2020腾讯犀牛鸟精英人才培养计划课题介绍（二）——AI 医疗

微信邦

精英人才培养计划是一项校企联合人才培养项目，入选学生将受到业界顶尖技术团队与高校导师的联合指导及培养。培养期间，学生将获得3个月以上到访腾讯开展科研访问的机会，基于真实产业问题及海量数据，验证学术理论、加速成果应用转化、开阔研究视野。同时项目组将为学生搭建线上和线下学习、交流平台，帮助学生挖掘更多潜能。学生通过“十分精英圈”线上平台，随时获取前沿技术资讯、沉淀科研收获与心得；通过“智学研讨会”及“智享交流会”等线下平台，积极参与海内外顶级学术会议及学术专家交流活动；通过“精英研学营”进阶平台，对话产业专家、修炼职场智慧、开拓创新思维。

2020腾讯犀牛鸟精英人才培养计划

12个前沿方向，69项课题，

总有一个适合你！

上期我们介绍了

“课题方向（一）机器人相关技术研究方向”

这期一起来看看第二个方向吧！

  课题方向（二）AI医疗
1蛋白质结构与设计的AI方法（地点：深圳）

蛋白质结构预测是生物领域的重要问题。该问题的解决对许多生物问题以及制药领域有非常重大的影响。该课题将重点研究应用前沿AI算法技术，进行蛋白质结构的预测、蛋白质设计以及蛋白质和药物分子的结合预测。

导师简介

导师1：腾讯专家研究员，中科院自动化所及新泽西州立大学博士。主要从事机器学习、数据挖掘、计算机视觉以及医学影像和药物AI方面的研究工作。在ICML、NIPS、MICCAI等顶级会议上发表多篇有影响力的论文。

2

AI数字病理（地点：深圳）

病理是疾病诊断的金标准。但是人工诊断存在主观性高、重复度低和难以定量化等缺点。本项目旨在将人工智能与数字病理图像分析相结合，提高病理诊断的速度和精确度，实现基于精准量化分析的诊断方式。研究方向着重在于计算机视觉技术（目标识别、物体检测、语义分割等）和深度学习技术（弱监督学习、迁移学习、对抗网络等）在病理图像分析上的算法开发和应用落地。具体的问题包括细胞或组织自动分割、病灶自动检测和分类以及免疫组化定量分析等。

导师简介

腾讯专家研究员，美国约翰霍普金斯大学博士。在医学图像处理、机器学习、深度学习领域有长期的研发经验。主要的研究方向是基于深度学习的医疗影像算法开发及其在疾病筛查和诊断上的应用。发表论文60多篇，被引用4500多次。获得已授权美国国家技术专利14项。

33

基于多模态数据融合的精准医疗（地点：深圳）

本项目旨在利用人工智能技术，通过整体分析和融合多模态医疗数据(影像、病理、基因组学)，给出精准的诊断、预后和治疗方案。开发可视化技术以描述肿瘤相关靶点、微环境和分子信息，辅助医生实现精准、有效的肿瘤治疗。

导师简介

导师：腾讯专家研究员，负责AI+医疗领域的前沿研究及产品落地。在病理分析、脊柱影像分析、肿瘤生长预测、结肠癌检测以及影像引导机器人手术方向取得过突出成绩。编辑过多本期刊特刊和专著，并组织多次国际学术研讨会。在行业期刊和会议上发表论文超过350篇，被引用超过9000次，h-index指数42。

4

无监督/弱监督方法在医学图像中的应用（地点：深圳）

不同于自然图像，医疗图像（如CT、MRI）往往为3D数据。该类数据存在标注难度大、标注信息难以获取等问题。这导致标注的3D医学图像数量通常不足以很好地训练深度学习网络。为解决这个难题，我们希望通过无监督或弱监督学习的方式，从原始医疗图像中提取有用信息，帮助深度学习网络在医疗图像相关处理任务上取得更好的效果。

5领域自适应提高医学图像AI的泛化能力（地点：深圳）

在日常研发工作中，我们通常会和一家医院做深入合作，采集和标注大量来自该医院的医学影像，来开发和优化基于深度学习智能影像分析（比如病灶检测、分割和分类等）的系统。当算法在单中心的数据上取得不错的效果后，我们开始尝试在不同医院、不同设备上做临床试验。由于数据采集条件和应用场景的差异，算法的准确率常常急剧下降。本课题将开发无监督领域自适应算法来提高深度学习网络跨医院、跨设备的泛化能力。我们将比较在网络不同层进行领域自适应的效果，比如输入层（也就是图像风格迁移）、底层特征层和高层特征层。算法需要有很好的通用性，可以用于CT、MRI、超声、内镜和眼底图像等不同的场景。

导师简介（含第4和第5）

腾讯专家研究员，美国马里兰大学博士。目前担任IEEE医学影像杂志副编（影响力因子7.8）和美国医学和生物工程学会（AIMBE）的会士（Fellow）。共出版学术专著3本，发表论文100多篇，被引用6000多次。研究工作曾获中国国家科技进步二等奖、美国爱迪生专利奖和欧洲心胸外科医生协会技术创新奖。

6深度图学习模型研发和其在药物研发上的应用（地点：深圳）

图结构作为在实际应用中广泛出现的数据形式，其相关学习和挖掘问题一直受到广泛关注。本课题的目标是研究最新的深度图学习算法和深度图学习在不同领域，尤其是药物研发领域上的应用。我们期望的研究目标包括不仅限于：（1）深度图学习在药物生成、虚拟筛选的应用；（2）属性预测中的可解释性问题；（3）其他深度图学习的应用。

导师简介

腾讯高级研究员，香港中文大学系统工程与工程管理系博士。主要研究方向是社交网络分析、深度图学习算法以及大规模图系统。在数据挖掘，机器学习顶级会议KDD、WWW、NIPS、CVPR、ICCV上发表多篇论文。曾经担任KDD、WWW、CIKM、WSDM、SDM等会议以及VLDBJ、TKDE等期刊审稿人。

7迁移学习算法研究以及其在医疗领域的应用（地点：深圳）

目前人工智能的大多数成功依赖于大量监督数据。迁移学习作为一种机器学习范式，通过从历史任务中迁移知识，可以减少监督数据的需求，并更快学会目标任务。因此，其近期受到广泛关注。本课题目标是研究最新的迁移学习、元学习算法，以及他们在医疗领域（监督数据极其稀缺）的应用。

导师简介

腾讯高级研究员，香港科技大学计算机与工程系博士。研究兴趣包括机器学习、迁移学习和元学习。曾针对城市计算（如空气质量预测）标注稀缺问题提出基于迁移学习的解决方案。现担任AAAI的高级程序委员会委员，并担任ICML、NeurIPS、ICLR、IJCAI、UAI等会议的程序委员会委员以及PAMI、ML等期刊的学术审稿人。

AI医疗方向有没有戳中你的课题呢？

想了解更多课题方向请访问链接

https://www. withzz .com/project/detail/54

或直接扫描下方二维码查看

“2020年度腾讯犀牛鸟精英人才培养计划申报指南”