报告嘉宾：聂为之 (天津大学)
报告时间：2026年4月22日 (星期三)晚上20:00 (北京时间)
报告题目：高阶关联下的智能医疗：临床表型预测与影像诊断模型的构建与实践
报告人简介：
聂为之，天津大学电气自动化与信息工程学院教授、博士生导师，入选Elsevier全球前2%顶尖科学家榜单。长期致力于多模态数据感知、高阶超图计算、连续时间建模及因果推理等前沿研究，重点攻克临床重症监护 (ICU)风险预警、多模态医学影像诊断及复杂生理指标连续监测等医疗人工智能领域的核心技术瓶颈。以第一或通讯作者身份在 IEEE TPAMI、TMM、TIP、ACM MM 等国际顶级期刊及会议发表论文60余篇，并作为第一发明人获授权国家发明专利30余项。主持了包括国家重点研发课题、国家自然科学基金、省部级重点项目等多项科研课题，与新加坡国立大学、意大利特伦托大学等国际顶尖机构保持深度科研协作。凭借卓越的临床AI研究与学术贡献，先后荣获中国商业联合会科技进步一等奖、天津市科技进步特等奖等。在教育领域，撰写人工智能实践教材，获2025年广东省教学成果奖特等奖。
个人主页：
https://seea.tju.edu.cn/info/1128/2063.htm
报告摘要：
针对临床医疗数据稀疏且关联复杂的问题，本报告分享了如何运用超图计算，推动医疗AI从“局部特征捕捉”迈向“全局高阶协同”。团队认为：最好的临床决策支持，不是堆砌更多的模态数据，而是基于领域知识挖掘数据背后隐匿的高阶关联，让关键病理信息以最精准的形态、在最敏感的阶段，支撑起临床预判的确定性。基于这一理念，团队首先通过超图建模驱动的复杂关系重构，化解了临床多源异构数据在传统图结构中“表征不足”的建模压力；其次，利用连续时间建模与因果推理技术，攻克ICU时序数据在动态演化预测中缺乏临床知识引导的瓶颈；最后，通过医学影像特征及文本数据的超边协同设计，将孤立的像素识别转化为具备解剖上下文关联的结构化诊断，显著提升了病灶识别结果的可解释性。
