学位论文简介
医疗大数据来源于临床诊疗、医学检测、健康监测以及跨机构医疗协同等多个环节，涵盖结构化、半结构化和非结构化等不同类型的信息。与传统医疗数据相比，其突出特点在于数据来源多元、采集方式多样、模态丰富、异构性强，并伴随明显的时序动态特征。这类数据能够较为全面地刻画患者健康状态、疾病演变过程及诊疗干预效果，为精准医疗和智能决策提供了重要基础。
在实际应用中，医疗大数据的价值释放仍面临诸多障碍。不同来源的数据在标准体系、语义表达和组织方式上存在差异，导致跨模态、跨场景的信息整合难度较大。现有方法多依赖规则驱动或单任务建模，在面对高维、复杂、动态变化的医疗问题时，往往难以兼顾数据表征、关联挖掘与任务适配，因而难以满足精准诊疗和个体化干预的需求。相比之下，人工智能在特征学习、模式识别、关系建模和动态推理等方面具有明显优势，为海量医疗数据的深层挖掘和知识提取提供了新的技术路径。
面对上述挑战，本文围绕多源异构数据整合、跨中心分布差异、患者状态多维表征不足及模型决策能力受限等问题展开研究，结合数据处理、领域自适应、多维表征学习与智能决策生成方法，形成了覆盖数据集成、跨域建模、状态表征与决策支持的系统性研究体系，旨在提升医疗大数据在疾病诊断、风险预测及临床决策支持中的应用效果，为医学人工智能的落地提供理论基础与技术支撑。
1）针对多源异构医疗数据整合中存在的数据分散存储、结构复杂及提取效率不足等问题，提出了一种多模态医疗数据集成与并行优化方法。该方法通过构建灵活的标准化数据提取框架，将来源多样、结构异构的医疗数据整合为面向人工智能训练的统一标准结构，并设计多节点并行优化策略，加速大规模数据提取过程，从而提升数据集成效率与应用能力。
2）针对多中心医疗数据存在显著分布差异、导致模型跨中心迁移性能下降的问题，提出了一种基于注意力机制的领域自适应（Domain Adaptation）算法，即多因素关联结构领域自适应框架 DAMAS。该方法从特征分布对齐与标签空间适配两个层面协同建模，增强模型在多中心场景下的跨域迁移能力与泛化性能。
3）针对现有模型表征能力局限于单一维度、难以全面刻画患者状态的问题，提出了一种基于选择性状态空间模型的时空表征学习方法，旨在从多维度提升患者状态建模能力。
4）针对单一模型难以兼顾多重任务、复杂临床流程处理能力不足的问题，提出了一种多智能体协同的决策生成方法 PharCare。该方法通过构建多智能体协作机制，在充分发挥大型语言模型知识表达与推理能力的基础上，有效缓解单模型在多视角分析、复杂任务处理及流程化决策中的局限，形成更加贴近真实临床需求的智能决策流程。
主要学术成果
Dou, Y., Liu, Y., Zou, H., Zeng, W., Xu, K., & Peng, S. (2025). A survey on electronic health record driven multimodal representation learning. Information Fusion, 103810. (第一作者，中科院一区，IF：15.5)
Dou, Y., Li, W., Zheng, Y., Yao, X., Liu, H., Zomaya, A. Y., & Peng, S. (2024). Quick-MIMIC: A Multimodal Data Extraction Pipeline for MIMIC with Parallelization. Big Data Mining and Analytics, 7(4), 1333-1346. (第一作者，中科院一区，IF：7.7)
Dou, Y., Zheng, Y., Liu, D., Li, K., Xiao, S., & Peng, S. (2023, December). ParaMET: A Parallel Framework for Efficient Medical Data Extraction on Tianhe-NG Supercomputer. In 2023 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) (pp. 488-493). IEEE. (第一作者，CCF-B类 会议)
Dou, Y., Liu, Z., Zhao, X., Xie, K., Chen, G., & Peng, S. (2023, December). An attention-based label mapping and multi-factor domain adaptation approach for acs prediction. In 2023 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) (pp. 1074-1079). IEEE. (第一作者，CCF-B类 会议)
Dou, Y., Xing, T., Zhao, X., Chen, X., Zhou, J., & Peng, S. (2026). Spatio-temporal representation learning with selective state space models for EEG-based depression detection. Biomedical Signal Processing and Control, 112, 108707. (第一作者，中科院二区，IF：4.9)
Dou, Y., Deng, Z., Xing, T., Xiao, J., & Peng, S. (2024, December). Autonomous Pharmaceutical Care with Large Language Models. In 2024 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) (pp. 1927-1932). IEEE. (第一作者，CCF-B类 会议)
发明专利：一种用于医疗特征生成模型的半监督条件迁移学习方法，ZL202310352952.9，彭绍亮、窦钰涛、夏飞、刘达政、潘良睿，授权
软件著作权：基于人工智能的人脸表情识别系统，2025SR0548377，彭绍亮、刘凡、窦钰涛，授权
