-
临床基座模型 (Clinical Foundation Models)
Dr. Monica Agrawal（杜克大学）将探讨临床基座模型（包括大语言模型 LLM、视觉语言模型 VLM 等）背后的范式与训练。课程将深入研究包括微调（fine-tuning）和弱监督（weak supervision）在内的各种技术，并阐述当前的评估体系。
-
先进机器学习赋能的影像组学分析 (Advanced Machine Learning Enabled Imaging-Omics Analytics)
Dr. Heng Huang（马里兰大学帕克分校）将展示如何设计大规模非线性机器学习模型，并将其应用于分析多模态、纵向神经影像及全基因组芯片数据，从而识别、检测和表征与多种疾病相关的生物标志物。
-
基座智能体：从类脑智能到进化、协同与安全系统 (Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems)
Dr. Bang Liu（蒙特利尔大学）将概述基于 LLM 的智能体（intelligent agents），并将其框架置于模块化的类脑架构中，该架构融合了认知科学、神经科学以及计算研究的原理。
-
用于巩固人类基因组知识的基座模型与知识图谱 (Foundational Models and Knowledge Graphs for Consolidating our Knowledge Regarding the Human Genome)
基于此前构建的知识图谱，Dr. Jie Liu（密歇根大学）将重点关注知识图谱的应用范围与场景，以提高 AI 的透明度、减少大语言模型的错误（幻觉），并助力科学发现。
-
面向大规模、多模态生物医学数据的机器学习 (Machine Learning for Large-Scale, Multimodal, Biomedical Data)
Dr. Sriram Sankararaman（加州大学洛杉矶分校）将介绍分析生物样本库（Biobank）数据的新方法，包括用于检测基因与疾病之间复杂关联的高扩展性机器学习模型、基于深度的表型插补（phenotype imputation），以及处理 3 D 医学影像体积的免训练（train-free）可扩展方法。
-
利用真实世界证据与 AI 优化临床试验 (Harnessing Real World Evidence for Better Clinical Trials with AI)
Dr. Fei Wang（威尔康奈尔医学院）将讨论 AI 如何通过利用来自电子健康档案（EHR）和医药/保险理赔等大规模数据中的真实世界证据（RWE），来为临床试验带来革命性变化，同时还将探讨该过程面临的潜在挑战及未来发展方向。
-
医疗医疗 AI 转化中的挑战与机遇 (Challenges and Opportunities in Translating AI for Healthcare)
Dr. May Dongmei Wang（佐治亚理工学院和埃默里大学）将探讨全新的检索增强生成（RAG）解决方案。这些方案旨在解决医疗 LLM 的核心痛点，包括对高领域专业知识的需求、处理复杂推理的逻辑能力，以及在临床环境中广泛应用所需的计算效率与透明度。
-
大语言模型（LLM）时代的医学信息检索 (Medical Information Retrieval in the Era of Large Language Models)
Dr. Wei Wang（加州大学洛杉矶分校）将探索大语言模型如何统一跨领域的建模任务、如何变革生物医学中的自然语言处理（NLP），以及如何应用于分子和图像等不同类型的数据。
-
因果通用医学 AI (Causal Generalist Medical AI)
Dr. Qiao Liu（耶鲁大学）、Dr. Huaxiu Yao（北卡罗来纳大学教堂山分校）、Dr. Xin Wang（纽约州立大学奥尔巴尼分校）和 Dr. Hongtu Zhu（北卡罗来纳大学教堂山分校）将共同介绍因果通用医学 AI（Causal GMAI）——这是一种将因果推断与通用 AI 模型相结合的新范式，旨在提高医学决策中的可解释性、鲁棒性和泛化能力。
