青年学术沙龙第154期活动暨研究生科研能力提升系列活动通知

为生物医学定制人工智能——以QPM为例

报告人：罗威 博士

时  间：2022年4月8日（周五）下午14:00

地  点：周亦卿科技大楼二楼会议室

欢迎广大导师和研究生积极参与！

英国正版365官方网站

2022年3月31日

报告人简介:（中英文皆可，500字以内）

罗威博士，2014年本科毕业于浙江大学数学系信息与计算科学专业，并于2020年在英国正版365官方网站取得博士学位。2020年至2022年赴香港中文大学生物医学系从事博士后研究工作，致力于人工智能技术与生物医学应用的学科交叉研究。2022年3月加入浙江大学英国正版365官方网站任特聘副研究员，主要研究内容包括：（1）具有长时记忆能力的通用神经网络架构及训练算法研究，用于揭示并融合生物医学电信号、文本序列及视频图像序列数据中潜在的长期依赖，发现新疾病模态，提高临床诊断准确率；（2）基于人工智能的荧光显微及定量相位显微图像重建与分析算法，及其在三维细胞重建与动态分析应用上的研究；（3）多模态生物医学大数据分析处理平台及生物医学智能特征数据库研究。近年来作为人工智能方向研究骨干参与多项国内、国际合作项目，兼任中国生物医学工程学会数字医疗及医疗信息化分会委员，已发表SCI期刊及国际会议论文10余篇。

报告内容简介：（中英文皆可，500字以内）

在当下第三次人工智能热潮中，人工神经网络(Artificial Neural Networks)技术被冠以深度学习(Deep Learning)的称号，常与复杂而庞大的模型，海量的训练数据绑定在一起，需要巨大的计算资源。在生物医学与人工智能的交叉研究中，在众多宏观世界任务(如人脸识别，街景实例分割)中发展而来的深度学习技术被不断迁移至生物医学应用里，在数据重建及分析上彻底重构了传统的信息处理模式，发挥了巨大的作用。然而，由于生物医学数据(如微观显微图像)特征及内在物理背景与宏观世界数据差异较大，这种无差别的技术迁移方式往往无法很好地解决实际问题。针对这个问题，罗威研究员基于深度学习在定量相位显微技术(Quantitative Phase Microscopy, QPM)上的应用，综合模型、数据及训练方式三个要素提出一种让简单神经网络在单个训练数据上学会重建QPM图像的方法。相对于荧光显微方法，QPM技术具有无标记，非侵入的特点，因而适用于活细胞的长时观测。但其并非所见即所得的成像方法，一般需从干涉图(Interferogram)中重建观测样本的光学相位偏差。罗博士所提出的轻量简单网络在小样本上能够表现出超过大模型在大数据上的训练效果，由此将展开专用于生物医学背景的人工智能技术的讨论。