2022-04-01 -至今浙江数智工场算法工程师

针对全切片图像数据的标注缺失和训练数据稀缺问题，提出了一种称为 SCMIL（A SAM-Based Causal Multiple Instance Learning）的基于分割模型 SAM 的因果多实例学习框架，以应对多实例学习中容易 学习到虚假关联的挑战。SCMIL 通过引入因果学习的思想，构建了多实例学习任务的因果结构图， 进而实现因果推断。建立了一个针对多实例学习的因果结构图，设计了两种混杂因子字典，同步应 用前门调整和后门调整方法。有效消除了多实例学习任务中的虚假关联。在癌症转移检测数据集 Camelyon16 上，SCMIL 在全切片图像分类任务上不仅提升了多种多实例学习方法的准确率，还验证 了其相比于现有最佳多实例因果学习框架的优越性。在模型解释性的角度，通过绘制热力图，进一步 说明实验结果的提升是消除虚假关联产生。此外，也在膀胱癌数据集上验证了 SCMIL 在生存预测任 务中的有效性。

2022-09-30 - 2025-03-30浙江大学计算机技术硕士

2017-09-01 - 2021-06-30哈尔滨工业大学计算机科学与技术专科