华中科技大学 HUST
人工智能与自动化学院 AIA
图像信息智能处理全国重点实验室
图像与视觉学习研究组 HAIV Lab
个人项目:人体动作
示例:增强手术导航
美国国立卫生院RO1项目
基于行为观测的疼痛自动评估
华中科技大学自主创新研究基金
基于美学引导的三维可视的口腔治疗
四川大学华西口腔医院交叉学科创新基金
健康信息学是一门工程学科,旨在用工程创新来解决在如挂号、回访等流程中的效率低下的问题。这一名称源自上世纪50年代的NIST对组织电子医疗记录的描述;在国内通常是作为医学院的信息管理学,亦被称做医学信息学,如今的落地应用就包括医疗大数据、互联网健康等。其取名类似于生物信息学,研究工具是计算机,研究对象是医学或生物学中的信息,本质上是工程学科。健康信息学之于医疗保健,就像计算机之于制造业、互联网之于社交生活一样重要,关键在于信息的传输和理解,即编解码:可以说是医学里与信息技术最接近的学科;与医学图像分析的区别在于后者的研究对象仅限于医学影像;与生物医学工程的区别在于后者的研究工具不限于计算机。
在追求生活质量但人口老龄化的当代,我国、世界的专业医疗人士的缺口是相当之大:据统计,我国平均每千人口医护人数不足3人;在贵州,这个数字要降到1.4人;在云南是1.3人;考虑到城乡差异化,如果仅统计农村地区,这个数字恐怕会非常之小。放眼全世界,据统计医护人员的缺口大约是2000万人,特别是缺乏高端专业医疗人士,如内科医师、外科医生、专家医师等:在如非洲等欠发展地域,一般是培养机制的不成熟导致缺口;在如印度等发展中地域,一般是庞大的人口基数导致缺口;在发达国家如美国,则是高人力成本造成了资源稀缺。医与护的门槛是有很大差别的,医生只能通过严格且长期的培养而得到。如果医护不均衡,会加剧医生人均负荷,进而加剧已经因资源稀缺而造成的紧张的医患关系。但是,人工智能辅助医疗将会是一个可行且有效的解决方案。
健康信息学
HAIV = Health AI & Vision
计算机视觉、图像和视频信号分析及其在健康信息学的应用
深度学习模型与传统图像和视觉模型的耦合
项博士自2012年在约翰·霍普金斯大学攻读博士学位以来,作为技术骨干参与了NIH资助的5年260万美元的RO1大型项目的研究,在视觉信号处理及其在健康信息学的应用等方向上奠定了坚实的基础。在外科诊断和内科手术这医生的两大职责领域里,申请人将开展研究和应用创新。除了最近兴起的大数据给出健康诊断、深度学习读片子等,而申请人的研究应用场景并不限于医院,即便在医院也不限于放射科,而在于从系统工程的角度、以病人为中心改善信息流。
数据受限下的深度学习及可靠计算
湖北省健康大数据平台
只要一个任务能被抽象成输入输出模型,端到端深度学习就可以被尝试。虽然这降低了对领域专识的依赖,即当数据足够大,领域专识能被复杂度足够高的模型学习到。但是,现实中数据可能受限,所以如果有先验知识应该被充分利用。另一方面,这种输入输出模型并不能刻画生产生活中的所有复杂度,经常只是其中一环,那么有机地将其如硬件、用户耦合就变得尤为重要。例如,为个人提供独立和健康的生活方式,特别是针对老年人和残疾人,比如辅助机器人、功能性运动障碍辅助系统、跌倒检测和预防系统、户外监控和协助设备。利用以用户为中心的设计,跨学科的临床医师工程团队将提供有落地应用潜力的解决方案。此外,从实验室研发到实际应用,在现实世界环境中的不受控制的变化,用户隐私的保护,与计算机和环境的有效用户交互,都是需要克服的挑战。
时序深度学习模型及其与实时信号处理的结合
医疗保健是一个复杂的流程和组织系统。流程本质上就是算法,是由时序分段单元组成的,大到就诊流程中的不同科室的环节,小到手术流程中队的切割、摘取、穿线、清洗等。时序深度学习模型如Recurrent Neural Network在语音、文本、视频等时序信号上已取得很多成效,但对于医疗其计算复杂度和运行稳定性还有待提升。以较常见的人脸任务为例,尽管静止图像和理想条件下的表情识别已存在多年,但在非受控条件下和实时视频中的研究仍然相对较少。下一个热点将会是为真实场景开发面部表情识别算法,例如用于远程患者监控的识别,这从精度和速度上都是具有相当的挑战性。所以,申请人将兼顾时序数据表征学习的精度和算法复杂度即兼顾时延、码率等实际要求,而不是单单作为数据分析后处理问题来研究。利用机器学习、视听信号处理和计算语言学方面的最新进展,申请人的研究重点是创建能够分析、识别和预测社会环境中人类微妙交际行为的计算技术。