2023-24 武田研究员：推进人工智能与健康交叉领域的研究

工程学院在2023-24学年选拔了13名新的武田研究员。在武田的支持下，研究生将开展开创性的研究，从虚拟临床试验的远程健康监测到用于家庭长期诊断的可摄取设备。

麻省理工学院-武田计划现已进入第四个年头，是麻省理工学院工程学院与武田的合作项目，旨在推动人工智能能力的开发和应用，以造福人类健康和药物开发。作为安利捷健康机器学习诊所的一部分，该计划融合了不同的学科，融合了理论和实践实施，结合了算法和硬件创新，并在学术界和工业界之间建立了多维合作。

2023-24年度武田研究员是：

亚当·吉拉赫

Adam Gierlach 是电气工程和计算机科学系的博士候选人。Gierlach的工作将创新的生物技术与机器学习相结合，创造了用于高级诊断和治疗的可摄取设备。在他之前的工作中，Gierlach开发了一种非侵入性、可摄入的设备，用于对自由移动的患者进行长期胃部记录。在武田奖学金的支持下，他将在这项开创性工作的基础上，开发由专用集成电路驱动的智能、节能、可摄取设备，用于家庭长期诊断。这些革命性的设备能够识别、表征甚至纠正胃肠道疾病，代表了生物技术的前沿。Gierlach的创新贡献将有助于推进肠道神经系统的基础研究，并有助于更好地了解帕金森病、自闭症谱系障碍和其他流行疾病和病症中的肠脑轴功能障碍。

维韦克·戈帕拉克里希南

Vivek Gopalakrishnan是哈佛-麻省理工学院健康科学与技术项目的博士候选人。Gopalakrishnan的目标是开发生物医学机器学习方法，以改善人类疾病的研究和治疗。具体来说，他采用计算建模来推进微创、图像引导神经外科手术的新方法，为开放性脑部和脊柱手术提供了一种安全的替代方案。在武田奖学金的支持下，Gopalakrishnan将开发实时计算机视觉算法，通过从多模态神经成像数据中提取和融合信息，提供高质量的3D术中图像引导。这些算法可以让外科医生从X射线血管造影中重建3D神经血管系统，从而提高设备部署的精度，并能够更准确地定位健康与病理解剖结构。

何昊

何昊是电气工程与计算机科学系的博士生。他的研究兴趣在于生成式人工智能、机器学习及其在医学和人类健康中的应用，特别强调被动、连续、远程健康监测，以支持虚拟临床试验和医疗保健管理。更具体地说，他的目标是开发值得信赖的人工智能模型，以促进公平获取并提供不受种族、性别和年龄限制的公平表现。在他过去的工作中，他开发了应用于帕金森病、阿尔茨海默病和癫痫临床研究的监测系统。在武田奖学金的支持下，他将开发一种用于被动监测睡眠阶段的新技术（使用无线电信号），旨在解决不同人口群体之间现有的表现差距。他的项目将使用生成式人工智能和多模态/多领域学习来解决可用数据集中的不平衡问题，并解释亚群之间的内在差异，目标是学习对不同亚群不变的鲁棒特征。他的工作为向所有人提供先进、公平的医疗保健服务带来了巨大的希望，并可能对医疗保健和人工智能产生重大影响。

成义龙

龙成义是土木与环境工程系的博士生。Long的跨学科研究整合了物理学、数学和计算机科学的方法论，以研究生态学中的问题。具体来说，Long正在开发一系列潜在的突破性技术来解释和预测生态系统的时间动态，包括人类微生物群，这是健康和医学研究的重要课题。他目前的工作得到了武田奖学金的支持，重点是开发一个概念、数学和实践框架，以了解微生物系统中外部扰动与内部群落动态之间的相互作用，这可能是寻找健康管理生物解决方案的关键一步。他的研究范围更广阔，是开发人工智能辅助平台，以预测微生物系统不断变化的行为，这可能有助于区分健康和不健康的宿主，并设计益生菌来预防和缓解病原体感染。通过创造解决这些问题的新方法，Long的研究有可能为医学和全球健康做出巨大贡献。

奥马尔·莫哈末

Omar Mohd 是电气工程和计算机科学系的博士候选人。Mohd的研究重点是开发microRNA空间分析的新技术，在癌症研究中具有潜在的重要应用。通过微技术和人工智能图像分析的创新组合，以测量组织样本中microRNA的空间变化，Mohd希望获得对癌症耐药性的新见解。这项工作由武田奖学金支持，属于新兴的空间转录组学领域，该领域旨在通过检查细胞的相对位置及其在组织中的内容物来了解癌症和其他疾病。Mohd当前项目的最终目标是在组织中找到可能对癌症患者具有预后价值的多维模式。他工作的一个重要组成部分是与Beth Israel Deaconess医学中心和哈佛医学院的合作者共同开发的开源AI程序，用于自动检测组织样本中其他细胞类型的癌症上皮细胞，并将其丰度与microRNA的空间变化相关联。通过他的研究，Mohd在微系统技术、基于人工智能的图像分析和癌症治疗的界面上做出了创新贡献，这可能会对医学和人类健康产生重大影响。

朴尚铉

Sanghyun Park是机械工程系的博士生。Park专注于人工智能和生物医学工程的整合，以应对人类健康中的复杂挑战。凭借他在聚合物物理学、药物递送和流变学方面的专业知识，他的研究重点是用于药物递送的原位成型植入物 （ISFI） 的开创性领域。在武田奖学金的支持下，Park目前正在开发一种专为长期给药而设计的注射制剂。他研究的主要目标是通过使用先进的人工智能工具进行全面的建模和体外表征研究，揭示ISFI制剂中药物颗粒的压实机制。他的目标是彻底了解这种独特的压实机制，并将其应用于药物微晶，以实现长期药物递送的最佳特性。除了这些基础研究之外，Park的研究还侧重于通过专门针对延长药物释放持续时间和改善机械性能的动物研究，将这些知识转化为临床环境中的实际应用。人工智能在开发先进药物输送系统方面的创新应用，加上Park对压实机制的宝贵见解，可能有助于改善长期药物输送。这项工作有可能为慢性病的有效管理铺平道路，使患者、临床医生和制药行业受益。

彭怀耀

彭怀耀是生物工程系的博士生。Peng的研究兴趣集中在工程组织、微纳加工平台、癌症转移和肿瘤微环境。具体来说，她正在推进新的人工智能技术，用于开发高级别浆液性卵巢癌（HGSOC）的癌前类器官模型，HGSOC是一种特别致命且难以治疗的癌症，目的是获得对进展和有效治疗的新见解。Peng的项目得到了武田奖学金的支持，将成为首批使用在许多HGSOC患者输卵管中发现的浆液性输卵管上皮内癌病变的细胞的项目之一。通过研究小分子抑制剂治疗后发生的细胞和分子变化，她希望确定HGSOC的潜在生物标志物和有前途的治疗靶点，包括HGSOC患者的个性化治疗方案，最终改善他们的临床结果。Peng的工作有可能在癌症治疗方面取得重要进展，并刺激人工智能在医疗保健领域的创新应用。

普里扬卡·拉加万（Priyanka Raghavan）

Priyanka Raghavan是化学工程系的博士生。Raghavan的研究兴趣在于预测化学的前沿，整合计算和实验方法，为包括药物发现在内的重要社会应用构建强大的新预测工具。具体来说，Raghavan正在开发新的模型，以预测小分子底物的反应性和相容性，在数据很少的制度（最现实的制度）中。武田奖学金将使Raghavan能够突破其研究的界限，创新地利用低数据和多任务机器学习方法、合成化学和机器人实验室自动化，目标是创建一个自主的闭环系统，用于在未被充分探索的反应中发现高产有机小分子。Raghavan的工作旨在确定新的、多功能的反应，以扩大化学家的合成工具箱，使用可以构成基本药物基础的新型支架和底物。她的工作有可能对早期小分子发现产生深远的影响，并可能有助于使漫长的药物发现过程更快、更便宜。

宋志烨

Zhiye “Zoey” Song 是电气工程与计算机科学系的博士生。Song的研究整合了机器学习（ML）和硬件优化的前沿方法，以创建下一代可穿戴医疗设备。具体来说，Song正在开发在低功耗医疗设备中节能实施ML计算的新方法，包括可穿戴超声“贴片”，该贴片可以捕获和处理图像以实现实时决策能力。她最近的工作是与临床医生合作进行的，主要集中在膀胱容量监测上;其他潜在应用包括血压监测、肌肉诊断和神经调控。在武田奖学金的支持下，Song将在这项有前途的工作基础上，对现有的可穿戴设备技术进行关键改进，包括开发低计算和低内存的ML算法和低功耗芯片，以在智能可穿戴设备上实现ML。Song研究产生的技术可以在医疗保健领域提供令人兴奋的新功能，实现强大且具有成本效益的即时诊断，并扩大个人获得自主和连续医疗监测的机会。

王佩琪

王佩琪是电气工程与计算机科学系的博士生。Wang的研究旨在开发机器学习方法，用于从医学图像和相关临床数据中学习和解释，以支持临床决策。他正在开发一种多模态表示学习方法，该方法将大量医学图像和文本数据中捕获的知识结合起来，将这些知识转移到新的任务和应用中。在武田奖学金的支持下，Wang将推进这一有前途的工作，以构建强大的工具，以解释图像，从稀疏的人类反馈中学习，并像医生一样进行推理，从而为医疗保健领域的重要利益相关者带来潜在的重大利益。

吴奕迅

吴昊阳是化学工程系的博士生。Wu的研究整合了量子化学和深度学习方法，以加速新药开发中的小分子筛选过程。通过识别和自动化寻找过渡态几何形状和计算新反应的势垒高度的可靠方法，Wu的工作可以对筛选大量活性药物成分（API）的反应性所需的反应速率进行高通量从头开始计算。武田奖学金将支持他目前的项目：（1）开发用于高通量量子化学计算的开源软件，重点关注类药物分子的反应性，以及（2）开发可以定量预测API氧化稳定性的深度学习模型。Wu的研究产生的工具和见解可以帮助改变和加速药物发现过程，为制药和医学领域以及患者带来重大利益。

杨淑贞

Soojung Yang是材料科学与工程系的博士生。Yang的研究应用了几何深度学习和生成建模的尖端方法，以及原子模拟，以更好地理解和模拟蛋白质动力学。具体来说，Yang正在开发生成式AI中的新工具，以探索蛋白质构象景观，这些景观比基于物理的模拟提供更高的速度和细节，而且成本要低得多。在武田奖学金的支持下，她将以她在粗粒蛋白质向全原子分辨率的反向转化方面的成功工作为基础，旨在建立机器学习模型，以桥接蛋白质构象多样性的多种尺寸尺度（全原子、残基水平和结构域水平）。杨的研究有可能为研究人员提供一种强大且广泛适用的新工具，这些研究人员试图了解人类疾病中复杂的蛋白质功能，并设计治疗和治愈这些疾病的药物。

杨宇哲

杨宇哲是电气工程与计算机科学系的博士生。Yang的研究兴趣在于机器学习和医疗保健的交叉领域。在他过去和现在的工作中，杨开发并应用了创新的机器学习模型，以解决疾病诊断和跟踪中的关键挑战。他的许多显着成就包括创建了首批基于机器学习的解决方案之一，该解决方案使用夜间呼吸信号来检测帕金森病 （PD）、估计疾病严重程度和跟踪 PD 进展。在武田奖学金的支持下，Yang将扩展这项有前途的工作，使用睡眠呼吸数据开发基于人工智能的阿尔茨海默病（AD）诊断模型，该模型比目前的诊断工具更可靠、更灵活、更经济。这种被动的、家庭的、非接触式的监测系统——类似于一个简单的家庭Wi-Fi路由器——还将实现远程疾病评估和持续的进展跟踪。杨的开创性工作有可能推进帕金森病和阿尔茨海默病等流行疾病的诊断和治疗，并为使用可靠、负担得起的机器学习工具解决许多健康挑战提供了令人兴奋的可能性。