香港科技大学陈浩教授招收全奖博士生

01、学校招生要求

香港科技大学(HKUST)作为亚洲顶尖研究型大学，其计算机科学学科在全球享有盛誉。申请香港科技大学计算机科学与工程系的博士项目，需满足以下条件：

1. 学术背景要求

·拥有认可机构授予的学士学位，且具有优异的学术表现；或

·拥有一年全日制或两年兼职研究生学习经历，且成绩优秀

·申请者的本科专业背景不作限制，但相关学科背景更具优势

2. 英语语言能力要求

·托福(TOEFL)不低于80分；或

·雅思(IELTS)总分不低于6.5分，各单项不低于5.5分

·如申请者的母语为英语，或在英语为教学语言的机构获得学士学位，可免除英语语言成绩要求

3. 申请材料

·完整的在线申请表格

·学术成绩单和学位证明

·个人陈述（包括研究兴趣、职业规划等）

·推荐信

·英语语言能力证明（如适用）

·研究计划或研究提案

4. 奖学金信息

· 常规全奖：每月18,500港币

· 香港博士研究生奖学金计划(HKPFS)：每月26,600港币，同时提供年度差旅补贴13,300港币及入学奖励40,000港币

·所有全日制博士生均可申请住宿补贴

·学费每年约42,100港币，优秀学生可获学费减免

5. 申请时间

· 提前批申请：每年8月15日前

· 常规申请：滚动招生，但建议在前一年12月前提交申请

· 香港博士研究生奖学金计划(HKPFS)申请截止时间：每年12月1日

6. 录取流程

· 初审（材料审核）

· 面试（通常为线上进行）

· 录取通知（一般在面试后1-2周内发出）

·接受录取并办理入学手续

申请者可通过HKUST在线申请系统提交申请，非英语母语国家申请者需特别注意英语语言要求。有意向申请者建议提前与导师进行联系沟通，以增加申请成功率。

02、教授研究方向

陈浩教授现任香港科技大学计算机科学与工程系以及化学与生物工程系助理教授，同时担任医疗成像与分析中心的副主任。他带领的SMART Lab专注于可信医疗人工智能研究，在医学影像分析和医疗AI领域取得了一系列重要成果。

1. 学术成就

· 论文发表：在MICCAI、IEEE-TMI、MIA、CVPR、AAAI、Nature Communications、Lancet Digital Health、JAMA等顶级期刊和会议上发表论文200余篇

· 学术影响力：Google Scholar引用超过25,000次，H-index 63

· 学术获奖：2023年亚洲青年科学家奖、2019年MICCAI青年科学家影响力奖、福布斯中国30位30岁以下精英等多项荣誉

· 学术服务：担任IEEE Transactions on Neural Networks and Learning Systems等多个期刊的副主编，以及MICCAI、ISBI、MIDL等国际会议的领域主席

2. 核心研究方向

医疗AI核心技术

· 医学影像智能分析：开发先进的深度学习算法用于医学影像分析，包括CT、MRI、病理切片等多种影像的智能诊断与预后评估

· 多模态健康数据融合：研究将影像、临床、基因组学等多源异构数据融合的方法，提高疾病诊断和治疗决策的准确性

· 可解释AI决策机制：探索医疗AI系统的可解释性技术，提高医疗AI系统的透明度和可信度，使AI辅助诊断结果更易被医生理解和接受

科学AI前沿探索

· 生物分子结构预测：应用深度学习方法预测蛋白质等生物分子的结构和功能，为药物研发提供支持

· 药物发现算法优化：开发高效的算法加速新药发现过程，降低药物研发成本和周期

· 工业级医疗AI系统开发：研究医疗AI系统从实验室到临床应用的转化途径，构建符合医疗法规的AI系统

3. 研究成果亮点

·成功研发四大AI医学大模型，能够协助全科及专科医生诊断多达30种癌症及疾病

·部分模型的诊断准确度可与拥有5年以上经验的专业医疗人员媲美

·带领团队获得15项以上国际医学图像分析挑战赛冠军

·拥有十余项人工智能和医学影像分析专利

03、创新研究想法

基于陈浩教授课题组的研究方向，以下提出几个具有前景的创新研究想法：

1. 面向资源受限环境的轻量级医疗AI系统

研究背景：全球很多地区医疗资源匮乏，无法部署计算密集型的AI模型。

研究内容：

·开发能在普通智能手机上运行的轻量级医学影像分析模型

·研究模型压缩和知识蒸馏技术，在保持高准确率的同时大幅减小模型体积

·设计适应性强的神经网络架构，可根据设备计算能力自动调整推理精度

·构建端到端的轻量级医疗AI系统，包括图像采集、预处理、分析和结果展示

创新点：将先进的医疗AI技术扩展到资源受限环境，解决医疗资源分配不均的问题，特别适用于农村地区和发展中国家。

2. 多模态医疗大模型的不确定性量化与可靠性保障

研究背景：医疗AI系统在临床应用中必须保证高可靠性，错误诊断可能导致严重后果。

研究内容：

·开发适用于医疗场景的不确定性量化方法，评估AI模型预测结果的可信度

·研究多模态医疗数据（影像、临床记录、基因组学数据等）的不确定性传播机制

·构建具有自我校准能力的医疗AI系统，能够识别超出其能力范围的案例并主动请求人类专家介入

·设计医疗AI系统的安全机制，防止系统在高不确定性情况下做出错误决策

创新点：为医疗AI系统增加可靠性保障层，使AI辅助诊断更加安全可靠，加速临床应用推广。

3. 数字孪生技术驱动的个性化医疗AI系统

研究背景：每个患者的生理状况和疾病进展各不相同，通用AI模型难以满足个性化医疗需求。

研究内容：

·构建患者的数字孪生模型，整合多源医疗数据创建患者的虚拟表示

·开发动态更新的个性化AI模型，能够随着患者状况变化而自适应调整

·研究基于数字孪生的疾病进展预测和治疗效果模拟方法

·设计面向临床医生的交互式系统，支持医生探索不同治疗方案的可能结果

创新点：将数字孪生技术与医疗AI结合，实现真正的个性化精准医疗，提高治疗效果并减少副作用。

4. 基于联邦学习的跨机构医疗AI协作平台

研究背景：医疗数据隐私保护要求严格，不同医疗机构难以直接共享数据，限制了AI模型的训练规模。

研究内容：

·开发针对医疗场景优化的联邦学习框架，支持多家医疗机构在保护数据隐私的前提下协作训练AI模型

·研究异构医疗数据环境下的联邦学习算法，解决数据分布不均衡和异质性问题

·设计高效的模型聚合和知识迁移机制，加速模型收敛并提高泛化能力

·构建安全可审计的联邦学习平台，满足医疗数据安全和合规要求

创新点：打破医疗数据孤岛，在保护隐私的前提下实现多机构数据价值共享，显著扩大AI模型的训练数据规模和多样性。

5. 生成式AI驱动的医学教育与培训系统

研究背景：医学教育和专业培训通常受限于案例资源和教学场景。

研究内容：

·利用生成式AI技术创建多样化的虚拟医学案例和影像，用于医学教育和专业培训

·开发能够模拟疾病进展的动态生成模型，支持时间序列医学数据的生成

·研究医学影像和临床数据的质量控制方法，确保生成内容的医学准确性

·构建交互式医学教育平台，支持个性化学习路径和能力评估

创新点：通过AI生成的多样化医学案例丰富教学资源，提高医学教育和专业培训的效果和可及性，加速医疗人才培养。