一、选题简介：

1.非洲血吸虫病随机化给药方案序贯效应评价与时空分布特征

项目简介：血吸虫病是一种发病率较高的热带病，全球超2亿人感染，在撒哈拉以南的非洲地区，学龄儿童为主要受害人群，已成为当地的主要公共卫生问题之一。定期群体预防性治疗是当地控疫的主要措施，但该措施的覆盖率、给药频次等因素会影响干预效果与成本收益，且地区环境、人群特征及疾病流行率等方面的差异，导致方案成效差异显著。血吸虫评价和研究联盟（SCORE）在肯尼亚、坦桑尼亚等国开展村庄集群随机化实验，选取150个村庄随机分配至六种干预方案，跟踪记录2012-2016年各村血吸虫患病率、感染强度，发现四年持续社区派药降患病率效果最优，但因村庄差异大，时空地理环境影响给药效果，其他方案对比无统计学显著差异。此外，血吸虫治疗方案具序贯动态特性，潜在方案多，无法全部通过现场实验验证。基于现有实验数据，探索优化未测试策略、稳健预测新方案潜在结果，是控疫的关键科学问题，可助力制定高效针对性防控方案，提升资源利用率、减轻疾病负担。

2.临床试验自适应设计的统计方法与应用研究

项目简介：自适应设计（Adaptive Design）是当前临床试验方法学的前沿方向，符合国家创新药物发展战略和健康中国建设需求。相较于传统固定设计，自适应设计能动态优化试验方案，显著提升研发效率、降低患者风险，在肿瘤、罕见病等重大疾病治疗领域具有重要应用价值。申报课题应在自适应设计方法学框架下开展研究，重点方向包括但不限于：响应适应性随机化（Response-Adaptive Randomization, RAR）、协变量适应性随机化（Covariate-Adaptive Design, CAR）、贝叶斯自适应设计 (Bayesian Adaptive Design)、序贯自适应设计（Sequential Adaptive Design）、基于人工智能的自适应设计。研究应重点解决动态调整策略、统计推断理论框架、计算算法实现路径等关键问题，体现方法学创新和临床应用价值。

3.基于多模态大模型的早期肺癌精确诊断

项目简介：肺癌作为我国发病率与死亡率最高的恶性肿瘤，早筛早诊一直是“健康中国2030”战略和“十四五”科技发展规划的重点攻关方向。随着大语言模型（LLM）及其多模态扩展（MLLM）的快速演进，以DeepSeek-VL、千问（Qwen-VL）等为代表的国产基础模型正在成为推动智能医疗变革的核心支撑力量。本项目面向“人工智能+医疗健康”重大应用需求，拟构建一个融合医学影像与临床文本的多模态智能诊断框架，依托国产MLLM模型的强大理解与推理能力，实现肺癌早期诊断场景下的精准辅助决策。项目将深入探索国产模型在小样本、多模态、跨领域等复杂医学任务中的上下文学习能力，并结合高效调优机制与知识引导技术，构建可信可控的AI诊断工具。项目致力于推动国产大模型在真实医疗系统中的落地与优化，打通“模型–任务–场景”闭环路径，不仅服务于肺癌早筛，也将为多种高发重大疾病提供可复制的AI诊疗范式，助力我国构建自主、安全、可持续发展的医学人工智能生态。

二、申报方式与时间安排

项目申报模式、流程安排（包括材料填报、初评、复核、立项与运行管理等）均严格按照学校通知执行，通知详情请至研究生院官网查阅。

请于2025年10月10日前将申报材料发送至研究院指定邮箱：health@ruc.edu.cn，逾期不予受理。

欢迎各研究生团队积极申报，携手探索健康大数据领域前沿，用科研创新为“健康中国”建设注入青春力量！