特邀报告

个人简介
章伟雄教授拥有计算机学士（清华大学）和博士（美国加州大学洛杉矶分校UCLA）学位，曾任美国圣路易斯华盛顿大学计 算机和遗传学教授二十余年。目前担任香港理工大学生物信息学与整合基因组学讲座教授和香港全球杰出创科学人教授 (Hong Kong Global STEM Professor) 。

摘要
Hundreds of genetic biomarkers have been identified in complex disease studies, yet the bulk of "missing heritability" remains alarmingly elusive, which hinders the reliable diagnosis and effective treatment of complex diseases such as cancers and brain disorders. Combinatorial interactions among multiple genomic loci and genetic heterogeneity in the human populations constitute candidate sources of the “missing heritability”. In this talk, I will first discuss the biological and computational challenges to the discovery of polygenic (combinatorial) biomarkers. I will then present a novel approach to network-based, allele-specific genome-wide association studies (GWAS) for systematic identification and analysis of polygenic biomarkers of complex traits and diseases. I will also present some of the results of the new method on psoriasis (an autoimmune skin disease) and the genomic structures of world populations of different ethnic backgrounds. I will discuss some ongoing research and new directions for future development for the identification of polygenic biomarkers of complex diseases, particularly along the line of deep-learning and graph techniques for large network analysis.

个人简介
都柏林大学生物医学工程与信息学博士，卫宁健康首席科学家， 人工智能实验室主任，中国医学装备协会人工智能学组专委 ，中国医学影像 AI 产学研联盟理事。旅居欧洲十几年，长期从事欧洲医疗信息化标准，医疗信息建模，医疗大数据挖掘 和基于人工智能的医疗系统等研究工作。先后带领卫宁健康 人工智能团队获得多项国内外的奖项，2023 年带领团队研发 了卫宁健康医疗领 域大模型 WiNGPT，基于 WiNGPT 的医护智能助手 WiNEX Copilot，以及 WiNEX 产品与解决方 案，并于 10 月的卫宁健康 Winning World 2023 大会上发布。卫宁健康 2022 年参加多项 CHIP 算法比赛并获 的 2 个冠军 1 个季军。

摘要
随着大型语言模型在医疗领域的不断涌现，其在医疗多方面展现出巨 大应用潜力。本报告将深入探讨医疗大模型的研发历 程和实际应用的实践经验， 主要包括目标设定、核心功能、模型训练、数据资源、评估方法及应用能力。特 别地，我将 集中讨论我们研发的第二代医疗大语言模型 WiNGPT 与分享产品落 地过程中的经验与教训。WiNGPT 旨在融汇医学知 识、信息和数据，为医疗界提 供问答、诊断支持及知识传播服务。该模型整合了医学问答、自然语言理解和多 轮对话功 能，覆盖八大医疗场景的 18 个子场景，满足 32 类医疗任务需求。最 后，我将从医疗信息科技从业者的角度分享对未 来医疗技术发展的思考和展望。

个人简介
林辉，男，医学博士，浙江大学医学院附属邵逸夫医院，普外科，主任医师，互联网与人工智能办公室主任。2002年7月毕 业于浙江大学医学院临床医学系，同年攻读浙江大学外科学硕士，2005年提前攻读博士，师从我国著名微创外科专家蔡秀 军教授，2007年7月获外科学博士学位，同年进入邵逸夫医院从事普外科临床、科研及教学工作。作为技术骨干参与支架法 无缝合空腔脏器吻合技术的设计和相关实验研究，为实现无缝合空腔脏器吻合新技术及其吻合支架的临床应用提供可靠的研 究数据和实践依据。作为技术骨干参与设计开展乳腺癌术后腹腔镜带蒂网膜瓣乳房重建术，并建立了一套相对完整的技术体 系，填补了国内技术空白。擅长肝胆、胃肠及腹外疝等疾病的诊治，熟练掌握腹腔镜为主的微创外科技术，对肝脏肿瘤及 微创保胆技术有深入研究。

摘要
数字化开启文明新纪元。数字技术已成这个时代最重要的变革力量。 数字技术如何改变医疗健康？围绕这个问题，报告者 立足医疗场景分享自身在互 联网医疗、医疗人工智能和数字疗法领域的思考和初步探索，从组织、供给和服 务形式三个 维度呈现数字化视角下医疗健康的未来。

个人简介
周少华教授是中国科学技术大学讲席教授，博导，生物医学工程学院执行院长，医学影像智能与机器人研究中心主任。长期 致力于医学影像的研究创新、应用落地及学术服务。在医学影像领域，率先开展了“机器学习+知识模型”的系统性研究，最 近明确了“大任务、小数据”的研究范式和挑战，探出了标注高效、通用模型、知识融合的三大解决途径。发表270余篇学术 论文和章节，谷歌学术总引用超14000次，H因子为64；撰编学术专著8本。在工业界有长达14年的经历，曾任西门子高级 研发总监及首席AI专家。获授权专利逾140项，算法成功转入10多项FDA批准的产品。产品部署在全球几千家医院，用于逾 7百万病人的临床治疗诊断。担任行业顶级协会MICCAI司库兼理事、Medical Open Network for AI（MONAI）顾问 、顶级期刊Medical Image Analysis 、IEEE Trans. Pattern Analysis and Machine Intelligence （TPAMI）、IEEE Trans. Medical Imaging（TMI）等编委、顶级会议AAAI、CVPR、ICCV、MICCAI和NeurIPS 等领域主席、MICCAI2020的程序联席主席、《视觉求索》公众号联席主编。他多次因算法、论文、专利、服务等多次获得 认可和奖励，包括MICCAI年轻科学家奖提名文章、RD100 科技奥斯卡奖、西门子年度发明家、马里兰大学EE杰出校友奖 、BMEF年度编辑、Fellow of IEEE、AIMBE (美国医学与生物工程院)、NAI（美国国家学术发明院）等。

摘要
Medical images are widely used in clinical decision making and artificial intelligence (AI) technologies are commonly utilized in medical imaging and image analysis. In this talk, we address the aspect of medical imaging and present an overview of how AI facilitates the generation of medical image through recovery and synthesis. Medical image recovery attempts to recover the original image under adverse imaging conditions, such as metal artifacts, slow acquisition time, etc. Medical image synthesis attempts to synthesize, from an acquired image under current conditions, a novel image under different conditions. We will cover three neural approaches: (i) Dual domain network (DuDoNet) for metal artifact reduction in CT via joint learning in both sinogram and image domains and MR image reconstruction from undersampled k-space data via joint and recurrent learning in both frequency and image domains; (ii) Causal image synthesis (CIS) for counterfactually synthesizing MR brain images in 3D via the nontrivial leverage of a causal graph and 3D StyleGAN; and (iii) Unified multimodal image synthesis (UMIS) for imputing missing MR images of multiple modalities from any combination of available ones with a single unified model. Our recovery and synthesis approaches leverage deep neural networks as cores, integrate specific domain knowledge, and achieve high quality images.