2021-07-17 至 2021-10-15，记：
1. 前哈佛医学院教授、再生医学研究中心主任Piero Anversa“坚持不懈”造假十余年，凭一己之力开拓心肌干细胞领域，引无数学者跳入火坑。从2001年首次提出C-Kit细胞存在，到2018年东窗事发一次性被撤回31篇论文，17年间，心肌干细胞的大楼眼见他高楼起，眼见他楼塌了。这一造假事件并不仅仅涉及Piero Anversa的31篇论文，更涉及全球范围内以这些论文为依据申请的无数课题基金，“附和”的阳性结论，培养的若干硕士博士、杰青学者。
最令人可笑又可怕的是，17年间竟无人质疑，在惊人的默契下，学者们接力垒起了这座心肌干细胞的海市蜃楼。这场惊天闹剧，实在令人唏嘘。
生存与生活，名誉与利益，摆在科研人面前的不只是探索生命宇宙奥秘的高尚事业，也有柴米油盐和个人成败的现实问题。以成果论英雄的评价体系之下，冒险试探科研诚信的红线，于情或可理解，于理却无法容忍。
我们受益于科学的进步，也会被科研造假的恶果所累。希望科研净土常在，人类科学事业的大厦上每一块砖都坚实可靠。【摘录内容~~】
2. 好奇 狂野 真实 真诚 孤独 求知 感恩 感性 重感情 豪爽 坦荡 志向 内省 哲思 忧郁 情怀 理性 无畏 正直 思考 使命 激情 特立独行 抑郁 热爱 担当 爱 深沉 纠结 骄傲 自卑 幽默 天马行空 狂热 拼搏 规划 科学 踏实
3. 感受/体验，学习/思考，表达/创造。
4. 有生命力 有品质和品味 有自己的感受和思考 有自己的思想和态度 有魅力
5. 十年为期，十八年为一蜕变，二十五年为人生一季。
6. 如何利用人工智能实现医疗影像多病种识别并进行辅助诊疗？
7. 好的研究应具备三点特质：
1、要能回应真正的现象、解决真正的问题；
2、要去研究细节；
3、能对世界带来好的影响。
8. 对比孟德尔的实验和推理，可以看到达尔文的问题：1）达尔文没有意识到样本量太小，实验设计有问题，没有做到孟德尔论文很前面就提到的“从开始就避免获得有疑问的结果”；2）达尔文在获得F1代的结果看到都是C性状时，和其他做杂交实验观察到同样现象的人一样，没有提出显性和隐性的概念；3）F2代重新出现F1代不见了的p性状，达尔文也仅看到现象，提出所谓“回复原理”（Principle of Reversion）复述现象，并无原理；4）在F2得到数量时，他没算两种性状的比例（2.38:1），也不知道比例蕴含的意义；5）没有推测而发现下一步的1:2:1；6）没有数学模型；7）没有从实验结果中发现规律，提出错误的遗传理论。
9. 简单来说，大厂需要的是大牛的光环，大牛需要的是大厂的经济回报和数据资源，一旦不匹配的就会好聚好散。
可见，大牛们离职后大多加入高校或工作室，对AI研究始终不离不弃。
科研人员回流学校这一趋势表明，即使是做AI研究，「也该把求职目标放在学校上，而不是觉得工业界Lab能作为永远的家。」
也有少数像叶杰平这样的加入另一家公司，留在业界继续攻克业务技术升级。
10. 跟我最熟的一个兄弟说我，跟任何女的都百搭 （/捂脸/问号脸/脑阔疼）【笑了~~】
11. 游吟诗人，江湖侠客，科研学者，多情男人。
12. 做研究，掌握几个大的点，做几个大项目。一方面，发顶会顶刊。另一方面，做有实用的落地。但是，发文章上不上下不下的，又无法落地，确实很不出色。要出色，一方面，可以就某几种特色疾病进行做。另一方面，可以就某几种方法进行深入做。
不仅仅是做技术，还要就基础研究部分，深入探索一下。
13. 要冲一下高水平的信息类计算机类文章(顶会AAAI, MICCAI, 顶刊MIA, TMI)，此外还要做临床落地，冲一下临床高水平文章(各类疾病等)。【目前还在努力ing~~】
14. 《一百岁感言》作者：杨绛
我今年一百岁，已经走到了人生的边缘，我无法确知自己还能走多远，寿命是不由自主的，但我很清楚我快“回家”了。
我得洗净这一百年沾染的污秽回家。 我没有“登泰山而小天下”之感，只在自己的小天地里过平静的生活。细想至此，我心静如水，我该平和地迎接每一天，准备回家。
在这物欲横流的人世间，人生一世实在是够苦。你存心做一个与世无争的老实人吧，人家就利用你欺侮你。你稍有才德品貌，人家就嫉妒你排挤你。 你大度退让，人家就侵犯你损害你。你要不与人争，就得与世无求，同时还要维持实力准备斗争。你要和别人和平共处，就先得和他们周旋，还得准备随时吃亏。
少年贪玩，青年迷恋爱情，壮年汲汲于成名成家，暮年自安于自欺欺人。
人寿几何，顽铁能炼成的精金，能有多少？但不同程度的锻炼，必有不同程度的成绩；不同程度的纵欲放肆，必积下不同程度的顽劣。
上苍不会让所有幸福集中到某个人身上，得到爱情未必拥有金钱；拥有金钱未必得到快乐；得到快乐未必拥有健康；拥有健康未必一切都会如愿以偿。
保持知足常乐的心态才是淬炼心智，净化心灵的最佳途径。一切快乐的享受都属于精神，这种快乐把忍受变为享受，是精神对于物质的胜利，这便是人生哲学。
一个人经过不同程度的锻炼，就获得不同程度的修养、不同程度的效益。好比香料，捣得愈碎，磨得愈细，香得愈浓烈。我们曾如此渴望命运的波澜，到最后才发现：人生最曼妙的风景，竟是内心的淡定与从容……我们曾如此期盼外界的认可，到最后才知道：世界是自己的，与他人毫无关系。
15. 诗人侠客 硬汉学者
16. 虽然传统的机器学习和统计建模在某些预测任务中表现相当好，但与深度学习相比，它们通常难以适应未经处理的、非结构化的、高维的数据。因此，尽管有其局限性，但只要能克服开发和实施中的某些缺陷，深度学习能够打开了肿瘤学“大数据”分析的大门，并有望推动临床肿瘤学的发展。
17. 癌症治疗可以看作一个数学上的优化问题。
18. 为了了解人工智能在临床肿瘤学中的应用前景，有必要将数学视角纳入患者治疗路径，包括癌症风险预测、筛查、诊断和治疗。从人工智能的角度来看，患者路径是一个优化问题，其中异质数据流作为输入汇聚到一个数学支架（即机器学习算法）。这个支架在训练过程中被反复调整，直到可以可靠地预测所需的输出，并能够采取行动。在这种情况下，不断增加的输入内容包括患者的临床表现、既往病史、基因组学、影像学和生物计量学等维度的特征，并可大致分为为肿瘤、宿主或环境因素。算法的复杂性通常由这些数据的数量、异质性和维度驱动。最宏观地说，算法的终点是以提高生存和/或生活质量为中心，但这个终点往往需要通过一系列粒度更细的替代终点进行评估。
19. 肿瘤学研究的进展、数据的不断生成和计算技术的进步使得患者数据的呈现从低维向越来越高维转变。早期的数据和计算限制往往需要将非结构化的患者数据（如医学影像和活检）简化为一组人类可理解的疾病程度的离散观测。
有用的肿瘤学数据流，按照可用性的大致时间顺序，可以分为临床表现、肿瘤分期、组织病理学、定性成像、肿瘤基因组学、患者基因组学、定量成像、液体活检、电子医疗记录挖掘、可穿戴设备和电子表型。此外，随着患者沿着癌症治疗路径移动，患者自身的数据流也在增长。患者病程每走过一步，新的数据就从路径中产生，并可能在以后重新被整合进路径中。
我们建议临床肿瘤学的人工智能发展应从患者和临床医生的角度出发，经过以下癌症治疗的接触点：风险预测、筛查、诊断、预后、初始治疗、反应评估、后续治疗和随访。临床接触点途径秉承着肿瘤治疗的连续性（Chambers等人，2018年），但它由更细化的患者和临床医生决策导向的接触点组成，以增强人工智能的临床效益。每个接触点都涉及肿瘤学家和患者要做出的关键决定，并能够提供人工智能的试用范围。此外，接触点的细节将因癌症亚型而异。
鉴于包含多种患者特征和结果的数据流越来越多，人们可以开发一个统一的动态模型来整合和推动精准肿瘤学，从而为肿瘤学家和患者开发一种"虚拟指南"（Topol，2019）。若能在由数十亿个传入数据点组成的数据流之上利用强大的神经网络来预测实时结果并不断提高性能，则这种方法可以与其他革命性的技术相提并论，如自动驾驶汽车和社交媒体推荐。
在人工智能应用方面，医疗和技术领域最明显的差异之一是数据质量和数量上的巨大差异。虽然在过去十年中，在电子病历系统广泛应用的推动下，医疗保健领域的数据收集发生了巨大变化，但数据集仍然几乎是孤立的，且受到严格监管，且癌症治疗方面的数据集往往规模受限，无法利用现有最强大的人工智能算法。
由于医疗数据固有的异质性、分散性和隐私性，我们在肿瘤学领域可能永远无法达到其他技术领域所享有的数据稳健程度。因此，有必要采取一些策略来缓解数据问题，如适当的算法选择、模型结构的改进、数据预处理和数据增强技术。其中最重要的是，仔细选择癌症治疗接触点用例以产生临床影响。
一旦经过严格的测试，这些窄人工智能应用就可以在患者的治疗过程中整合，以提供可观的临床效益。这种由人工智能驱动的患者特征空间降维，可以在目前数据、专业知识和基础设施孤立的环境下优化优质人工智能应用的开发过程。截至目前，大约有20 个FDA批准的针对临床肿瘤学的人工智能应用，其中每一个都利用特定癌症治疗接触点的单一数据流来执行一个窄任务。
20. 人工智能在肿瘤学中的前景将继续由经过严格评估的窄任务模型组成，且每个模型都能为患者生命长度和质量提供小但递增的好处。
21. 到目前为止，筛查和诊断接触点几乎占了所有FDA批准的临床肿瘤学的深度学习应用，其中三种算法专注于乳房钼靶X线检查，另外三种专注于基于CT的病变诊断（Benjamens等人，2020）。
22. 人工智能性能的证据和临床影响的证据之间仍有很大差距。虽然已经有数千项关于深度学习算法性能的公开研究（Kann等人，2019年），但最近的一项系统综述发现，只有9项前瞻性试验和2项已发表的随机临床试验探索了深度学习在医学成像中的效用（Nagendran等人，2020年）。
人工智能模型的可解释性、可信度、可重现性和可推广性的缺乏也已得到了充分且合理的关注（Beam等人，2020）。虽然所有这些挑战都是成功开发人工智能必须克服的，但在此我们仅介绍几个专门针对已经在初步开发和验证阶段取得成功的模型进行临床转化的概念：临床准确性、实用性和可用性。将这些概念纳入模型设计和评估很容易被忽视，但对于将临床人工智能从研究和开发阶段推进到现实世界的癌症治疗至关重要。
虽然绝大多数人工智能发表的研究包括内部不可见测试集，但利用外部验证集的研究少得多，且采用前瞻性测试并与人类专家进行基准比较的研究则更少。
证明临床实用性需要以临床有效性为前提，但要超越性能验证，对有临床意义的终点进行测试。对于某些诊断应用来说，常用终点（如ROC曲线下面积、敏感性或特异性）的高性能可能就足够了，但在现实世界发挥作用将需要对治疗途径中的每个接触点进行适当的临床端点验证。就肿瘤学而言，这包括总生存期、疾病控制、毒性降低、生活质量提高和医疗资源利用率降低。对这些终点的测试最好是在随机试验的背景下进行。金标准是将患者随机分配到人工智能干预组中，并直接比较临床终点。
有一个不断增长的研究领域致力于研究可解释性问题，一些技术，如显著图、隐态分析、变量重要性评价和特征可视化可以阐明人工智能预测原理的某些方面（Guo等人，2019；Olah等人，2018）。除此之外， 人因（Human Factors）研究的进展以及与适当的专业人员合并流程，可以帮助简化算法应用流程，以期简化临床验证步骤。最后，将算法转化为临床可用的解决方案需要强大的信息技术支持服务，可能需要临床机构和部门的专门投资。
与临床适用性相关的另一个关键概念是解决当多个人工智能模型序列或同时应用于某一场景中挑战。这些情况的协调需求将变得更加普遍，需要注意最终用户的责任、互操作、访问和培训。患者在肿瘤治疗过程中直接或间接与许多不同的医疗工作者互动，这些医疗工作者可能是特定人工智能应用程序的主要用户。这些用户可能主要扮演诊断和治疗的角色。从一个简化的角度来看，癌症治疗路径的主要诊断者是病理学家和影像学家，而主要治疗者往往是内科、放射科、介入科和外科肿瘤学家。这一过程中的多学科接触点，如肿瘤委员会，代表着整理和协调不同的人工智能应用的机会。除了医生之外，还有许多高级治疗提供者，如护士和医生助理，以及心理医生、社工和医学生，他们可能是特定人工智能应用程序的用户。例如，如果一个患者接受了CT扫描，并由人工智能生成了恶性肿瘤的预测，而这一预测随后被用作另一种算法的输入，以推荐手术作为治疗，那么谁是主要负责利用和传播该信息的"指定用户"？更进一步，从逻辑上讲，是谁对基于使用该模型的决定负有法律责任。
23. 数据流的增长和算法的进步使AI能够在癌症治疗路径的特定接触点改进临床肿瘤学。虽然许多临床肿瘤学人工智能应用正在开发中，要弥合AI与临床转化之间的差距，仍然存在巨大的挑战。最成功的模型是利用大规模的、有稳健注释的数据集来完成特定癌症治疗接触点的窄任务。癌症治疗的人工智能应用的进一步发展应集中在临床有效性、实用性上，这还需要在模型的开发和评估中更强调患者-治疗提供者、临床决策的重要性。
24. 有限元在医学中主要应用于骨科生物力学及医学辅助器材应用方面（如：骨关节受力研究、医疗器械的研究设计），结合影像重建三维建模软件， 建立骨科、牙科、心脑血管等三维模型，通过有限元分析软件ANSYS 、 Abaqus 、 Hypermesh、Fluent流体分析等对医学骨科的各种手术情况进行数字模拟，最终得到受力模型的应力和位移数值，为医学临床的诊断提供参考依据。
25. 沈定刚：两个字：“落地”。AI如果不落地，就是纸上谈兵。前两天与钟南山院士座谈时聊到，现在很多人做研究习惯于从文章中找问题，然后再写成文章；后面的人再去看这些文章，找出其中的问题再写成文章。这样在文章上循环，而不是真正解决实际问题的闭环。这里的闭环是说你研究的问题，应该是从应用中来、到应用中去，再以此开展研究才是一个好的研究模式。
26. 在这个快速发展的时代，最应该做的事情就是落地，研究要源于临床、高于临床、回归临床，这样才能形成一个真正的闭环。而不是去做一个我们想象的问题，好像提高了百分之几的效果，但这对于临床毫无用处。应用型研究不落地，那么这些研究都是空的。虽然这么做可能容易发表很多文章，但扪心自问：这些方法有用吗？或者愿意开源你的代码让大家来检验和使用吗？很多研究工作并没有做到这样。所以回到之前的问题，我们做的AI必须要落地。同时，我们的AI研究应该是全栈式的，贯穿整个链条：从影像前、影像中再到影像后。有时影像前和影像中的操作做一点改进，很多影像后的研究问题可能可以很好解决了。所以，我们的研究必须是全栈全谱，而不是定在一个模态。同时，应该把影像和其他模态信息结合起来，真正解决临床问题。因为影像也只是一个视角，能解决的问题是有限的。总结一下，后疫情时代，我们关于影像AI的所有研究都必须要落地，要源于临床、高于临床、回归临床，做全栈全谱的人工智能。
首先，我们做科学研究要从科学问题出发，那么科学问题是什么就很重要。有些工科研究人员从工程技术中找技术漏洞或不足，而对相关医学领域的临床问题不是很了解，因而很难得到能真正用于解决临床需求的有用技术。因此，我们首先要以临床需求为牵引，深入凝练临床的科学问题是什么，（去了解）比如脑疾病、心脏病等到底哪些科学问题在国际上仍然没有解决，然后与临床深度合作，通过实验范式设计及规范化数据预处理及分析方法，开展针对性的研究，解决临床问题。临床门槛较高，如果不跟医生紧密合作，只是收集一些数据然后使用一些通用的机器学习及深度学方法，那么很可能得出的结果无法用于临床验证，难以验证结果的有效性，医生根本不感兴趣。很多医生说过，光关注算法识别率，比如有些论文结果高10%或者20%识别率，但是怎么从临床角度验证识别率高就一定能解决临床问题?因此，很多工程技术识别指标很难落地。
第二个问题就讲到高于临床，我们要做的工程技术是医生做不了的，同时，我们要能解决真正临床医生解决不了临床问题，这样才叫高于临床。MICS报告非常精彩，特别是医院的临床医生，他们从临床实际问题出发，检验临床诊断效果。工程人员提出的方法到底能在临床实践中有多少帮助，这一点医生关注度是非常高的。
第三个就是回归临床。比如说有些临床脑疾病开颅手术，诊疗手术有效率是50%，如果开发一个方法能够提高有效率10%以上，那么全行业就会非常认可，并且会写入相关规范和标准。所以我个人觉得从科学问题到工程问题最后到临床应用，是一个全链条的（闭环），而不是从文章中找问题，改一下问题换一个方法就好了。应该从问题中找方法去解决问题，解决完真正用起来。我们做研究也好，写基金也好，要真正凝练出我们要解决的科学问题是什么。比如科学问题，那就是机制是什么需要具体厘清；工程问题，那就是有效率不够需要进一步提升。
27. 施俊：我讲几个具体技术上可以考虑的方向。疫情以后，一个很突出的问题就是医生可能根本没有时间来标注数据，也没有时间整理、清理数据，那么这就是很典型的一个小样本问题了。没有大量标注样本，甚至是只有几例标注的不精确样本的情况下，那么以前做得很好的深度学习模型是否依然能有效呢？我觉得在医学影像研究中，小样本学习应该是一个很重要的方向，而不是简单地一谈到医学影像就是大样本、大数据，这类方法在突发事件中可能并不是很适用。另一个方向是迁移学习，应该能在医学影像分析处理中体现出它的作用。我记得联影智能之前有过一个关于肺部CT分割的工作，新冠疫情之初，没有此类病例、更没有人标注过相关的CT图像，那么只能把其他相关肺部疾病的已分割标注的CT数据应用起来，然后迁移到新冠病例的分割任务之中。再有一点，跟临床医生的交流非常重要，而且是功夫在平时。真正有需求的时候，如何迅速从临床需求当中找到问题、并提出解决方案，这只有在平时跟医生紧密交流、密切合作的基础上才有可能。此外，疫情也告诉我们公共卫生也是很重要的一个方向，影像在其中可以做哪些工作，也是值得我们探讨的一个问题。
28. 从前端临床需求，提出解决问题方法，最后到临床转化应用，整个过程就是交叉学科中所谓的闭环问题。
29. 对于青年学者来说，个人建议研究方向最好要结合国家“十四五”规划发展战略，研究方向一定要结合国家的发展方向，搞清楚我们研究领域的前沿问题、科学问题、国家需求是什么。要时刻围绕人民生活健康，以提高人民健康生活水平为目的，真正围绕国家的发展需求进行研究。作为年轻学者，要真正去了解行业需求、临床需求等有没有结合“十四五”规划，或者科技委、军科委、国家自然基金委等这些国家机构规划的行业发展需求，这样能够有效提高项目的成功率。
30. 在国内，急需高校、医院以及一些诊疗企业等团队共同研究。医工交叉门槛较高，不光要懂技术，还要懂临床，懂临床转化，才能真正的相互深度合作。最后，建议广大青年学者要深入了解临床科学问题，挖掘临床痛点，医工交叉领域发展前景非常广阔，特别是国家自然基金委交叉学部成立，对我们行业发展都是非常好的机会，希望年轻学者能够结合国家重大需求，更好地抓住国家“十四五”规划中的需求发展。
31. 徐军：我觉得我们医学图像本来就是一个学科交叉的领域。医学图像不是自然图像而是来自患者器官的影像、组织或细胞切片的图像，它反映了患者疾病等信息。因为我们的研究数据是来源于医院的医疗数据，我们的研究目标也是最终让患者获益，所以这就决定了我们的工作本质就需要进行医工交叉。实际上我觉得医工交叉在中国比在西方国家更有价值。以美国为例，回顾美国医生培养的过程，他们本科并不学医，而是类似生物、化学或者生物医学等相关的专业，他们在进入医学培养体系前，已经接受过基础的理工学科的训练。在和美国医生交流的时候，我发现美国很多医生对很多医学图像分析领域问题的理解很深刻，甚至能向我们提出对算法建议，这是很让我震撼的。我们中国医生培养的时候，从高中毕业后直接进入医学培养体系，可能并不会学习数学或者算法之类的东西，因此他们可能更需要与工科进行交叉。因此，我觉得我们从事的医工交叉领域在我国是一个非常有价值的学科发展方向。另外一个很重要的点是，我们可能需要构建更好的机制让医生和理工科领域的人员长期稳定地在一起工作，这样才能更好推动(学科)交叉发展。
刘勇：严格来说我不算是从海外回来，我大概只有一年的时间在国外访问。我觉得最重要的一点，尤其在我们做影像的学者在和医生合作的过程中，我们不要觉得计算机有多么大的能量能够替代医生，或者建立在医生的工作之上。事实上我们要俯下身来，和他们一起工作，甚至有些时候要先为他们打工，这样才能更好地建立和医生的伙伴关系，源源不断地拿到更好的数据。我们医生的同行都特别忙，举个例子，在山东的一个医院，10个医生一天要看大概9万张图片，可以想象这个工作量是多么大。如果你想直接去说我的方法能够替代你的工作，或者说在你的工作上，我们的算法表现一定比你的好，这是很不现实的。实际上我们要先给他们打工，先解决一点点问题，建立一个最基本的信任，才能够使他们和我们分享很多临床中的想法和他们工作中遇到的困难，然后再一起把这个困难解决掉。根据我自己的经验，其实我有五六年的时间没有很好的第一作者的论文。实际上我有很长的时间都在收集数据，到目前为止，让我很骄傲的一点是我现在有几千例的数据，有很多人参与去使用我的数据。这一点可能对于未来的研究尤为重要，尤其是在我们影像领域，没有相应的数据就没有论文。刚才沈老师提到的“落地”其实是一样的，如果我们研究中没有大量的数据，那么你的落地也是没有根基的。所以我觉得一定要开始(和医生)建立很好的伙伴关系，先成朋友，再成伙伴，再成为最好的战略伙伴，一起来打拼天下，这才是快速成长的方式。
回到国内，我们要注重的三点：1）全栈，2）分享，3）保持初心。第一点是全栈，那么全栈是什么？我们在国外的很多研究通常只做了整体研究里的一个非常小的问题，国外的研究通常具有长期性的，有5年、10年，可以说一个实验室就某个问题做了很长时间，而你做的通常是他们已经想了很久、做了很久的问题的延续，你能够做到的、想到的只是这里面非常小的一个点。但是回到国内，就像我们刚才讨论很多的，我们要理解临床问题，我们要和医生打交道，然后总结出一些临床问题与临床痛点，我们要提出我们的想法，因为你回来以后要成为一个独立的PI，所以全栈非常重要。原来的培养只是培养你技术上的一些能力，但在国内不光注重技术，个人的交流能力是非常有必要的，我们很多做技术的人与医生的交流方面存在短板，所以这点必须要学。刚才我讲了两个例子，这个全栈是各个方面的，不光是技术、人员交流、甚至整个项目从头到尾都要了解得非常清楚，全栈非常重要。第二点就是分享；分享非常重要。刚才刘勇也提到和医生的合作，分享意味着分享你的成果。有时候我们碰到不少学生，做了3个月、6个月或者一年，就认为所有的贡献都是他的，并没有考虑别人收集数据花了多少人力、物力，别人成为文章的重要作者有问题吗？当然没问题。所以我们必须学会分享，这一点非常重要。分享在交叉研究中更重要，交叉就要学会分享，如果什么成果都想一个人拥有，那么没法去交叉，也没法做引领性的交叉工作。第三点是要保持初心。我们毕竟是做研究的，而且我们想做引领我们领域的人，一定要保持做研究的初心。有时候，国内有一些非常短平快的科研要求，要求短期内有亮点，这种情况下很难做非常深入的、引领性的工作。那么大家自然而然问要问，在这种情况下，怎样可以保持初心去做引领性的研究？我认为年轻的老师应该在一个大团队里做相应的工作，学习团队里各种人的能力。将来你成为一个大的团队带头人以后，团队中可以有一部分人做解决实际问题的研发，有一部分人做引领性的算法研究，研究出来的算法可以应用到组里做实际问题的课题里去，这样你的团队就可以做一个闭环。就像刚才李阳讲到的要和顶尖的医生合作，同样的我们做交叉研究也要和顶尖的技术团队合作。
夏勇：我再补充一句，也是我的导师经常讲的几句话。第一是要有追求卓越的雄心壮志，第二要不断地打磨自己，提升自己的科研能力，第三要不断地锤炼自己的待人接物，第四要常怀感恩之心。
沈定刚：做大项目需要三个方面的积累：1）功底，2）专注，3）自我推销。功底非常重要，我们需要在一个领域里沉淀非常长的时间，才有能力做大的项目。当然，专注也非常重要，我们必须聚焦，不能什么文章都有、什么研究都做。最后，在中国，自我推销也非常重要，让别人知道你的优秀成果，争取更多的合作。
32. 数据科学家 data scientist，医学物理学家 medical physicist，人工智能工程师 AI engineer，医学影像信息学家 medical imaging informatician，医学影像科学家 medical imaging scientist，生物医学工程师 biomedical engineer，计算机科学家 computer scientist
33. The process from data to images and the one from images to features can be integrated to form a so-called ‘end-to-end’ workflow in the unified machine learning framework, that is, going from raw data directly to diagnosis.
The process from data to images and the one from images to features can be integrated to form a so-called end-to-end workflow in the unified machine learning framework, that is, going from raw data directly to diagnosis.
34. 思想家 thinker，诗人 poet，侠客 chivalrous expert，硬汉 tough guy /hero，科学家 scientist。
学者 scholar，修行者 stylite /meditator，思想家 thinker，诗人 poet，侠客 chivalrous expert，硬汉 tough guy /hero，科学家 scientist。
35.
我本放浪人
天生修行心
为人处世意
终始不复悔
36.
多情侠客
铁血硬汉
科技学者
思想诗人
37.石应康，男，祖籍中国福建，硕士研究生学历，教授，博士生导师，国务院政府特殊津贴获得者。四川省学术和技术带头人，四川省侨联原副主席，四川大学华西临床医学院原院长、四川大学华西医院原院长。在心脏瓣膜外科、大血管外科、冠状动脉外科等方面具有很高造诣。曾获国家卫生部、人事部"全国卫生系统先进工作者"、"卫生部有突出贡献中青年专家"等荣誉称号。曾任周永康保健医生，自杀前有传言被调查。因其自杀，所有调查中止。家庭财产状况未公开，未有贪腐评价。
2016年5月11日下午，65岁的四川大学华西医院原院长石应康自杀身亡。
38. 有容乃大，无欲则刚，宠辱不惊，去留无意，志存高远，追求奉献。
39. 治疗点的深入诊断，结合个体不同生物level水平信息，做多学科综合性的全面且深入检查。如个体的临床信息，临床指标，宏观表征，医学影像，病理分子，蛋白质基因等。由深入浅去做多次深入诊断。
40. 跨治疗点的深入诊断，跟随个体患者的时间治疗节点，结合多level多学科信息数据，做某个疾病的综合性治疗系统。如术前诊断，治疗疗效预测，预后预测，随访中的复发预测，康复中的康复预测等等。
41. 鲁迅先生曾说过：“战士战死了的时候，苍蝇们首先发现的是他的缺点和伤痕，嘬着，营营地叫着，以为得意，以为比死了的战士更英雄。但是战士已经战死了，不再来挥去他们。于是乎苍蝇们即更其营营地叫，自以为倒是不朽的声音，因为它们的完全，远在战士之上。的确的，谁也没有发现过苍蝇们的缺点和创伤。然而，有缺点的战士终竟是战士，完美的苍蝇也终竟不过是苍蝇。去罢，苍蝇们！虽然生着翅子，还能营营，总不会超过战士的。你们这些虫豸们！”
42. 采景 采风 采色 采味 采情
43. 我是一名交叉学科研究学者。涉及信息科学，物理学，生物医学，计算机科学和人工智能科研。
当下：可以看到，那段时间思考的事情，就开始以科研工作为主了。这个时间段我来到了华西读博的团队，这种思想转变是应该的。不过还是会在犹豫和摸索中，一直前行着。
155-2731-8020