深度学习 · 机器学习 · 算法开发 · 模型验证
CNN、Transformer、GNN等模型设计与优化
XGBoost、随机森林、SVM等传统ML方法应用
SHAP、LIME、Attention可视化等解释方法
疾病风险预测、预后评估、诊断辅助系统
交叉验证、外部验证、临床验证方案设计
SCI论文撰写、投稿指导、审稿意见回复
开发多尺度注意力CNN模型用于眼底图像分析，实现DR自动分级诊断。在多中心数据集上验证，AUC达到0.96。
利用MIMIC-IV数据库构建XGBoost预测模型，筛选关键特征，提供可解释的临床决策支持。