医疗健康信息处理主要研究如何对医疗健康领域中海量、异构、多模态的数据进行高效建模、分析与理解，重点关注医学文本、电子病历、医学影像、生理时序信号及多源健康数据中医学知识、临床证据、疾病表型与诊疗规律的智能处理方法。该方向融合自然语言处理、机器学习、深度学习、知识表示与推理、信息检索及多模态大模型等关键技术，致力于从复杂医疗数据中挖掘潜在价值，刻画患者健康状态与疾病演化过程，为临床决策支持、医学研究和医疗健康管理提供智能化支撑。

研究内容涵盖医疗数据治理与表示学习、医学自然语言处理、医疗大模型与智能体、医学知识图谱与检索增强生成、多模态医疗数据融合、疾病风险预测与辅助诊断、个体化治疗与药物推荐，以及医疗人工智能的可解释性、安全性、公平性与隐私保护。重点研究医疗大模型的领域适配与可信推理、纵向电子病历与生理时序数据分析、医学知识增强的智能问答与临床决策支持，提高医疗健康信息处理及医疗决策系统的准确性、鲁棒性、安全性和可解释性。

本方向具有显著的交叉学科特征，涉及计算机科学、医学、统计学、语言学与认知科学等多个领域。相关研究成果可广泛应用于智能病历分析、医疗风险预警、临床辅助诊断、个性化诊疗、合理用药与药物推荐、临床分诊、公共卫生监测及全生命周期健康管理等场景，为提升医疗服务效率与质量、保障医疗人工智能安全可信应用以及推动智慧医疗发展提供技术支撑。

成果展示：

• 扁仓中医大模型：与山东中医药大学附属医院联合研发，被山东省发改委认定为山东省人工智能赋能重点领域高质量发展的重点模型，被第四届全国大模型智能生成大会（LMG 2025）评选为亮点海报论文。
• SOAPTriage: SOAP-Guided Multi-View Clinical Text Modeling Framework for Automated ESI Prediction：提出SOAP引导式多视图临床文本建模框架，通过临床记录增强、SOAP引导编码与自适应聚合推理，显式刻画多维临床分诊逻辑，有效缓解分诊文本稀缺问题，对提升自动化急诊分诊及ESI预测性能具有重要意义。

大语言模型与智能体方向主要研究基于大规模预训练语言模型的语言理解、知识表示、复杂推理与智能决策方法，探索具备语言认知、复杂推理、任务规划、工具调用与自主执行能力的智能系统构建机制。该方向以大语言模型作为智能系统的认知核心，关注其在复杂语义理解、多步推理、多轮交互、长程任务规划和动态环境交互场景中的能力建模与优化，致力于推动人工智能系统从单一语言生成向具备感知、推理、规划、执行与持续学习能力的智能体演进。

研究内容涵盖大语言模型的大规模预训练、持续学习与模型对齐理论、指令学习与高效微调方法、复杂推理、规划决策与生成机制，以及语言模型与外部知识、工具、环境以及多模态信息的协同感知与交互机制。同时，围绕智能体系统的构建，重点研究基于语言模型的任务理解、自动分解、长程规划、工具调用与执行策略，自主决策、环境反馈、自我反思与持续学习机制，以及单智能体、多智能体协作、人机协同与群体智能交互方法，实现面向真实复杂问题的持续感知、动态决策、协同推理与自主执行。

本方向具有鲜明的交叉学科特征，融合计算机科学、人工智能、认知科学、语言学、系统工程以及人机交互等多个领域的研究成果。相关技术可广泛应用于智能对话与问答系统、智能办公与科研助手、自动化软件开发、智能科研Agent、智能决策支持系统、领域智能体以及复杂业务流程自动化等场景。

成果展示：

• 千医牍智ICD智能编码系统（JointCoder）：与山东第一医科大学第一附属医院联合研发，相关成果发表于 ACL 2026，并荣获首届大模型与AI工程大会杰出系统演示奖。提出面向真实电子病历场景的多智能体医疗编码框架，将复杂ICD编码任务分解为病历标准化、候选生成、智能排序、证据验证及代码映射等多个阶段，由多个轻量化LLM智能体协同完成，实现疾病（ICD-10）与手术操作（ICD-9-CM-3）的联合智能编码，推动医疗大模型从单轮文本生成向任务驱动型智能体系统演进。
• 扁仓中医大模型：与山东中医药大学附属医院联合研发，相关成果发表于 IEEE JBHI。面向中医领域构建专业化大语言模型体系，融合医学知识增强、领域语义理解与智能问答能力，被山东省发改委认定为山东省人工智能赋能重点领域高质量发展的重点模型，并被第四届全国大模型智能生成大会（LMG 2025）评选为亮点海报论文，推动大语言模型在垂直医疗领域的落地应用。
• Beyond Static Artifacts：相关成果发表于 ACL 2026，并荣获 ACL 2026 Special Area Chair（SAC）Highlight。提出基于大语言模型的多智能体演化生成框架，通过构建不同角色智能体之间的信息交互、反馈修正与迭代演化机制，实现复杂信息传播过程模拟与高质量合成数据生成，为大语言模型驱动的多智能体协作、自主演化与社会模拟研究提供新的探索。
• WSDPO：相关成果发表于 ACL 2026。提出结合思维链推理与偏好优化的大语言模型训练框架，通过显式建模语义消歧过程与优化模型推理路径，提升大语言模型在复杂语义理解、长尾知识泛化和细粒度语言推理任务中的能力。

数据挖掘与推荐系统主要研究如何对互联网、工业生产、商业服务及医疗健康领域中海量、高维、动态的数据进行高效采集、预处理、挖掘与应用，重点关注数据中隐藏模式、序列规律、用户偏好及趋势特征的智能提取方法。该方向融合数据挖掘、机器学习、深度学习、信息检索及大语言模型等关键技术，致力于从复杂异构数据中挖掘潜在价值、刻画用户需求与决策过程，为个性化服务、决策优化和业务升级提供智能化支撑。

研究内容涵盖数据挖掘基础理论与方法、推荐系统核心算法与架构、序列模式与目标模式挖掘、多源数据融合挖掘，以及推荐系统的可解释性、安全性、公平性与隐私保护。重点研究负序列数据挖掘技术、医疗健康推荐算法，提高序列分析、推荐系统以及医疗决策系统的准确性、安全性和可解释性。

本方向具有显著的交叉学科特征，涉及计算机科学、数学、统计学、信息管理学、医学信息学等多个领域。相关研究成果可广泛应用于负序列数据挖掘、目标模式发现、医疗风险预测、智能搜索引擎、药物推荐及临床决策支持等场景。

成果展示：

• TaNSP: An Efficient Target Pattern Mining Algorithm Based on Negative Sequential Pattern：将负序列模式引入目标模式挖掘，提出基于三元位图等剪枝策略的高效挖掘算法，同时支持正、负目标序列查询，显著提升挖掘效率与可扩展性。
• Time-aware Medication Recommendation via Intervention of Dynamic Treatment Regimes：将动态治疗方案的干预过程引入药物推荐任务，构建多患者协同引导图和时间感知机制，解决传统方法难以区分不同治疗阶段用药差异的问题。
• RES-MR: Risk-Aware Reasoning for Explainable and Safe Medication Recommendation：提出基于大语言模型的风险感知药物推荐框架，通过临床推理蒸馏与个体化风险边界优化，提升药物推荐的准确性、安全性与可解释性。

多模态认知计算主要研究如何使计算机能够协同建模和理解来自不同模态的信息，如文本、图像、音频、视频及其组合形式，探索跨模态语义表示、关联建模与高效检索的基础理论与关键方法，是当前人工智能在认知智能与多模态理解层面亟需突破的核心研究方向之一。该方向致力于解决多模态数据在语义鸿沟、模态异构、标注稀缺与大规模高效计算等关键挑战。

研究内容涵盖多模态表示学习与语义对齐、多模态哈希与跨模态检索、半监督与弱监督多模态学习、多模态相关性建模与标签关联增强、多模态在线与自适应学习、隐私保护与联邦多模态学习、多任务与结构化多模态建模等关键问题。

本方向是计算机科学、人工智能、模式识别、信息检索与认知科学等多学科交叉的前沿研究领域。通过将多模态认知计算与大数据处理、社交媒体分析、隐私计算及智能感知等技术深度融合，为人工智能技术在智能检索、智慧医疗、社交媒体分析、智能推荐与安全多媒体应用等场景中的落地应用提供关键技术支撑，有效推动多模态智能计算理论发展与相关产业应用进步。

成果展示：

• Prototype-Based Federated Multi-Modal Hashing for Safe and Efficient Multi-Modal Retrieval：提出联邦多模态哈希框架，通过原型通信和原型增强策略，在保护数据隐私的同时，实现高效多模态数据融合，缓解联邦学习中的类别不平衡与统计异构性问题。
• Comprehensive Self-reflective Evaluation System for Large Multi-modal Models：构建多模态模型自反思评估系统，通过视觉、语言、稳健性三维指标体系和双通道自反思机制，实现对多模态模型的综合能力评估。
• Radiology Report Generation Via Multi-path Modeling with Medical Language Priors and Semantic Guidance：提出融合医学语言先验与语义引导的多路径框架，通过双流特征交互和显式语义对齐策略，实现精准的放射学报告生成。