该方向旨在开发先进的人工智能工具，通过对健康医疗大数据的智能分析，实现对疾病的风险预测、疾病的智能诊疗及患者预后预测。通过逐步高效融合跨尺度多模态大数据，建立覆盖慢性病“预防-诊断-治疗-管理”全链条的高精度风险预测模型。实验室团队在生物学年龄模型构建、表观年龄与慢病共病、电子病历（包括检验结果、非结构文本、影像检查等）人工智能挖掘等方面开展多项原创性研究。此外，实验室还正在推进健康人群及高危人群的患病风险评估评级模型优化，建立综合性慢病管理应用平台，以实现个体化的风险预警预测。

1.构建生物学年龄模型

全球人口正步入老龄化阶段，而老龄化是各种慢性病的主要危险因素之一，给社会经济、政治及医疗都带来巨大的挑战。然而衰老的机制十分复杂，年龄并不能准确地衡量机体的生理性衰老。因此，该研究模块旨在通过表型年龄来了解整体的健康状况，识别衰老速度超过正常衰老水平的人群即处于衰老高风险状态的人群；根据对表观年龄的变化的追踪，来识别影响促进衰老的风险因素，并且通过调整和控制风险因素，达到保持健康和延缓衰老的作用。例如，实验室依据美兆体检队列数据，构建了涵盖肝、肺、肾、代谢系统、心血管系统、免疫系统功能指标的生物学年龄模型。并依托该模型，分析了表观年龄与包括癌症在内的7种慢性疾病患病的相关性，发现表观年龄增加与慢性病患病风险增加相关。

2.构建基于电子病历的临床辅助诊断系统

医疗领域的数字化与自动化程度在不断提高，产生了海量医疗数据，而传统研究模式主要为结构化特征筛选与基于统计的分析方法，未充分结合非结构化医学文本等临床多源信息。研究旨在基于电子病历与人工智能算法，对临床多源信息进行挖掘与高效融合，包括检验结果、非结构文本、影像检查等数据，进而构建高效而客观的临床辅助诊断系统，如烧伤患者的气管切开必要性评估，结合临床数据与机器学习构建辅助决策系统与临床适用的量表；住院患者过敏反应的监测，利用自然语言处理技术对住院报告进行自动分析而识别过敏反应；精神类疾病的辅助诊断，基于患者的问诊记录及各项检查报告，开发精神疾病的临床表型自动提取和疾病自动诊断模型。

3. 利用自然语言处理识别的病理特征评估黑色素瘤患者肿瘤浸润淋巴细胞的预后意义

实验室利用人工智能技术深入挖掘健康医疗大数据，发现了肿瘤浸润淋巴细胞（TIL）的预后价值。为解决人工审查病历此类密集型劳动，填补既往缺乏综合临床和组织病理学特征的大型患者队列的研究空白。实验室研究团队通过自然语言处理(NLP)算法建立的大型队列，评估了肿瘤浸润淋巴细胞TIL在皮肤黑色素瘤患者中的预后意义。研究表明，活跃的TIL是原发性皮肤黑色素瘤患者OS的独立预后因素。研究还提出，NLP是一种高效工具，可以促进涉及自由文本临床数据的大规模分析。

机房建设