为深入落实面向“2037建校百年构建新时代高质量人才自主培养行动计划”，贯彻以学生为中心、以学术为中心、以学习为中心的培养理念，进一步提升研究生科研训练质量、深化创新人才培育机制改革、强化科研平台引领指导作用，中国人民大学健康大数据研究院拟于2026年5月22日下午14:00举办“求是学术-栋梁”项目中期汇报交流会。诚邀对相关研究领域或“求是学术-栋梁”项目感兴趣的师生莅临交流会，共同研讨、共同学习！

项目简介

项目1：基于多模态大模型的早期肺癌精准诊断

近年来，多模态大模型在辅助临床诊断方面展现出巨大潜力，为精准医疗提供了重要资源与支持。然而，真实的临床医疗数据往往存在严重的“模态缺失”问题（如部分患者仅有影像而缺乏详尽的文本报告，或反之），这导致传统多模态模型在实际部署时性能大幅衰退。同时，传统的生成式插补方法在处理高度复杂的医疗数据时往往存在局限，极易引入伪影干扰诊断。因此，探索在残缺信息条件下的跨模态表征恢复，成为缓解低资源医疗环境大模型落地瓶颈的重要途径。本项目提出并构建了一种全新的跨模态表征恢复与编辑框架。该框架摒弃了复杂的显式模态合成路径，创新性地引入了一种隐式表示补全策略。通过深入剖析多模态大模型内部的信息流转机制，本项目利用模型固有的表征融合特性，实现了缺失模态特征的自适应补偿与动态对齐。项目的核心研究将围绕“缺失条件下的多模态鲁棒补偿机制”以及“大模型内部跨模态交互的可解释性”展开，旨在从底层逻辑上改善医疗大模型面对不完整数据时的性能衰减与偏见问题。本项目期冀为真实医疗场景中的数据稀缺挑战提供一种轻量级、高鲁棒性的新范式，显著提升模型在复杂临床环境下的泛化能力，为构建安全、可信的智慧医疗生态提供创新解决方案。

项目2：时空异质性下治疗因果效应评估

血吸虫病仍是非洲部分地区重要的公共卫生问题，长期影响当地居民健康与社会经济发展。大规模给药是当前血吸虫病防控的重要干预手段，但不同给药方案、给药频率在长期防控效果上的差异仍有待系统评估。尤其在真实社区环境中，血吸虫病传播具有明显的时空异质性，邻近村庄之间可能存在相互影响。本项目依托非洲血吸虫病大规模随机化给药试验数据，围绕序贯治疗效应评价和时空分布特征刻画两个核心问题展开研究。项目拟构建适用于长期随访、空间干扰和多种给药方案并存情境下的统计建模与因果推断框架，评估不同给药策略对血吸虫感染率和感染强度的直接效应与空间溢出效应。本项目结合暴露映射、潜在结果框架和贝叶斯层次空间模型，刻画长期治疗历史的累积影响以及邻近村庄治疗可能产生的空间干扰。同时，通过引入空间随机效应，对未观测的空间异质性进行建模，以提高治疗效应估计的可靠性。项目旨在为非洲血吸虫病随机化给药方案的长期效果评价提供系统的统计分析工具，揭示不同干预策略在时间累积和空间传播背景下的作用机制，为优化社区层面血吸虫病防控策略、识别高风险传播区域以及制定更加精准的公共卫生干预方案提供方法学支持和实证依据。

项目3：响应自适应随机化中动态借用真实世界数据的统计方法研究

响应自适应随机化（RAR）作为临床试验的前沿设计，能够根据累积数据动态调整受试者分配概率，但在提升试验伦理效率的同时也面临检验效能损失的挑战。随着真实世界数据（RWD）的日益丰富，借助外部信息补充内部试验效能成为可能，但如何在RAR的动态框架下合理、稳健地借用真实世界数据，避免因数据异质性导致第一类错误膨胀，仍是方法学上尚未充分探讨的问题。我们致力于整合贝叶斯RAR与动态信息借用，在RAR下系统处理信息借用中的多重挑战与典型场景：基于个体数据调整协变量漂移，衡量外部数据的可交换性，从而解决外部对照与内部对照的人群可比性问题，并动态控制借用强度以应对可能出现的条件漂移；针对多源外部数据（含个体级与汇总级），实现对多个外部源借用强度的动态、选择性控制，同时利用外部汇总估计构造信息先验以提升估计效率。该框架能够在试验过程中将更多患者分配到更有希望的治疗组，并显著降低试验的样本量需求，为在自适应试验中规范、高效地利用真实世界证据提供方法学支撑。

如您有意参加，请于2026年5月21日(周四)前扫描下方问卷星二维码报名并入群，会议地点将在群内通知，谢谢！