周隆熙，南方科技大学生物医学工程系助理教授，博士生导师。在中国科学技术大学获得应用物理学、计算机科学与技术学士学位；在阿卜杜拉国王科技大学获得计算机科学的硕士和博士学位。研究方向包括高风险场景下的医学AI设计，新诊断通路和成像算法研发，开发AI工具探索新机制，以及医学影像AI的临床转化与产业应用。与多家医院、企业有深度合作关系，主导过临床AI的前瞻试验。

周隆熙课题组有丰富的私有数据，算力和临床试验资源。欢迎硕士生、博士生，博士后，访问学者加入。（请感兴趣的申请者把CV和相关资料发邮件给周隆熙老师）

教育背景
2014年-2019年 中国科学技术大学 本科
2019年-2021年 阿卜杜拉国王科技大学 硕士
2021年-2025年 阿卜杜拉国王科技大学 博士

工作经历
2026年-至今 南方科技大学生物医学工程系 助理教授

优势研究方向

方向1：亚视觉病变分析与可视化（核心优势：大量算法积累与临床试验资源）

现代AI有潜力识别肉眼无法捕捉的微弱病变，但这需要极强的算法支撑以避免“模型幻觉”。我们通过开发针对性的去噪与组织背景抑制算法（如消除肺部或脑部正常组织的背景），实现“模态显微镜”，在常规影像上直接展示极微小的数值异常；或者利用多模态配准提供客观真值，训练超越人类的AI后进行模型可视化。

策略优势： 这种“探索导向”研究具有极佳的风险收益比——进可发现新病灶、新机制，发表极高影响力论文；退可产出通用的去噪、配准与可视化算法，发表高质量技术期刊，确保科研产出的连续性与高水平。

方向2：多模态血管分割及下游任务（核心优势：拥有万例高质量多模态数据标注）

血管分割是手术规划、疾病检测及多模态配准的基石，但在MRI结构相等诸多模态中仍是未被开垦的处女地。填补这些空白不仅能显著提升跨模态配准精度，更将开启全新的诊疗视角：比如，利用常规平扫或MRI重构血管信息，有望实现对有创造影检查的低成本替代与风险预警；同时，通过挖掘特定疾病模型下潜在的血管形态学特征，揭示未知的病理关联与科学机制。

方向3：面向用户的可信AI（核心优势：直连医生与患者，洞察真实需求）

真正的可信AI不仅在于算法指标，更在于用户能否理解并合理运用。这也正是WHO《医疗AI伦理与治理》原则三（透明度与可理解性）及欧盟《AI法案》第13条（面向部署者的信息透明度）的要求。在真实临床部署中，解决用户提出的各类难以预料的疑虑，是我们构建可信AI的核心目的。

一般而言，我们采用三个途径：1）克服长尾分布：开发模拟算法，模拟极端案例训练模型；开发先进标准化与泛化算法。2）基于本体论的可靠算法：保证AI输出与物理现实存在必然的因果关系。3）流程易于整合：系统设计模块化，错误易追踪；输出可靠的后验概率。

方向4：多学科交叉创新与全栈医学AI工程（核心优势：博通物理、生物与医学的跨学科指导；覆盖全流程的算法积淀）

面向对医学AI有广泛兴趣，但尚未确定具体细分方向的本科及硕士生提供定制化的科研指导。周隆熙老师有深厚的跨学科背景（涵盖物理、生物、计算机及医学）及对医学影像全生命周期的技术掌控（从底层成像、去噪、超分、配准，到高层分割、分类，生存预测到前瞻临床试验）。

周隆熙老师擅长工程化落地与实际临床问题的解决。无论你想从物理原理优化成像质量，还是构建高可用的临床辅助系统，这里都能提供从理论到代码的全栈式经验，帮助你快速建立扎实的科研与工程能力。

代表论文

1. Yuetan Chu#, Longxi Zhou#, et al., “HorusEye: A self-supervised foundation model for generalizable X-ray tomography restoration” Nature Computational Science (Accept in Principle)

2. Longxi Zhou et al., “An interpretable deep learning workflow for discovering subvisual abnormalities in CT scans of COVID-19 inpatients and survivors” Nature Machine Intelligence, 4, 494–503 (2022).

3. Longxi Zhou et al., “A Rapid, Accurate and Machine-Agnostic Segmentation and Quantification Method for CT-Based COVID-19 Diagnosis”. IEEE Transactions on Medical Imaging, 29, 8, 2638-2652 (2020).