IEEE BIBM 2024学术会议的最后一天安排了一系列精彩的环节，涵盖Keynote Talk、Session Talk以及闭幕式三个重要部分。首先，会议将邀请Pietro Liò进行Keynote Talk，他分享主题是个性化医疗中的人工智能和生物信息学。紧接着，参会者可以参加不同的Session Talk，这些分会场将针对特定的主题和研究方向进行深入的讨论和交流。最后，会议将在热烈的气氛中迎来闭幕式，总结此次会议的亮点和成就，并展望未来的合作与发展。
Keynote Talk：个性化医学中的人工智能与生物信息学
讲者：Pietro Liò教授 (剑桥大学)
在本次讲座中，Pietro Liò教授深入探讨人工智能在个性化医学和群体医学中的应用，重点介绍人工智能如何在不同临床领域提供关键支持，从实验室研究到临床的实践。教授将首先介绍人工智能如何应用于临床实验室，帮助研究人员和医生在多层次、多领域的医学数据中发现潜在的模式和关系，从而为患者提供量身定制的治疗方案。这些方法不仅有助于个体治疗，还能支持群体医学研究，为大规模人群的健康管理提供数据驱动的支持。
接着，教授将详细介绍一种创新的数字患者双胞胎模型。该模型结合了图和超图表示学习技术，可以整合多种生理、临床和分子变量，包括多组学（如基因组学、转录组学、蛋白质组学等）和遗传学数据，模拟和预测患者的健康状态和疾病发展。随后，教授将深入探讨扩散模型（diffusion models）在药物发现中的潜力，特别是在药物靶点识别和新药设计中的应用。扩散模型在生成和优化分子结构方面展现了巨大的前景，教授分享一些最新的研究成果，展示如何利用这些模型加速药物研发过程，提升治疗效果，减少副作用。
最后，教授将讨论人工智能的可解释性问题，并介绍几种促进临床医生与人工智能系统之间有效互动的可解释性方法。随着AI在医学领域的普及，确保AI决策过程的透明性和可理解性变得尤为重要，尤其是在涉及患者健康的关键决策时。教授将展示如何通过可解释性技术帮助医生理解和信任AI系统的判断，进而提高医疗决策的质量和安全性。
Session Talk
1. SemiSAM: Enhancing Semi-Supervised Medical Image Segmentation via SAM-Assisted Consistency
作者：Yichi Zhang (复旦大学)
作者分享了一种简单而高效的策略，旨在使用Segment Anything Model (SAM) 来增强半监督医学图像分割的效果。具体来说，利用训练过的带有领域知识的分割模型提供位置信息，并生成输入提示（prompts）供SAM使用。然后，SAM生成的伪标签被用作额外的监督信号，以协助半监督框架的学习过程。大量实验结果表明，SemiSAM在仅有少量标注图像的情况下，显著提高了现有半监督框架的性能，并且作为一种即插即用的策略，在半监督医学图像分割中展现出了强大的效率。
2. D-SarcNet: A Dual-stream Deep Learning Framework for Automatic Analysis of Sarcomere Structures in Fluorescently Labeled hiPSC-CMs
作者：Huyen Le (VinUni-Illinois Smart Health Center)
人源诱导多能干细胞衍生心肌细胞（hiPSC-CMs）在心血管研究和临床应用中具有重要作用。hiPSC-CMs的肌节组织化成熟至关重要，因为它支持这些细胞的收缩功能和结构完整性。作者分享了D-SarcNet，一个双流深度学习框架，能够以荧光标记的hiPSC-CM单细胞图像为输入，输出肌节结构组织的成熟阶段，范围从1.0到5.0。该框架结合了快速傅里叶变换（FFT）、深度学习生成的局部模式和梯度幅度，以捕捉全局和局部层次的详细结构信息。在来自Allen Institute for Cell Science的公开数据集上的实验表明，所提出的方法不仅达到了0.868的斯皮尔曼相关系数，比现有的最新方法提高了3.7%。
在来自Allen Institute for Cell Science的公开数据集上的实验表明，所提出的方法不仅达到了0.868的斯皮尔曼相关系数，比现有的最新方法提高了3.7%，还显著提高了其他关键性能指标，包括均方误差（MSE）、平均绝对误差（MAE）和决定系数（R²）。除了在肌节结构评估方面建立了新的最新技术之外，我们的消融实验还突出了全局和局部信息集成的重要性，增强了深度学习网络识别和学习肌节结构关键视觉特征的能力。
3. Semi-Supervised Medical Image Segmentation with Cross-View Consistency and Contrastive Learning
作者：Bo sun (北京协和医院)
医学图像分割在许多临床应用中发挥着至关重要的作用。为了减少对大量标注数据的依赖，半监督学习受到了越来越多的关注。然而，这些方法面临显著的类内和类间变异，并未充分利用医学图像中固有的多视角信息。因此，作者分享了一种新型网络—CV-Net，旨在整合多视角信息以进行半监督医学图像分割。该网络基于Mean-Teacher架构，极大地缩小了标注数据与未标注数据之间的经验分布差距。跨视角一致性正则化结合了双分支注意力架构，以整合一致的语义信息，同时聚焦细节，增强了特征提取能力。双语义对比学习利用有限的标注数据并探索伪标签，以定义语义相似的区域，从而增强表示能力。与之前的最新方法相比，CV-Net在两个数据集上表现出了显著的优势。
闭幕式
在IEEE BIBM 2024学术会议的闭幕式上，主办方对全体与会者表示衷心的感谢，特别是对来自世界各地的学者和专家们的精彩报告和深入讨论表示高度赞赏。大会期间，来自各个领域的顶尖学者分享了他们在生物信息学、数据科学、人工智能等前沿领域的最新研究成果，为与会者提供了丰富的知识和启发。闭幕式上，主办方总结了本次会议的亮点，回顾了各个主题和会议环节的精彩瞬间，强调了学术交流与合作的重要性，并展望了未来在生物信息学领域的创新与发展。
此外，闭幕式还宣布了下一届IEEE BIBM会议的举办地点—中国武汉。主办方期待明年与全球的学术界同行再次聚集，共同探索生物信息学领域的新机遇与挑战。
里斯本景观：展示葡萄牙的人文美景
在IEEE BIBM 2024会议的最后，我们不禁沉浸于葡萄牙首都里斯本的独特魅力。作为欧洲最具历史和文化底蕴的城市之一，里斯本不仅以其古老的建筑和美丽的河岸风光吸引游客，更展现出浓厚的艺术氛围和人文气息。我们拍摄了一些风景照，希望与大家一同分享这些难忘的瞬间。
