01↗
医学影像生成与理解
面向高质量医学数据稀缺这一核心瓶颈，研究可自我改进的生成式基础模型，以及影像重建、合成与临床任务迁移。
- 生成式基础模型
- 医学影像
- 临床迁移
ABOUT关于我们
从算法出发，
回到人的健康。
课题组依托北京大学未来技术学院大数据与生物医学人工智能方向， 由王劲卓老师带领。我们的核心兴趣是利用人工智能理论， 实现多模态生物医学大数据的融合、生成与临床转化。
近年工作覆盖细胞扰动建模、细胞通讯推断、生成式医学影像、 多组学学习、药物靶点预测与精准用药等主题，成果发表于 Nature Medicine、 Nature Communications、 Nature Computational Science、PNAS 等期刊。
RESEARCH研究方向
围绕生命数据，构建下一代医学智能。
02↗
多模态数据融合
融合影像、文本、知识图谱与生理信号，让不同尺度、不同来源的生物医学信息形成统一而可解释的表征。
- 多模态学习
- 知识图谱
- 表征融合
03↗
多组学与精准医学
通过动态学习整合基因组、表观组与转录组信息，探索面向个体的肿瘤诊断、预后评估与生物标志物发现。
- 多组学
- 肿瘤计算
- 个体化诊疗
04↗
可信临床人工智能
关注不确定性、可解释性与因果关系，推动模型从准确预测走向可靠决策，服务真实世界临床应用。
- 可信 AI
- 因果推断
- 临床决策
SELECTED WORK代表成果
近年代表性论文
以近五年的研究为主线，呈现从细胞尺度的扰动响应与通讯机制，到多模态临床决策和精准用药的持续探索。
01
在 Google Scholar 查看全部成果 PERTURBATION MODELLING
02A generative framework for predicting cellular morphological and transcriptomic perturbation responses
PRECISION MEDICATION
03A generalist precision medication framework using temporal causal inference based on treatment-free physiological profiles
PRECISION ONCOLOGY
04AI-enabled molecular phenotyping and prognostic predictions in lung cancer through multimodal clinical information integration
CELL COMMUNICATION
05Interpretable niche-based cell‒cell communication inference using multi-view graph neural networks
GENERATIVE IMAGING
06Self-improving generative foundation model for synthetic medical image generation and clinical applications
DRUG–TARGET INTERACTION
07Accurate and transferable drug–target interaction prediction with DrugLAMP
BIOLOGICAL AGE
08Accurate estimation of biological age and its application in disease prediction using a multimodal image Transformer system
MULTIOMICS
Multiomics dynamic learning enables personalized diagnosis and prognosis for pancancer and cancer subtypes
OUR APPROACH研究路径
问题驱动，交叉协作，面向转化。
我们相信真正有影响力的生物医学人工智能，来自临床问题、数据科学与工程方法之间的深度对话。
- 01临床与科学问题
从真实需求定义有价值的问题边界
- 02多模态数据建模
连接影像、组学、文本与知识
- 03可信验证与转化
关注泛化、解释与真实世界价值
COLLABORATE WITH US
与不同学科的人一起，
解决值得被解决的问题。
欢迎人工智能、医学、生物信息学及相关背景的同学与合作者关注我们。 如果你对多模态生物医学 AI 感兴趣，期待与你交流。