医疗健康

1.自动化数据ETL管线开发：●基于Python开发全链路自动化数据处理脚本，覆盖医学影像TIFF/JPG/NII多格式解析、视频拆帧、图像裁剪压缩、Labelme/YOLO/JSON格式互转，使用YOLOv8完成数据集预标注，大幅降低人工处理成本；●定制医学专用数据计算工具：实现细胞椭圆率拟合、I

系统包含六大核心功能模块，覆盖从病历生成到用药安全的全流程临床辅助：【SOAP病历自动生成模块】输入医患对话文本，系统自动提取关键信息，生成符合SOAP格式（Subjective主观信息、Objective客观检查、Assessment评估诊断、Plan治疗计划）的标准化门诊病历。支持入院记录、出院

系统包含六大核心功能模块，覆盖从病历生成到用药安全的全流程临床辅助：【SOAP病历自动生成模块】输入医患对话文本，系统自动提取关键信息，生成符合SOAP格式（Subjective主观信息、Objective客观检查、Assessment评估诊断、Plan治疗计划）的标准化门诊病历。支持入院记录、出院

系统包含6大核心模块：1）SOAP病历自动生成——输入医患对话自动输出规范病历；2）鉴别诊断引擎——12症状群×54诊断的Bayesian概率推理；3）药物交互检查——18种药物相互作用+禁忌+CYP450代谢通路分析；4）急诊分诊评估——ESI五级分诊+11条RedFlag预警；5）临床决策评分—

本项目为基于Android的离线肤质分析1.支持选择相册照片分析2.支持拍照体验分析3.全流程本地运行，不上传服务器4.使用MLKitbundledFaceDetection检测人脸5.支持MediaPipeImageSegmenter皮肤区域分割6.支持BiSeNetFaceParsingONNX

面向脑出血临床场景，为医生提供智能化手术决策辅助与三维手术路径规划。系统支持CT影像自动导入与数据清洗，基于深度学习模型完成颅内血肿区域的自动分割与三维可视化重建，辅助医生快速判断出血位置、体积及手术入路。同时支持跨模态影像转换，提升不同设备间影像的一致性。已在实际临床环境中部署试用。

本系统是一个预算约束下的化合物库压缩工具，帮助研发团队在有限经费条件下，从大规模候选分子中优先筛选出最有测试价值的化合物。核心功能模块：分子库特征工程模块：批量处理数千至数万个分子的SMILES序列，并行计算Morgan指纹和RDKit全量描述符，输出标准化特征矩阵。风险感知预测模块：基于多层感知机

本系统是一个基于机器学习的化合物生物活性预测工具，主要服务于药物早期发现阶段的候选分子筛选。核心功能模块：数据预处理模块：自动清洗ChEMBL等公共数据库的原始实验数据，处理缺失值、异常值和重复项，将非标准化的生物活性数据转换为pIC50标准值。分子特征提取模块：支持输入分子的SMILES表达式，自

通过将口内扫描仪的扫描头放到患者口中，对准牙齿实时拍摄患者动态画面，将画面进行重建从而生成点云，再将点云进行拼接，将拼接好的点云进行网格化，并在ui上实时呈现三维的牙齿显示效果

SepsisCare是一个从ICU时间序列研究原型扩展到可安装软件系统的课程项目。项目目标不是替代临床诊断，而是在脱敏ICU数据与本地演示模型的基础上，展示脓毒症风险分层、动态表型轨迹、历史相似病例检索、家属沟通智能体与模型训练运维终端的端到端工程闭环。研究部分采用PhysioNet2012、Phy

1.X光片智能检测：上传PNG/JPG格式X光片，YOLOv11模型自动识别7个部位并判断正常/骨折，输出置信度2.可视化诊断报告：展示原始影像与AI标注结果，明确标注部位、诊断结论及置信度3.用户角色体系：支持用户、医生、管理员三种角色，管理员可查看统计数据和用户管理4.邮箱验证注册：通过邮箱验证

1.针对仅具备slide-level标签的病理全扫描图像（WSI），将肿瘤识别任务建模为多实例学习（MIL）问题2.复现并训练DSMIL双流注意力模型，对比其与传统Pooling方法在正样本稀疏场景下的判别行为差异3.在实例特征提取阶段引入SimCLR自监督预训练，用于缓解ImageNet预训练与病

系统使用KaggleChestX-RayImages数据集，应用数据预处理和类别权重调整解决类别不平衡问题。采用ResNet50和DenseNet121两种预训练网络作为特征提取骨干，并通过迁移学习进行二分类训练。利用Grad-CAM方法生成热力图，提升模型可解释性

整体架构可以理解成一个典型的“云端训练+本地推理部署”的混合系统。训练阶段，所有模型（YOLOv8、YOLOv26、ResNet、MobileNet）都在Python环境里完成训练和评估，并且统一用同一份数据集和相同的数据划分方式，保证对比结果公平。训练完之后，最优模型会被导出成部署格式（比如TFL

1.机外要货线上化管控模块全渠道统一要货入口，杜绝线下手工申请要货请求自动流转，减少人工追踪成本2.MRP需求预测优化模块基于历史销量、门店类型、商品分类的精细化预测引入配送周期、断货天数等参数，提升计划准确性3.特殊场景自适应模块促销、节假日、团购等活动场景的预测模型季节性商品、新品/清仓品的智能

1）AI智能对话模块：接入阿里云通义千问大模型，支持自然语言问答；系统提示词动态注入产品列表和推荐规则；回答控制在150字以内，简洁专业。（2）产品识别与智能推荐模块：多维度产品检测，匹配产品中文名、英文名、关键词别名、症状关键词；用户提问涉及急救场景时，AI回答中自然推荐相关产品。（3）使用步骤多

项目输入为蛋白质序列CSV，核心任务是将蛋白分类为分泌蛋白`S`或非分泌蛋白`N`。数据按5折划分，训练集和验证集带标签，测试集无标签。现有输出文件给出了200条测试蛋白的预测结果，其中预测为`S`的有107条，`N`的有93条。

研究覆盖数据、算法、软件三个层次。数据层，自主开发半自动标注工具（阈值预分割+手工精修），历时约200小时构建了1000组光声内窥血管标注样本，每组含50层深度切片与全局MAP图，填补了该领域公开数据集的空白。算法层，提出DAS-Net（深度自适应采样决策网络），SDN子网络以全局MAP为引导对50

项目主要包含三大核心功能模块：1.影像预处理模块：对输入的B超影像进行去噪、增强、ROI裁剪等预处理，提升影像质量，为后续识别提供清晰的输入数据；2.针尖检测与定位模块：基于深度学习目标检测算法，自动识别B超影像中的手术针尖，输出针尖的位置坐标与置信度；3.结果可视化模块：在原始B超影像上叠加针尖检

项目描述：使用C++与qt，依托MITK平台开发髋关节置换机器人导航软件，该软件主要包含病例管理、术前臼杯与股骨柄规划、硬件检查、图像配准、术中导航和术后评估等功能。应用技术：QT，C/C++，MITK，微服务，vtk，itk主要工作：1、以插件的形式实现病例管理，术前规划，硬件检查，术中注册，术中