Machine Learning: Health编委访谈|北京大学健康医疗大数据国家研究院洪申达助理教授
Machine Learning: Health(MLHealth)是一本多学科开放获取期刊,致力于在医疗保健、医学、生物、临床和健康科学领域应用机器学习、人工智能和数据驱动的计算方法。 为什么选择在 MLHealth期刊发表您的研究? 包容的期刊范围与创新的文章类型:除原创研究文章和综述文章外,MLHealth还接收数据集文章、基准类文章与挑战类文章等多种文章类型,满足机器学习、人工智能与健康科学交叉领域研究人员多样化的学术发表需求。 开放获取,扩大研究影响力:所有论文均采用CC BY开放许可协议发表,文章一经出版即可永久免费获取,并支持最广泛的传播、共享与再利用,进一步提升研究成果的影响力。 高质量同行评审:所有投稿均由IOP出版社的全球专家进行严格同行评审,并在国际顶尖编委会的支持下,确保论文具备高水平的科学质量、学术严谨性与研究价值。 高效出版流程:我们致力于为作者提供专业、高效的出版服务,确保快速完成首次审稿决定、论文录用及正式发表。文章一经录用,通常可在24小时内在线发布,并获得可引用的DOI,帮助您的研究成果尽快与全球科研社群分享。 近日,我们采访了MLHealth期刊编委之一,来自北京大学健康医疗大数据国家研究院的洪申达助理教授,让我们一起来看看他对期刊以及领域发展的见解吧。 访谈详情 1. 您为什么会推荐作者向Machine Learning: Health这本期刊投稿? 机器学习与医学健康的结合,正在重塑医学研究的方式,而Machine Learning: Health恰好为这一交叉领域提供了高质量、广受认可的发表平台。期刊既重视机器学习方法本身的严谨与创新,也始终关注其在真实健康场景中的可用性与临床价值,审稿过程严谨而富有建设性。对于希望让方法走出基准测试、真正服务于临床与人群健康的研究者来说,这里能够触达机器学习研究者、临床医生、工程师乃至产业界的广泛读者,是一个理想的发声平台。 2. 在您看来,当前该领域近期最令人振奋的研究进展是什么? 我认为最令人振奋的,是生物信号基础模型的兴起,以及多模态医学人工智能的快速发展。研究范式正在从针对单一任务的专用模型,转向在大规模信号上预训练、可迁移到多种下游任务的通用模型;与此同时,能够整合感知、推理与决策支持的临床智能体,也开始进入真实诊疗场景。可穿戴设备与基础模型的结合,使得仅凭单导联信号对多种疾病进行无创预筛查(prescreening)成为可能。更可贵的是,整个领域正在从单纯追求基准性能,逐步走向前瞻性临床验证与获得认证的医疗器械落地。 3. 能否介绍一下您目前正在开展的研究工作? 我的研究方向可以概括为生物信号大模型、智能可穿戴及临床转化,并努力打通从数据、模型到临床落地的完整链条。 在数据层面,我们依托多中心的临床协作,逐步积累了多类型的生理信号资源,为模型研发提供支撑。 在模型层面,我们围绕生物信号构建了一个不断扩展的基础模型家族:从以心电为核心的ECGFounder 出发,延伸到光电容积脉搏波(AnyPPG)、睡眠(SleepFounder)、呼吸、胎心监护等多种生理信号。技术路线上既包括在大规模信号上的自监督预训练,也包括将心电与超声心动图报告、文本等模态对齐的多模态学习,以及面向临床推理的模型,使其不止于分类,更能给出可解释的判断。 在应用层面,我们将这些模型转化为面向心血管诊疗的临床智能体与统一平台:智能体「准心」可辅助完成从信号解读、风险评估到诊疗建议的闭环,HeartOS平台则把分散的能力整合为可在临床环境中部署的系统;部分成果也已进入获得医疗器械注册认证的便携式心电产品,服务于院内与居家场景。 目前的重点,是进一步发展多模态生理信号基础模型,以及基于单导联AI心电的多种疾病无创检测,希望让这些方法真正走到患者身边。 编委介绍 洪申达 助理教授 北京大学健康医疗大数据国家研究院 洪申达,北京大学健康医疗大数据国家研究院新体制助理教授、副研究员、博士生导师,北京大学人工智能研究院院长助理。2019年博士毕业于北京大学智能科学系。研究方向为生理信号大模型、智能可穿戴及临床转化。主持国家自然科学基金、CCF-智谱大模型创新基金、CCF-腾讯犀牛鸟基金等项目。以第一或通讯作者在NEJM AI、The Lancet Digital Health、npj Digital Medicine、Cell Patterns等期刊和ICLR、ICML、NeurIPS等会议发表论文80余篇,被引超过9000次。担任npj Digital Medicine、Health Data Science期刊副编辑,MLHealth编委会成员。相关成果已取得医疗器械注册证。 期刊介绍 Machine Learning: Health Machine…