Von Computer Vision Bis Hin Zu Medizinischer KI, Ein Gespräch Mit Xie Weidi Von Der Shanghai Jiao Tong University: Die Definition Des Problems Ist Wichtiger Als Seine Lösung

Im legendären „Jahr des Weltuntergangs“ 2012 läutete das mobile Internet eine Phase explosiven Wachstums ein. Mit der zunehmenden Verbreitung der 3G-Netze und dem Preisverfall bei Smartphones sowie dem rasanten Anstieg kommunikationsähnlicher Anwendungen wie WeChat und MiTalk sowie E-Commerce- und Zahlungsanwendungen hat dieser Bereich eine neue Wachstumsphase erlebt. Als Grundlage für zahlreiche innovative Anwendungen verfügt die Kommunikationsbranche über vielversprechende Entwicklungsaussichten.

„Meiner Ansicht nach war die Kommunikationstechnologie damals bereits sehr ausgereift und China war technologisch führend in der Welt. Die Hauptstreitpunkte zwischen den Ländern drehten sich eher um Kommunikationsprotokolle, die über den Rahmen der Technologie hinausgingen“, sagte Xie Weidi, der ein vierjähriges Grundstudium an der Universität für Post und Telekommunikation in Peking absolviert hatte. An einem Wendepunkt in seinem Leben stehend, gab er freimütig zu: „Dieses Studienfach hat mir nicht wirklich gefallen. Natürlich kann es auch sein, dass ich es nicht richtig verstanden habe.“

Unmittelbar danach entschied er sich für ein Studium im Ausland und einen Karrierewechsel. Er absolvierte sein Master-, Doktor- und Postdoktorat und arbeitete im Bereich Computer Vision am University College London (UCL) und der University of Oxford. Im Jahr 2022 kehrte er nach China zurück und wechselte an die Shanghai Jiao Tong University, wo er seine Kenntnisse im Bereich Computer Vision in die medizinische künstliche Intelligenz einbrachte und versuchte, ein neues Schlachtfeld zu erschließen.

Man kann sagen, dass die beiden Wechsel von Professor Xie Weidi von der Kommunikation zur Computervision und von der Computervision zur medizinischen künstlichen Intelligenz ebenfalls zwei wichtige Knotenpunkte darstellen. Das Zögern bei der Entscheidungsfindung, die Herausforderungen bei der Erschließung neuer Bereiche und das Erfolgserlebnis nach der Veröffentlichung der Ergebnisse sind allesamt Höhepunkte seines Lebenslaufs.

Vor Kurzem hatte HyperAI die Ehre, ein ausführliches Interview mit Professor Xie Weidi zu führen. Auf der Grundlage seiner persönlichen Erfahrungen teilte er mit uns seine Erfahrungen bei der Umstellung von der Computervision auf KI für das Gesundheitswesen und nahm außerdem eine eingehende Analyse der Entwicklungstrends der Branche vor.

Allgemeine medizinische KI-Systeme können „Intelligenz-Emergenz“ erzeugen

„Viele Leute verstehen nicht, warum ich ein allgemeines medizinisches künstliches Intelligenzsystem entwickeln möchte, wenn spezifische Modelle zur Diagnose und Behandlung von Krankheiten offensichtlich praktischer sind.“ Heutzutage, wo große Models alle Lebensbereiche voranbringen, steht die Frage, ob Spezial- oder Allzweckprodukte verwendet werden sollen, schon immer im Mittelpunkt der Diskussionen in der Branche. Spezialisierte Modelle können in bestimmten Bereichen eine höhere Genauigkeit und Praktikabilität aufweisen, ihre Generalisierungsfähigkeit ist jedoch begrenzt. Das breite Wissen allgemeiner Modelle kann verschiedene Bereiche miteinander verbinden, ihre Fähigkeiten in spezifischen Bereichen sind jedoch oft nicht so gut wie die proprietärer Modelle.

Nach Ansicht von Xie Weidi haben sowohl spezialisierte als auch allgemeine Modelle ihre eigenen Vor- und Nachteile, „aber die Entwicklung eines allgemeinen medizinischen KI-Systems ist etwas, das wir tun müssen.“ Er glaubt, dassUniversalität bedeutet, dass das Modell verborgene Verbindungen zwischen Daten unterschiedlicher Modalitäten herstellen kann und dadurch eine sogenannte „Intelligenz-Emergenz“ erzeugt, die für die Krankheitsdiagnose, insbesondere von Krankheiten mit unklarer Ursache, von entscheidender Bedeutung ist.Wenn beispielsweise für das Klassifizierungsproblem von Lungenentzündung A und Lungenentzündung B Bilder und Texte zum Training verwendet werden, können diese multimodalen Daten auf der untersten Ebene in Reihe geschaltet werden, um die Ähnlichkeiten und Unterschiede zwischen den beiden Lungenentzündungssymptomen zu identifizieren und den Klassifizierungszweck zu erreichen. Wenn jedoch nur Bilder zum Training verwendet werden, kann das Netzwerk diese Beziehung möglicherweise nicht erlernen. „Aus der Perspektive von Science Discovery ist das universelle Modell daher von großem Wert.“

Wenn Sie ein multimodales universelles medizinisches Modell aufbauen möchten, müssen Sie medizinisches Wissen so umfassend wie möglich darin einbringen. Daten im medizinischen Bereich werden jedoch von vielen Faktoren wie Ethik, Sicherheit und Qualität beeinflusst und sind im Allgemeinen schwer zu erhalten und zu verwenden. Um dieser Herausforderung zu begegnen,Xie Weidi entschied sich dafür, die Datenerfassungsmethode der Computervision auf den medizinischen Bereich zu übertragen, d. h. Daten aus dem Internet zu crawlen.„Natürlich wissen wir, dass die mit diesem Ansatz trainierten großen Modelle nicht klinisch eingesetzt werden können, aber sie können Talente besser fördern und die Fähigkeiten des Teams trainieren, große Datenmengen zu verarbeiten, beispielsweise das Sammeln, Organisieren und Bereinigen von Daten.“

Beispielsweise hat das Team mehr als 30.000 medizinische Bücher gesammelt, 4 Millionen medizinische Artikel aus PubMed Central durchsucht und medizinische Dokumente und Bücher in acht Sprachen, darunter Chinesisch, Englisch, Russisch und Japanisch, im Internet gesammelt und in Korpusse umgewandelt, die zum Trainieren von Sprachmodellen verwendet werden können.

Darüber hinaus haben wir die im Internet öffentlich verfügbaren Bild-Text-Daten ausgewertet und dabei mehr als 250.000 3D-Scans und mehr als eine Million 2D-Bilder aus medizinischen Dokumenten zusammengetragen. Um ein allgemeines Segmentierungsmodell zu trainieren, standardisierte das Team außerdem fast 120 öffentlich verfügbare radiologische Bildsegmentierungsdatensätze auf dem Markt, darunter mehr als 30.000 2D-/3D-Bilder und Millionen von Anmerkungen auf Pixelebene, die verschiedene gängige radiologische Bildgebungsverfahren wie MR, CT und PET abdecken.Da das Team sich der entscheidenden Rolle medizinischer Datensätze in der medizinischen KI-Forschung bewusst ist, wird es die meisten der erhaltenen Datensätze als Open Source zur Verfügung stellen.

Beim Aufbau eines universellen Modells hofft das Team, alle erhaltenen multimodalen Daten, einschließlich Bilder, Text, Genomik, EKG-Signale usw., gemeinsam trainieren zu können und die Läsionslokalisierung auf Bildern, die Diagnose auf Textebene und die Berichterstattung als grundlegendste Ausgabeformen zu verwenden. Während des TrainingsAuch die Einbettung medizinischen Wissens ist ein wesentlicher Bestandteil zur Realisierung allgemeiner Funktionen.„Das liegt daran, dass die Aufgaben vieler Abteilungen im Krankenhaus unterschiedlich sind und die Ärzte sich eher auf ihren eigenen Teil konzentrieren. Wir hoffen, dass das universelle Modell alle Untersuchungsinformationen abdecken, eine schrittweise Denkkette bei der Aufgabenbearbeitung bilden und Aufgaben wie die Differentialdiagnose erledigen kann“, erklärte Xie Weidi.

Wenn der Mentor "gleichgültig" ist, sammeln Sie ruhig Kraft

Wie oben erwähnt, wandte Xie Weidi bei der Entwicklung eines allgemeinen medizinischen KI-Systems Computer-Vision-Methoden auf den medizinischen Bereich an. Dies liegt daran,Zuvor war er fast 10 Jahre lang in der Computer Vision-Forschung tätig und hatte sich dabei umfassende Kenntnisse angeeignet.Seine anfängliche Wahl dieses Hauptfachs war jedoch ein Zufall.

Xie Weidi studierte an der Universität für Post und Telekommunikation in Peking. „Weil ich kein Interesse an Kommunikation hatte, waren meine Noten im Bachelor sehr schlecht. Ich hatte Angst, keinen Job zu finden, also entschied ich mich für ein Studium im Ausland“, sagte er lächelnd.

Im Jahr 2012 begann Xie Weidi sein Studium an der Universität London, um einen Master-Abschluss in Computer Vision zu machen. Dieses Mal fand er eine Richtung, die ihn interessierte, und nahm sein Studium sehr ernst. „Mein Betreuer war der Meinung, dass ich für die wissenschaftliche Forschung auf diesem Gebiet durchaus geeignet sei und schlug mir vor, einen Ph.D. anzustreben.“ Das Problem, vor dem er damals stand, war, ob er sich für eine Promotion auf eigene Kosten entscheiden sollte, um sein Studium fortzusetzen, da es in Großbritannien nur sehr wenige Promotionsstipendien gab. „Mein Vorgesetzter hat mir die Universität Oxford empfohlen. Selbst wenn ich die Kosten selbst tragen muss, lohnt sich die Investition mehr.“

Um das AlphaGo-Projekt besser zu fördern, beschloss DeepMind 2014 glücklicherweise, die Talentausbildung im Bereich der KI zu verstärken und kooperierte mit der Universität Oxford, um Stipendien anzubieten. Xie Weidi war der Gewinner des ersten Oxford-Google DeepMind-Vollstipendiums.Obwohl das fast eine Million Yuan umfassende Stipendium von DeepMind seinen finanziellen Druck zeitnah löste, bestand das eigentliche Problem darin, dass ihn die Laissez-faire-Haltung seiner beiden Mentoren beinahe daran gehindert hätte, seinen Abschluss zu machen.

Während meiner Promotion hatte ich zwei sehr starke Mentoren. Einer war Professor Andrew Zisserman im Bereich Computer Vision, Mitglied der Royal Society und einer der Begründer des CV-Bereichs; der andere war Professor J. Alison Noble, die medizinische Bildgebung studierte und sowohl Mitglied der Royal Society als auch der Academy of Engineering ist. Beide waren damals der Meinung, dass ich mich stärker in die Forschung des jeweils anderen einbringen würde, was mich in ein Dilemma brachte. Die Visual Geometry Group (VGG) an der Universität Oxford, wo Xie Weidi damals arbeitete, erregte mit der Entwicklung des Convolutional Neural Network VGGNet große Aufmerksamkeit. Die Mitglieder der Gruppe genossen in der internationalen Wissenschaftsgemeinschaft allgemein ein sehr hohes Ansehen. Er musste sich nicht nur mit der Kluft zu seinen Kollegen auseinandersetzen, die sich rasch verbesserten, sondern auch ständig neue Forschungsthemen erkunden.

Beeinflusst von AlphaGo erfreute sich Deep Learning damals großer Beliebtheit und auch Xie Weidi entwickelte ein starkes Interesse an generativen Modellen. Sein Mentor, Professor Andrew Zisserman, zog jedoch „nicht so heiße, aber wertvollere“ Forschung vor. „Während der wöchentlichen Besprechung können meine Klassenkameraden AZ ihren wöchentlichen Arbeitsfortschritt melden, aber ich gehe normalerweise mit einem Stapel Papiere hinein und komme mit einem Stapel neuer Papiere zum Lesen heraus.“ Gleichzeitig konnte er aufgrund der strengen Kontrolle medizinischer Bilddaten in Großbritannien ohne die Daten keine Forschung betreiben und bekam auch kein Feedback von seiner anderen Mentorin, J. Alison Noble. „Bis zum Jahr vor meinem Abschluss hatte ich nur ein Workshop-Papier veröffentlicht und meinen beiden Betreuern die Rückmeldung gegeben, dass ich, wenn ich so weitermache, möglicherweise nicht meinen Abschluss machen könnte.“

Wie das Sprichwort sagt: „Unglück kann ein Segen im Unglück sein.“ Da viele der ausgewählten Themen vom Dozenten abgelehnt wurden und nicht umgesetzt werden konnten,In seiner Freizeit las er fast alle Artikel dieser Zeit zum Thema Computer Vision. Diese Ansammlung legte auch eine solide Grundlage für seine zukünftige wissenschaftliche Forschung.Er sagte: „Ich dachte damals, wenn mein Dozent mir das Thema vorgeben könnte, könnte ich es in ein paar Tagen schaffen.“

Im Jahr 2018 veröffentlichte Xie Weidi mit der Unterstützung seiner beiden Mentoren sieben Artikel in den Bereichen Computer Vision, medizinische Bildgebung und anderen Bereichen und schloss sein Studium erfolgreich ab. Auch AZ erkannte seine Stärken und lud ihn ein, sein Postdoc-Studium mit Spezialisierung auf Computervisionsforschung fortzusetzen, bis er 2022 nach China zurückkehrt.

Wissen ist der wesentlichste Unterschied zwischen Computer Vision und Medizin

Die Balance zwischen Familie und Beruf bereitet unzähligen Menschen Probleme, darunter auch Xie Weidi.Die Entscheidung, nach China zurückzukehren, kam ganz plötzlich. Obwohl ich in Oxford geblieben war und ein Angebot für eine Assistenzprofessur erhalten hatte, wurde mir allmählich klar, dass das dortige Umfeld für eine intensivere Forschung nicht geeignet war. Andererseits fehlten mir als frischgebackener Vater damals die finanziellen Mittel und die Energie, um meine Familie zu unterstützen.

Meiner Meinung nach,Xie Weidi hat eine einzigartige und unverwechselbare Persönlichkeit. Neben der Bescheidenheit und dem Pragmatismus, die in der wissenschaftlichen Forschung geschätzt werden, zeichnet er sich auch durch Mut und Entschlossenheit aus.Als er sich entschied, nach China zurückzukehren, nahm er sofort Kontakt zu einheimischen Universitäten auf. Titel wie „Herausragender junger Wissenschaftler aus Übersee“ oder „Preisvergleich von drei Universitäten“ wurden von ihm nicht berücksichtigt. Er schickte lediglich seinen Lebenslauf an die Shanghai Jiao Tong University und wurde erfolgreich eingestellt.

Interessanterweise spielte Professor Zhang Ya von der Shanghai Jiao Tong University die Rolle des „HR“ in seinem Onboarding-Prozess und seine Bekanntschaft mit Professor Zhang Ya begann durch einen veröffentlichten Zeitschriftenartikel. „Im Jahr 2018 wollten Professor Zhang Ya und ihre Studenten eine von mir veröffentlichte Arbeit zum Thema medizinische Bildgebung reproduzieren und fügten mich daher bei WeChat hinzu.“ Diese Gelegenheit ebnete den Weg für seine spätere Rückkehr nach China. Nachdem er seinen Lebenslauf an Lehrer Zhang Ya geschickt hatte, erhielt er schnell eine Antwort. „Glücklicherweise hat die Schule den gesamten Prozess schnell vorangetrieben.“

Nachdem er an die Shanghai Jiao Tong University gekommen war, begann er, sich neben seiner ursprünglichen Forschung im Bereich Computer Vision auch mit der medizinischen künstlichen Intelligenz zu befassen.„Damals wollte ich mich in der KI-Forschung für die Wissenschaft versuchen. Da ich viel mit medizinischer Gesundheit zu tun hatte und mich dafür interessierte, entschied ich mich für diese Richtung.“

Es ist erwähnenswert, dass Xie Weidi im Jahr 2022, als ChatGPT erschien, beschloss, mit der Sprache zu beginnen und die damals sehr beliebte medizinische Bildgebungseingabe aufzugeben. „Ich denke, der grundlegendste Unterschied zwischen Medizin und Computer Vision ist das Wissen, denn in der Medizin geht es eher darum, Beweise zu finden und über systematisches und standardisiertes Wissen zu verfügen, es aber schwierig ist, Wissen in das Modell medizinischer Bilder im visuellen Bereich einzubetten.“Seiner Vision zufolge kann das Team medizinisches Wissen in das Sprachmodell einbetten und dann das visuelle Modell mit dem Sprachmodell abstimmen, um das medizinische Wissen an das visuelle Modell weiterzugeben.

Der Autor glaubt, dass es möglicherweise von Professor Andrew Zisserman beeinflusst wurde.Bei Xie Weidi spüren wir deutlich seine ausgeprägte Intuition für wissenschaftliche Forschung.Über seinen Mentor sagte er: „Viele Themen von AZ verfolgen keine kurzfristigen Hotspots, sondern konzentrieren sich auf langfristigen Wert.“ Bei der Entwicklung des Vision-Language-Modells PMC-CLIP beispielsweise konnten die Studierenden im Team die Bedeutung des Projekts nicht vollständig verstehen, da viele Studien zum ersten Mal durchgeführt wurden – warum sollten sie alle Dokumente im Internet durchsuchen? Warum Bilder und Anmerkungen extrahieren, um Modelle zu trainieren ... „Selbst als ich das Papier einreichte, hätte MICCAI es beinahe abgelehnt.“

Nach einiger Zeit erfreute sich das Vision-Language-Modell jedoch plötzlich großer Beliebtheit und das PMC-CLIP-Modell wurde von MICCAI auch mit dem „Young Scientist Publication Impact Award, Final List“ ausgezeichnet und seine Leistungen wurden ebenfalls anerkannt. „Anfangs fiel es mir schwer, meine Studierenden vom Nutzen dieser Forschung zu überzeugen. Vielleicht hatte ich Glück, denn das von mir gewählte Thema war zufällig etwas, das später alle interessierte.“

Während des Interviews erwähnte Professor Xie Weidi oft „Glück“ – an der Universität Oxford zugelassen zu werden, war Glück; Es war ein Glück, dass ich zu den Ersten gehörte, die das Oxford-Google DeepMind-Stipendium erhielten. Es war ein Glück, dass die Shanghai Jiao Tong University nach ihrer Rückkehr nach China eine erfolgreiche Anstellung fand. Auch die Wahl der Forschungsrichtung und des technischen Weges war Glückssache ... Meiner Meinung nach ist dieses Glück jedoch größtenteils nicht unbegründet, vielleicht ist es die Vorahnung einer früheren Handlung oder vielleicht ist es die Anhäufung von Macht im Laufe der Zeit, die die richtige Wahl im Moment gefördert hat.

Die Definition des Problems ist wichtiger als seine Lösung

Erwähnenswert ist, dass Xie Weidi sich einmal glücklich schätzte, dass „das von ihm gewählte Thema zufällig etwas war, das später alle interessierte.“ Ich glaube jedoch, dass die Wahl des Forschungsthemas die einzigartige Beobachtung des Teamleiters auf diesem Gebiet widerspiegelt, und Xie Weidi nannte es ein „Definitionsproblem“. Seiner Meinung nachEin Problem zu definieren ist wichtiger als es zu lösen. Solange ein sinnvolles Problem definiert ist, werden sich unzählige Menschen damit befassen und es lösen.Daher müssen wir darüber nachdenken, welche Probleme es in dieser Phase am meisten wert sind, durch das Modell gelöst zu werden. Das ist sehr wichtig.

Darüber hinaus sind „Talent-Daten-Rechenleistung“ bei der Lösung von Problemen unverzichtbar.

Derzeit befindet sich die Entwicklung von AI4S noch in einem frühen Stadium. KI-Experten haben mehr Vorteile beim Erstellen von Modellen und bei der Optimierung von Frameworks, während Wissenschaftler besser darin sind, wissenschaftliche Probleme in vertikalen Feldern präziser zu lokalisieren. Beide Parteien prüfen ein universelles Kooperationsmodell. In diesem Zusammenhang hat sich das Team von Xie Weidi für eine Zusammenarbeit mit zahlreichen Dozenten und Studenten der Shanghai Jiao Tong University School of Medicine entschieden. Dabei nutzt es deren Fachwissen im medizinischen Bereich voll aus und lässt sie als Berater fungieren, um dem Team bei der Entscheidung zu helfen, ob die Forschungsrichtung einen praktischen medizinischen Wert hat. Darüber hinaus fungieren sie auch als „Qualitätsprüfer“, die für die Qualität der abgetasteten Daten verantwortlich sind und sicherstellen, dass die Daten sauber genug sind, um 90% oder höher zu erreichen.

Gleichzeitig verbessern sich die Teambildungsprozesse und die Studierenden beherrschen die Technologie des Webdaten-Crawlings. Das nächste Problem besteht darin, dass die Datenressourcen des Internets fast erschöpft sind. In diesem Zusammenhang hofft das Team auf eine Zusammenarbeit mit Krankenhäusern, um qualitativ hochwertigere medizinische Daten zu erhalten und das Modell zu implementieren. Xie Weidi betonte, dass„Wissensbasiert“ oder „daten- und wissensbasiert“ ist wichtiger als einfach nur „datenbasiert“.Daher hofft das Team, medizinisches Wissen in den Mittelpunkt zu stellen und gemeinsam mit seinen Teamkollegen an der Lösung praktischerer Probleme zu arbeiten.

Erwähnenswert ist, dass die Erklärbarkeit medizinischer KI für Ärzte schon seit langem ein großes Anliegen ist. In diesem Zusammenhang glaubt Xie Weidi, dassWenn die KI leistungsstark genug ist, um Spitzenärzte in der Diagnosegenauigkeit zu übertreffen, wird die Erklärbarkeit kein Problem mehr sein.Beispielsweise hat das von Google eingeführte Modell Med-PaLM 2 bei der medizinischen Qualifikationsprüfung USMLE eine hohe Punktzahl von 86,5 erreicht. Darüber hinaus hat ihr Team sukzessive die medizinischen Großsprachenmodelle PMC-LLaMA und MMed-LLaMA, die visuellen Sprachmodelle MedVInT, RadFM, das allgemeine Segmentierungsmodell SAT usw. auf den Markt gebracht. Viele Modelle werden von der Branche als Grundlagen betrachtet und wurden in bekannten Zeitschriften/Top-Konferenzen veröffentlicht, wie z. B. NPJ Digital Medicine, Nature Communications, ICCV, ECCV, NeurIPS, MICCAI usw. Die Iterationsgeschwindigkeit dieser Ergebnisse verändert allmählich die Ansichten der Ärzte zur KI und in Zukunft ist mit der Etablierung hochwertiger Kooperationsbeziehungen zu rechnen.

Auch in Bezug auf Computerressourcen und finanzielle Unterstützung hat die Shanghai Jiao Tong University die Vorforschungen des Teams und die künftige Umsetzung der Ergebnisse umfassend unterstützt. Verschiedene Teams des Colleges erkunden außerdem aktiv Kooperationsmöglichkeiten und die akademische Atmosphäre ist stark.

Wertvolle Forschung betreiben

Während seiner Kommunikation mit Professor Xie Weidi erwähnte er mehrmals, dass er hoffte, wertvolle Forschungsarbeiten durchführen zu können.Seiner Meinung nach können die bisherigen Forschungsarbeiten des Teams lediglich als „ein Spielzeugprototyp im akademischen Bereich“ betrachtet werden und das kleine Modell muss weiter vergrößert werden, wenn es schließlich umgesetzt werden soll. Er hofft, dass diese Prototypen anderen Forschern und sogar der Industrie als Referenz dienen können und jedem zeigen, welche Art von Daten benötigt werden, wie die Daten verarbeitet werden, wie Modelle erstellt und trainiert werden und wie Anweisungen festgelegt werden.

Für die Zukunft plant das Team, klinisch orientierte Superanweisungen zu entwickeln, um das Training für mehr als 100 für Ärzte interessante Aufgaben zu integrieren, sodass sich das Modell auf die Lösung tatsächlicher klinischer Bedürfnisse konzentrieren kann. In diesem Zusammenhang bemerkte er: „Traditionelle Sprachmodelle werden meist mithilfe von Multiple-Choice-Fragen bewertet. Bei der Kommunikation mit Ärzten stellt man jedoch fest, dass es ihnen nicht darauf ankommt, wie hoch die Punktzahl bei den Multiple-Choice-Fragen ist. Vielmehr geht es ihnen darum, ob das Modell praktische Probleme lösen kann, beispielsweise für klinische Aufgaben geeignet ist.“

Darüber hinaus hat das Team begonnen, sich in verwandte Forschungen auf der Ebene der Genomik, DNA, RNA und Aminosäuren zu vertiefen und dabei die Beschränkungen zu überwinden, die sich aus der früheren Abhängigkeit von Bildern und Texten ergaben. Sie hoffen, mehr Möglichkeiten für die Diagnose seltener Krankheiten und die Entwicklung neuer Medikamente zu schaffen, und wir freuen uns auf ihre zukünftigen Ergebnisse.

Weitere Einzelheiten finden Sie in Xie Weidis Google Scholar:

https://scholar.google.com/citations?user=Vtrqj4gAAAAJ&hl=zh-CN