简介
人工智能与生命健康领域的深度交叉融合，正在推动生物医学研究从数据获取、智能分析到科学发现与临床应用的全链条创新。本论坛聚焦AI与生物医学深度交叉的前沿方向，汇集超声显微成像、智能药物设计、生物医学大数据计算、多组学解析及多模态智能分析等热点议题，围绕生命健康领域从精准感知、复杂数据理解到智能发现的关键科学问题与核心技术展开交流。论坛将展示人工智能在医学成像、药物研发、组学数据挖掘和数据稀缺场景智能分析中的最新进展，探讨AI如何加速生命规律发现与生物医学创新，为智能技术与生命科学的深度融合开拓新思路、新方法与新机遇。
简介为官网原文，部分内容可能未写完。
人员
主席
- 苏苒 · 天津大学
- 裴红斌 · 西安交通大学
嘉宾
- 陈慧灵 · 温州大学
- 李向涛 · 吉林大学
- 谢昌谕 · 浙江大学
- 金强国 · 西北工业大学
报告安排
基于微生物组学构建肿瘤精准治疗模型
苏苒 · 天津大学
简介
免疫检查点抑制剂（ICI）疗效个体差异大，现有微生物标志物多局限于分类学水平。本研究整合多癌种宏基因组队列，构建融合蛋白先验的深度学习模型 BioP-VAE，以基因水平肠道微生物丰度预测 ICI 响应及 12 个月 PFS。结果显示，基因水平特征显著优于传统分类学丰度：联合治疗队列内/跨队列平均 AUC 分别为 0.89/0.88，单药队列内达 0.97。响应者富集 Rikenellaceae 等类群，关键基因涉及氮代谢，无响应者与能量代谢相关；年龄分层提示宿主年龄影响微生物-免疫互作。模型泛化能力与治疗方案类型相关。基因水平微生物组特征可作为跨癌种 ICI 疗效预测的非侵入性生物标志物，为精准免疫治疗分层提供新思路。
面向生物医学大数据的智能计算模型：算法设计与实践
陈慧灵 · 温州大学
简介
本报告介绍多模态智能计算在生物医学前沿的研究进展，涵盖智能优化与深度学习两条主线。第一部分提出多种新型元启发优化算法——哈里斯鹰（HHO）、黏菌（SMA）、雾凇（RIME）、龙格库塔（RUN），面向基因表达数据，提出PSHHO、WRAO、TGRUN等改进算法，特征数减少20%–30%、准确率提升3%–5%，用于术后低血压预测等场景。第二部分以深度学习处理影像、视频、生理信号与文本等多模态信息，覆盖临床技能评估、病灶分割、脉搏监测等任务，成果发表于npj Digital Medicine、IEEE系列期刊及MICCAI。最后，本报告将总结智能计算方法在生物医学交叉领域的发展趋势，旨在为生物医学多模态数据挖掘与临床决策提供可复现、可落地的算法工具。
多组学数据分析和理解
李向涛 · 吉林大学
简介
近年来，单细胞多组学与空间组学技术的快速发展，为解析组织发育、疾病发生及微环境异质性提供了前所未有的机会。然而，这类数据通常具有高维、稀疏、异质性强以及跨模态差异显著等特点，如何从复杂数据中准确识别关键生物学驱动因素，并进一步解析组织中的重要细胞状态，仍然是当前计算生物学中的核心挑战。报告首先针对单细胞多组学数据中不同模态信息相互交织、共享机制与特异机制难以分离的问题，提出了一种正交解耦分析框架，用于系统刻画不同组学模态中的共享驱动因素与模态特异驱动因素，从而更好地揭示组织发育与疾病进程中的关键调控机制。随后，我们进一步介绍空间组学场景下稀有致病细胞群体难以稳定识别、难以生物学解释的问题，提出了 GARDEN 方法，用于从复杂组织微环境中鲁棒地表征和解释稀有病理相关细胞群体，为发现疾病发生发展中的关键致病细胞状态提供了新的计算工具。
基于人工智能的药物设计研究进展
谢昌谕 · 浙江大学
简介
近年来，人工智能（AI）赋能早期新药发现，展现了巨大的潜力，并广泛受到了学术界和工业界的关注。早期的 AI 药物研发算法大多源于自然语言、图像识别以及相关的经典深度学习的应用场景，但由于化学与生物医药领域的数据有着自己的独特性，部分普适性的深度学习模型往往面临着过拟合或泛化能力差等各种挑战。我将介绍我们近期是如何更好的利用对深度学习模型或结合化学与生物医药等领域知识，以此来构建对药物研发更友好和更可靠的模型。
面向多模态数据受限生物医学场景的智能分析方法
金强国 · 西北工业大学
简介
生物医学场景普遍存在高质量标注数据不足、不同模态样本规模不均衡、跨模态语义差异显著及多中心数据分布偏移等问题。围绕多模态数据稀缺条件下的智能分析，课题组提出生成式学习、半监督学习与先验知识引导等数据高效利用方法，以及跨模态对比学习、细粒度语义对齐和模态特异性表征策略，实现医学影像、临床信息、病理及组学数据的有效融合。在此基础上，课题组进一步结合跨域表征与域泛化方法，提升模型在疾病筛查、精准诊断和预后评估中的鲁棒性、可迁移性与临床适用性，为数据稀缺条件下的精准医疗提供智能分析技术支撑。