近期,夏天教授团队在Nature Machine Intelligence、ECCV2024、ICPP2024等顶刊和顶会上发表3篇人工智能与医学类论文,这些论文涵盖医学人工智能隐私保护、机器视觉、基因数据高性能领域的前沿研究。
论文Shielding sensitive medical imaging data于7月11日发表在国际人工智能领域顶级期刊《自然》子刊Nature Machine Intelligence。随着人工智能在医疗影像分析中的广泛应用,其在疾病诊断和患者预后预测方面发挥着革命性作用。然而,患者隐私保护问题也日益凸显并受到广泛关注。差分隐私技术作为保护数据隐私的有效手段,传统上被认为会牺牲人工智能模型的性能来换取数据隐私的安全。夏天教授团队受Nature Machine Intelligence主编邀请,发表文章论述差分隐私技术的基本概念,评述在大规模数据集上应用差分隐私最新技术突破:在不显著影响AI模型性能的前提下,有效保护用户数据隐私。此项技术挑战了隐私保护与模型性能不可兼得的传统观念,为差分隐私技术在AI领域的应用提供了新的视角和可能性。
成果链接:
https://www.nature.com/articles/s42256-024-00865-z
![](/__local/C/89/80/A45991BD863C28C4908ADAC68B3_7891FF87_29C48.png)
论文Towards Dual Transparent Liquid Level Estimation in Biomedical Lab: Dataset, Methods and Practices被计算机视觉顶会ECCV2024接收,主要内容为:在AI赋能的智能生物医学实验室中,准确估计容器内透明液体的高度对于液体分配、吸取和混合等实验任务至关重要。现有方法仅关注固定视角下的单个实例,与实际应用场景有较大差距。为此,夏天教授团队提出了一种新的双透明液位高度估计Benchmark,包括数据集、方法和实践,提出的DTLD (Dual Transparent Liquid Level Estimation Dataset) 数据集包含27,458张图片,涵盖四种透明生物医学实验器皿,涉及多个视角。基于DTLD,团队提出了一种端到端的学习方法来检测液位接触线(Contact Line)并估计液位。为提高检测鲁棒性,还提出了一个液面修正模块。实验证明,此方法将液位估计的平均绝对百分比误差减少了43.4%。
![](/__local/B/DA/B9/097C77D04745D60858B6EC71917_671C9E6B_60E0E.png)
论文Hardware Acceleration of Minimap2 Genomic Sequence Alignment Algorithm被ICPP2024接收,主要内容为:文章介绍了针对Minimap2第三代测序序列比对算法的高性能硬件优化。利用FPGA技术加速基因序列扩展步骤,夏教授团队采用循环可变逻辑长度(CVLL)方法优化脉动阵列,使用2位变量简化回溯方向记录,减少内存使用,并结合管道和多通道技术提高性能。在FX410QL FPGA平台上的实验显示,设计的加速效果显著,峰值速度提高了2.84倍,明显优于Minimap2 GPU和CPU实现。此设计不仅加速了算法,还为基因组大数据处理提供了全新的途径。
夏天教授现任软件学院人工智能与医学研究中心主任,实验室发展基于人工智能的医学、制药、机器人等方面工作,多篇研究成果发表在Science, Nature Machine Intelligence, PNAS, Nature Communications等国际顶级期刊。