一、方向概况与选拔要点

复旦大学智能医学信息处理研究方向依托信息科学与工程学院、计算机科学技术学院、生物医学工程与技术创新学院、大数据学院、类脑智能科学与技术研究院、附属中山医院智慧医疗中心、附属华山医院影像科与信息科、附属肿瘤医院精准诊疗中心、上海市医学影像计算重点实验室、上海市智能信息处理重点实验室、医学神经生物学国家重点实验室等核心载体，形成国内将"医学影像智能分析—电子病历自然语言处理—临床决策支持—医学知识图谱—健康医疗大数据—可穿戴与移动健康—多组学数据整合—医学信号处理—药物发现与人工智能—隐私计算与联邦学习"多维一体建设的学科高地，强调"数据驱动、算法赋能、临床验证、安全可信"。

研究方向涵盖：医学影像（CT、MRI、超声、病理、眼底、内镜）的智能分割、检测、配准与辅助诊断；电子病历与自然语言处理（临床文本抽取、诊断编码、病历质控）；临床决策支持系统与风险预警；医学知识图谱与推理；健康医疗大数据挖掘与人群健康管理；可穿戴设备信号采集与移动健康监测；多组学（基因组、转录组、蛋白组、代谢组）数据整合与精准医学；医学信号处理（心电、脑电、肌电、呼吸、血压）与智能解读；人工智能辅助药物发现与虚拟筛选；隐私计算、联邦学习与医疗数据安全共享；大语言模型与多模态医学基础模型；数字疗法与智能慢病管理等。

选拔要求：绩点前10%；核心课程涵盖机器学习与深度学习、自然语言处理、计算机视觉、医学影像学、生物信息学、信号与系统、数字信号处理、数据库与数据挖掘、概率论与数理统计、最优化方法、临床医学概论、流行病学与卫生统计学等；英语六级520分以上，能精读《医学影像分析》《柳叶刀·数字健康》《自然·医学》《生物医学信息学》等核心期刊；科研偏好医学影像AI、临床NLP、多组学整合、医学信号处理、知识图谱、隐私计算、大模型医疗应用等方向。2027级推免已启动，拟招收推免生约5至6人，建议尽早联系导师。

二、知点保研核心优势

一是近十年深耕保研辅导，精准把握"临床问题凝练—数据采集与标注—算法设计与训练—模型验证与可解释性—临床部署与评估—监管审批与伦理合规"全链条选拔逻辑；二是专注复旦，在信息科学与工程学院、大数据学院、类脑研究院、中山医院智慧医疗中心、华山医院影像科等平台积累独家师资与信息渠道，深谙从经典卷积神经网络影像分割到现代多模态医学基础模型、大语言模型临床推理、联邦学习多中心协同、数字孪生与手术规划、生成式AI辅助诊断与报告生成等前沿选拔偏好；三是一对一匹配医学影像AI、临床NLP与知识图谱、多组学与精准医学、医学信号处理、药物发现AI、隐私计算与数据安全、可穿戴与移动健康、大模型医疗应用、数字疗法等子方向导师；四是线上线下融合，理论讲授加算法编程实训加临床数据实操加顶刊精读加课题设计训练；五是严格督学与全流程规划闭环服务。

三、辅导体系

绩点提升：强化机器学习与深度学习（监督/无监督/强化学习、卷积网络、循环网络、Transformer、图神经网络、扩散模型、大语言模型）、计算机视觉（目标检测、语义分割、实例分割、图像配准、域适应）、自然语言处理（文本分类、命名实体识别、关系抽取、信息抽取、大模型微调与提示工程）、医学影像学（成像原理、DICOM标准、影像组学）、生物信息学（序列分析、基因表达、通路分析）、信号与系统、数字信号处理（时频分析、小波变换、自适应滤波）、数据库与数据挖掘（SQL、NoSQL、分布式计算）、概率论与数理统计（贝叶斯推断、假设检验、生存分析）、最优化方法（凸优化、随机梯度下降、二阶方法）、临床医学概论（疾病诊断流程、诊疗规范、循证医学）、流行病学与卫生统计学等，夯实"数据获取—特征工程—模型构建—验证评估—临床转化—安全合规"六层次知识体系。

英语提升：聚焦《医学影像分析》《柳叶刀·数字健康》《自然·医学》《生物医学信息学》《国际医学影像计算》《npj数字医学》等核心期刊，重点掌握医学影像分割、目标检测、图像配准、影像组学、放射组学、电子病历、自然语言处理、命名实体识别、临床决策支持、知识图谱、多组学整合、精准医学、可穿戴设备、远程监护、联邦学习、差分隐私、同态加密、数据脱敏、可解释性、因果推断、大语言模型、多模态融合、数字疗法、监管审批等核心术语。

论文辅导：引导选择多模态医学基础模型（影像+病理+基因组+文本）的预训练策略与下游任务迁移、大语言模型在临床诊断推理与病历生成中的幻觉抑制与事实一致性保障、联邦学习框架下多中心医学影像建模的数据异质性与通信效率优化、医学影像AI的域泛化能力与跨设备跨机构鲁棒性研究、基于图神经网络与知识图谱的多病共存患者用药冲突检测、可穿戴设备连续生理信号的实时异常检测与早期预警算法、多组学数据融合驱动肿瘤免疫治疗疗效预测、生成式AI（扩散模型/GAN）在医学影像数据增强与合成中的应用及伦理边界、隐私计算技术在医疗数据跨机构协作中的性能-安全权衡、数字疗法在慢病管理中的依从性建模与个性化干预策略等前沿议题。

笔试与面试：涵盖机器学习与深度学习、计算机视觉或自然语言处理、医学影像学或生物信息学、概率统计与最优化综合、算法设计与编程（Python/PyTorch/TensorFlow实现分割/检测/NLP/信号处理任务、数据预处理与特征工程、模型训练与超参调优、交叉验证与统计检验）、系统设计（医学影像PACS对接与推理服务部署、电子病历数据管道与质控、多中心联邦学习平台架构）；面试针对"医学影像AI从实验室到临床落地的最大障碍是什么""模型可解释性在临床决策中为何不可或缺""联邦学习如何解决医疗数据孤岛问题""大语言模型在医疗场景的幻觉风险如何控制""多模态融合中不同模态缺失如何处理""医学AI的伦理审查与监管路径""如何评估AI辅助诊断的真实临床获益""数据标注质量与标注者一致性如何保证""因果推断与相关性分析在医学AI中的区别""隐私保护与数据效用的平衡点在哪里"等高频追问专项突破。

竞赛与项目：支持全国医学影像人工智能挑战赛、中国生物信息学学术大会、国际医学影像计算与计算机辅助干预会议（MICCAI）、国际生物医学信息学大会（MedInfo）、全国自然语言处理与中文计算会议论文投稿，医学影像标注与分割算法实训、临床NLP与知识图谱构建实训、多组学数据分析平台实操、可穿戴设备信号采集与处理实训、联邦学习多中心模拟实验、大模型医疗应用微调与评估、课题设计与基金申请书撰写训练等。

四、结语

智能医学信息处理是数据科学与生命科学在临床一线的深度握手，是"让算法读懂影像、让模型理解病历、让数据服务决策、让智能守护健康"的时代命题。当卷积神经网络在数千张CT切片中锁定一枚不足三毫米的肺结节，当自然语言处理引擎从百万份电子病历中自动抽取罕见病的诊断线索，当多组学整合模型为每一位肿瘤患者描绘独一无二的分子图谱并匹配最优治疗方案，当联邦学习让十家医院的影像数据"可用不可见"地协同训练出更鲁棒的诊断模型——智能医学信息处理正以"算力为翼、算法为脑、数据为血、临床为根"的姿态重塑医学的认知范式。然而，医学影像AI的域泛化难题仍如"实验室冠军、临床哑火"的魔影挥之不去，大语言模型在临床推理中的幻觉与事实性错误关乎生命安危，多中心数据的异质性与标注不一致让模型性能在真实场景中大打折扣，隐私保护与数据共享之间的张力在法规与技术层面均未完全化解，可解释性不足使医生面对"黑箱"诊断时难以建立信任。当前，我国在医学影像AI、临床NLP、多组学精准医学、医学知识图谱、可穿戴健康监测、隐私计算、医学大模型、数字疗法等领域正加速从"算法竞赛"向"临床验证、标准制定、监管创新、规模落地"跨越。知点保研愿助力有志于"以算法为刃剖析影像之微、以语言为桥贯通病历之智、以数据为镜映照群体之康、以隐私为盾守护患者之权"的同学稳步前行。咨询报名可致电4000003363，或添加微信13671344286获取个性化评估与规划建议。