生成式人工智能
探索生成模型在科学数据建模、稀缺样本扩增、跨模态理解与动态过程模拟中的作用。
概览
面向分析、教育、可视化与隐私保护型数据共享，对动态科学数据进行生成与建模。该方向的成果已发表于 JAMA Ophthalmology（2025）。
研究问题
医疗数据共享受制于隐私约束：真实患者影像无法自由流通，但研究、教学与模型开发都需要真实感数据。核心问题是：生成式模型能否根据文本描述生成具有临床意义的动态影像，从而在不暴露患者隐私的前提下支持数据共享。
方法
基于 Python 与 PyTorch 研发文本生成视频模型，根据临床文本描述生成动态荧光素眼底血管造影（FFA）视频。
模型架构
模型融合小波流变分自编码器（Wavelet-Flow VAE）与扩散变换器（Diffusion Transformer），实现眼底病变特征的时空建模与可视化生成。
数据集
采用 3,625 段匿名 FFA 视频完成模型训练与评估。
评估
结合以下方式验证生成质量与隐私保护能力：
- 客观指标
- 文本—视频语义一致性
- 眼科医生主观评价
- 图像检索指标
个人贡献
本人为论文共同第一作者，参与研究构思与设计、数据获取与分析解释、论文撰写及统计分析，并参与模型研发，包括 Wavelet-Flow VAE 与 Diffusion Transformer 的融合及病变特征的时空建模。
发表信息
Generation of Fundus Fluorescein Angiography Videos for Health Care Data Sharing. JAMA Ophthalmology. 2025; 143(8): 623–632. DOI：10.1001/jamaophthalmol.2025.1419
伦理与隐私背景
本工作以隐私保护型数据共享为出发点：训练与评估均使用匿名化数据，生成视频面向临床研究、医学教育与隐私保护型数据共享场景。