Automated Machine Learning and Human Interpretable Modeling for Biomedical Research and Clinical Application

生物医学前沿系列讲座

2025年10月22日，由基础医学院举办的清华大学生物医学前沿系列讲座（Frontier of Biomedical Seminar）第十一期在生物技术馆2201顺利举行，本期讲座由Cedars-Sinai计算生物医学系助理教授Ryan Urbanowic博士带来题目为“Automated Machine Learning and Human Interpretable Modeling for Biomedical Research and Clinical Application”的精彩报告。本期报告由梁冠翔老师主持。

梁冠翔老师对Ryan Urbanowic博士此次来访报告表示热烈欢迎。Ryan Urbanowic博士是西达赛奈医学中心计算生物医学助理教授，同时担任国家AI校园计划副执行主任及西达赛奈AI校园培训项目主任。西达赛奈与国家AI校园计划均采用导师制项目化学习模式，针对各类生物医学及现实世界问题，旨在帮助多元背景的参与者掌握在职业或研究中应用人工智能（AI）方法所需的信心与技能。他的研究兴趣横跨遗传学、基因组学、生物统计学、流行病学、机器学习与人工智能的交叉领域。他采用量化生物医学研究策略，主动拥抱而非回避预测因子与疾病终点间关系的复杂性。其实验室致力于开发与应用人类可解释的机器学习方法、通过人工智能实现自动化、遵循最佳实践的数据挖掘，以及避免分析假设的可扩展信息学方法。迄今其团队已开发包括新型机器学习算法、自动化机器学习工具及数据模拟器在内的软件包，如HEROS、STREAMLINE、ExSTraCS、ReBATE、FIBERS和GAMETES。他还是一位专注的教育者，录制了多种教学视频与讲座，并与其他学者合著了教材《学习分类器系统导论》。

Ryan Urbanowic博士做报告

报告中，Ryan Urbanowic博士向在座师生介绍道，目前人工智能（AI）方法正在飞速发展，对于不具备计算机科学或数据科学专业背景的研究人员而言，这些技术变得越来越触手可及。尽管这些进展令人振奋，但当前仍存在一个关键的需求：研究团队需要开发具备透明度和可解释性的AI与机器学习（ML）方法，以避免错误、限制假设、识别并纠正偏差的引入，从而促进基础研究中的知识发现。与此同时Ryan Urbanowic博士介绍了他们研究团队（URBS实验室）的工作成果，他们致力于应对生物医学数据分析中的常见挑战，并在开发AI/ML工具时优先考虑透明性与可解释性，以确保这些工具生成的模型及其他输出结果在生物医学应用场景中能够被充分理解并值得信赖。

基础医学院师生齐聚一堂，共同聆听 Ryan Urbanowicz 博士的精彩报告。Urbanowicz 博士以深入浅出的方式，系统梳理了生物医学数据分析中的常见陷阱，并强调在开发 AI/ML 工具时须将透明性与可解释性置于首位，确保模型及其输出在真实生物医学场景中“看得懂、信得过、用得上”，为在座师生带来了清晰而全面的启迪。

报告结束后，Urbanowicz 博士与多位教师进行“一对一”深度座谈，并与学生代表共进午餐。现场围绕科学研究范式、前沿技术落地、职业发展路径以及如何打造可解释 AI 工具以加速知识发现等议题展开热烈互动，气氛轻松而充实。