团队名称：智能信息处理团队
成员介绍：徐龙（教授）、黄鑫（教授）、孙文青（讲师）
团队联系方式：
徐龙：邮箱：[email protected];
黄鑫：邮箱：[email protected];
孙文青：邮箱：[email protected];
团队研究方向（200字左右）及主要成果：
智能信息处理团队的研究方向为人工智能与天文、空间天气、医疗健康领域的交叉应用研究，提升人工智能在科学应用领域的基础理论和应用水平，特别是知识+数据联合驱动的人工智能建模，我们认为联合物理模型和海量数据的人工智能建模是最适合科学领域人工智能应用的范式。AI医学图像(AI for Medicine)，主要从事医学图像处理、疾病筛查、疾病风险分层和预测、治疗策略选择等相关方向开展研究工作。包括心血管临床和影像数据的自动理解，感兴趣区域自动分割，冠脉三支患者死亡风险预测模型，冠心病治疗策略选择方法，糖尿病小血管病变筛查等任务。
一、基于因果推理的太阳活动预报建模
现有耀斑预报模型建立在相关关系基础上，即通常从图像中提取各种物理、几何和拓扑参数，或使用深度学习提取图像特征，然后通过优化损失函数建立这些参数/特征与耀斑之间的相关关系。现有算法存在的缺点是忽略了耀斑发生的因果关系，存在解释性差、稳定性难以保障等问题。而因果关系才能真正地从根本上反映耀斑驱动机/触发机制，因此，本项目研究拟应用最新人工智能前沿技术——深度因果推理，开展耀斑预报的因果推理建模。
因果推理是根据一个结果发生的条件对因果关系得出结论的过程。研究因果关系最大的一个目标，就是找出事物之间真正的因果关系，去掉那些混杂的伪因果关系。在深度学习的框架里，已有相关工作研究了混杂因素的分离和因果推理的工作。
如图所示，三种经典的深度因果推理模型，其主要功能是分离混杂因素。本项目研究拟将深度因果推理模型融入耀斑预报模型，能够分离输入磁图中的混杂因素，找到真正的耀斑发生的诱因，从而构建可解释性的、鲁棒性的耀斑预报模型。
二、基于人工智能的引力波研究
在人工智能大数据处理方面，我们将应用人工智能技术开展引力波信号或其他探测信号的噪声消除，从强干扰背景高效、快速检测引力波信号，并采用人工智能技术推演该引力波信号的波源参数反演；同时，发展物理嵌入的、知识与数据联合驱动的人工智能神经网络模型，应用于数值广义相对论的研究。
三、基于临床变量的冠脉三支病变患者死亡风险预测模型研究
该研究结果发表在国际权威杂志《Atherosclerosis》，研究入选患者来自于阜外医院8943例冠脉三支病变患者。该研究分别在PCI组、CABG组和药物组利用机器学习特征选择方法评估特征参量重要性，并使用随机森林方法建立冠脉三支病变患者死亡风险预测模型，在和SyntaxⅡ积分（根据冠状动脉病变解剖特点进行危险分层的积分系统）的对比中显示，本研究给出的冠脉三支病变患者危险分层预测效果显著提高。（Feng X, Zhang C, Huang X（共同一作）, Liu J, Jiang L, Xu L, Tian J, Zhao X, Wang D, Zhang Y, Sun K, Xu B, Zhao W, Hui R, Gao R, Yuan J, Wang J, Duan Y, Song L. Machine learning improves mortality prediction in three-vessel disease. Atherosclerosis. 2023 Feb;367:1-7）
四、冠脉三支病变患者智能化治疗策略选择
该研究探索了冠脉三支病变患者智能化治疗策略的选择方法。项目团队使用决策树算法对冠脉三支病变患者进行自动分组，统计各个亚组中采用不同治疗策略时患者的终点事件情况，最终确定适合该亚组人群的治疗策略。（Jie L, Feng XX, Duan YF, Liu JH, Zhang C, Jiang L, Xu LJ, Tian J, Zhao XY, Zhang Y, Sun K, Xu B, Zhao W, Hui RT, Gao RL, Wang JZ, Yuan JQ, Huang X（共同通讯）, Song L. Using machine learning to aid treatment decision and risk assessment for severe three-vessel coronary artery disease. J Geriatr Cardiol. 2022 May 28;19(5):367-376）
五、基于生成对抗网络的病理学图像生成及应用
在医学图像分类中，类不平衡问题较为普遍。通常异常样本数量远小于正常样本数量。项目团队利用生成对抗网络，生成异常样本，检查生成样本的特性，并设计样本融合策略，训练深度神经网络模型。模型的测试结果验证了生成样本用于处理类不平衡问题和改善分类器性能的有效性。（Yu S, Zhang S, Wang B, Dun H, Xu L, Huang X, Shi E, Feng X. Generative adversarial network based data augmentation to improve cervical cell classification model. Math Biosci Eng. 2021 Feb 8;18(2):1740-1752.）
