗参考；医生能从繁重信息处理中解放，更专注于患者沟通；整体医疗资源利用也将更高效。目前，我们正与国内外顶尖医院合作，针对典型专科疾病开发原型系统，推动成果走出实验室，真实服务临床一线。
让技术有温度，让医疗更精准——这是我们团队的初心。人工智能与医学的深度融合，终将助力实现更智慧、更人性化的健康守护。

急救急诊临床实践中需救治大量“急危重症”病人，病人年龄、性别、基础病、生理指标等差异大，且要求快速诊断和施救。然而，急救或急诊医护人员有限，且多为全科医生，医护人员常常需处理一些不熟悉的临床问题，从而限制了医疗服务质量。本项目拟研究一套利用电子病历数据和机器学习方法的辅助”急危重症"智能辅助诊疗模型和技术，为急救和急诊医务工作者提供辅助决策，意义重大。项目面临两个技术挑战：一是电子病历数据高维、稀疏、小样本，机器学习模型过拟合风险高；二是临床要求模型有强可解释性，而主流的深度学习模型难以满足。本项目提出领域知识增强的急危重症智能辅助诊疗模型与方法，一是从临床指南等文献中抽取知识，并将其组织成跨专科且易被机器理解的知识图谱；二是将图谱中的知识注入到隐危重症的相似患者发现、疾病诊断、风险评估、治疗方案推荐等机器学习任务中，提高模型性能和可解释性。项目成果将对急危重症的辅助诊疗应用起到推动作用。

口腔正畸旨在纠正牙列与颌骨的形态与位置异常，恢复患者的咬合功能及面部美观。我国错颌畸形发病率高，但口腔正畸医疗服务水平较低。正畸方案设计中，“融合多学科知识的个性化方案设计决策难”、“生物力学效应复杂导致正畸效果预测难”是制约口腔正畸水平的关键因素。本项目研究临床知识与生物力学融合增强的口腔正畸智能诊疗模型与方法，包括： 1）基于多模态大模型的口腔正畸决策建议生成方法；2）过程模拟与规则扰动结合的口腔正畸数据合成方法；3）融合生物力学约束的口腔正畸有限元求解加速神经网模型。第一项研究内容旨在建立基于大模型的多学科知识融合应用和相似病例方案参考借鉴的能力，辅助医生制定正畸方案；第二和第三项研究内容旨在应用AI4Science范式，通过构造合成数据集、训练深度学习模型，将用于正畸效果预测的有限元方法的计算效率提升至少两个数量级。项目成果将为口腔正畸诊疗的人工智能使能新范式提供理论和技术支撑。

口腔疾病是低龄儿童最主要的慢性疾病负担之一，影响我国儿童的健康成长。在医防融合背景下，儿童口腔疾病的防治不仅依靠临床诊疗，更要对儿童及家长进行个性化的口腔健康教育，来实现有效的预防措施，减轻家庭负担。目前标准化的椅旁口腔健康教育处方尚未构建。近年来应用自然语言处理和知识图谱技术，协助对医学数据进行组织，在辅助医学诊断和医患沟通等方面能够显著提高医疗服务的质量和效率。目前我国还没有关于儿童口腔健康教育和疾病知识图谱的构建和研究，应用大语言模型辅助儿童口腔健康教育平台建设还是空白。本研究拟构建标准化的椅旁儿童口腔健康教育处方，并基于专家经验和公开高质量语料库构建儿童口腔医学知识图谱，对先进中文大语言模型进行垂直领域的微调，实现基于人工智能的儿童口腔健康教育个性化处方的开发，并评价人工智能口腔健康教育处方服务于儿童龋病综合管理过程的效果，探索其在北京市公共卫生服务中的应用推广。