新加坡国立大学广州创新研究院（以下简称“研究院”）博士奖学金由广州市黄埔区提供，目标是依托新加坡国立大学（以下简称“新国大”）丰富优质的教育资源，为广州市黄埔区培养和输送具有全球视野、掌握前沿科技知识、能充分应对21世纪挑战的高素质博士人才。我们将在本栏目持续更新学子们在新国大的进步与收获，记录这些青年学者的成长轨迹。

近日，新加坡国立大学广州创新研究院博士奖学金得主、新国大医疗人工智能专业博士二年级的邢宇程同学，以共一作者身份在人工智能领域顶级期刊 IEEE Transactions on Fuzzy Systems 上发表重要研究成果。

论文链接：https://ieeexplore.ieee.org/document/11214415

邢宇程与团队的研究聚焦于医疗人工智能中一个关键问题：如何在数据来源多样、质量不一的真实医疗场景中，提供既准确又可靠的预测结果。他们提出了一种深度学习模型“EsurvFusion”，该模型不仅能够融合多模态医疗数据给出患者生存时间预测，还能量化不同来源数据的可信度，自动降低噪声数据的干扰，为临床提供更稳健、透明的决策参考。

邢宇程：现实中的医疗数据往往不完整、存在噪声，而且来自不同来源（比如影像、基因和临床信息），直接融合容易产生不稳定甚至误导性的结果。我们的方法不仅给出预测结果，还能同时告诉医生“这个结果有多可靠”，并根据不同数据来源的可信程度进行综合判断，从而为临床决策提供更稳健的参考。

学子专访

邢宇程，新加坡国立大学苏瑞福公共卫生学院医疗人工智能专业的博士二年级研究生，新国大广州创新研究院博士奖学金得主。他的导师是研究院学术带头人（Principal  Investigator）、新加坡国立大学副教授冯梦凌。邢宇程本科毕业于北京航空航天大学，主修经济统计学与数学，硕士毕业于新加坡国立大学统计学专业，具备扎实的数理统计与跨学科背景。他目前的研究方向为不确定性量化、信息融合与生存分析。

Q: 你为什么会选择现在的研究方向？

A：我目前的主要研究兴趣集中在不确定性量化、信息融合以及生存分析方向，尤其关注其在医疗人工智能中的理论建模与实际应用。在硕士阶段，我曾参与相关研究工作，系统接触了深度学习在医学数据中的应用，逐渐认识到真实医疗数据中普遍存在的不完整性、不确定性以及多模态异质性问题。

在这一过程中，我对如何在模型中显式刻画和融合不确定性产生了浓厚兴趣，并进一步意识到仅追求预测精度往往难以满足临床决策对可靠性与可解释性的要求。因此，我选择在博士阶段继续深入该研究方向，探索结合不确定性量化与信息融合的生存分析方法，旨在提升医疗人工智能模型在复杂真实场景下的稳定性、可信度与临床实用性。

Q: 你的研究如果能改变世界的一小部分，你希望它改变什么？

A：我希望它能提升医疗人工智能模型的可靠性与可信度，让模型在面对不确定和不完整数据时，更好地服务真实临床决策，而不仅停留在理想化实验环境中。

Q：请分享下你目前的读博体验，你觉得博士生活和你之前预想的一样吗？你的导师或实验室团队对你产生了怎样的影响？

A：读博整体上比我最初预想的更具不确定性。真正的挑战不只是技术难度，而是在长期探索中需要面对研究方向反复、结果不稳定与自我怀疑等问题。不过也正是在不断试错中，我逐渐学会独立提出问题，并从中获得持续的成就感，这是意想不到的收获。

我的导师冯梦凌教授在研究视角和学术判断上给予我极大帮助，他尤其强调研究问题的本质与长期价值。实验室开放、支持性的氛围也让我受益良多。非常感谢导师的耐心指导，以及团队成员在讨论和合作中的坦诚交流。

Q：请给刚入学的博士学弟学妹们一些建议。

A：我建议大家在科研上尽早建立对问题的判断力，而非只关注方法；心态上要接受“不确定性”是读博常态；生活上建议保持合适的节奏。博士不是短跑，而是一场需要长期自洽与耐心坚守的探索之旅。

下面让我们来详细了解一下邢宇程与团队近期发表的这项研究。

EsurvFusion：一种基于认知随机模糊集的多模态生存预测可信融合模型

研究背景与意义

在多模态医疗数据融合中，高异质性、高噪声与生存时间截尾是核心挑战。多模态生存分析尤其面临数据异质性强、噪声大且删失普遍的问题，而现有融合方法难以同时保证预测精度、可靠性与可解释性。 因此，引入能够进行显式不确定性建模与可靠性评估的融合机制，成为推动AI在临床决策中走向可信、可用的关键。

本研究旨在构建一个可靠、透明的融合模型，使AI不仅能提供精准的生存预测，还能说明其预测的可信度与依据，真正为临床决策提供有效支持。

核心创新点

本研究提出的EsurvFusion模型，其核心创新在于通过高斯随机模糊数对生存预测中的不确定性进行统一建模，并结合模态可靠性学习与证据级融合机制，构建了一个同时具备高精度、高可靠性与可解释性的融合框架，在多癌种数据上实现了更优的预测性能与校准表现。

结语与展望

本研究提出的EsurvFusion模型，在多模态生存预测任务中实现了精度、可靠性与可解释性的协同提升。该方法为不确定性可控的多模态医疗预测提供了一个通用框架，不仅可用于癌症生存分析，亦有望扩展至其他疾病的风险分层与临床辅助决策。此外，其模块化、可解释的融合机制，使其具备与多模态基础模型及真实医疗信息系统深度结合的潜力，为下一代可信赖医疗智能系统的发展提供技术路径。

感谢邢宇程同学的分享。期待他和团队的研究成果能够早日应用于临床实践，让前沿人工智能技术以更可靠、更稳健的方式服务于人类健康事业。