本项目旨在研究基于动态光学影像的乳腺肿瘤良恶性分类方法，重点在于提升分类模型的准确性和鲁棒性，为医生进行乳腺肿瘤良恶性诊断提供可靠参考。项目的研究内容包括以下几个方面： 1、数据预处理与特征提取 针对动态光学影像采集过程中获得的多种类型数据，开展系统的预处理工作，包括去噪、归一化和标准化处理。结合乳腺肿瘤良恶性分类的需求，探索和提取能够有效表征肿瘤特性的多维特征，例如动态光学数据中的时间、频率和空间信息。 2、多个基础分类模型的构建与优化 充分研究多种类型的动态光学影像与提取的图像特征，结合病人的生理信息，基于逻辑回归、对比学习、注意力机制等多种理论方法，构建了9个基础分类模型，对乳腺肿瘤的良恶性分类进行初步探索。通过交叉验证评估各模型的性能，结合数据特性选择最优基础模型，并优化模型的超参数和结构。 3、基于贝叶斯理论的集成学习方法 在基础分类模型的基础上，深入研究不同模型之间的特性互补性，探索集成学习在乳腺肿瘤分类中的应用，尝试多种融合策略，包括基于不确定度评估的动态集成选择模型、基于贝叶斯理论的深度集成模型、基于特征差异性的动态集成模型，通过整合多个优化模型，进一步提升整体分类系统的准确性和鲁棒性。 4、模型验证与评估 利用真实临床数据和实验数据对最终分类系统进行全面验证，评估其在乳腺肿瘤良恶性分类中的准确性、敏感性、特异性等关键指标。结果表明，在55例测试集上的最优测试结果可以达到：准确率88%，敏感度89%，特异度87%。证明了，本项目研究方法的有效性，为未来在临床中的推广应用提供理论依据。

运动目标在线识别与跟踪系统（DigiMOD）由应用力学研究团队自主研制，拥有自主知识产权， 典型应用场景为户外或野外环境条件下运动目标 360°、24 小时不间断监测、预警（自带锂电池供 电）。关键技术指标：①分辨率：720×756；②帧率：25fps；③视场角：360°；④监测距离：100 米； ⑤功耗：60 ～ 70 瓦；⑥供电方式：便携式锂电池；⑦预警准确率：>85%；⑧适用场合：户外、野外。

本项目拥有一套全链条的领域知识图谱技术，包括：领域知识图谱自动化构建技术，知识图谱管理平台及可视化技术，基于知识图谱的智能查询、智能问答、智能推荐、智能推理等算法库一套，基于知识图谱的可视化决策支持技术等。目前已构建了电磁空间一体化知识图谱、跨域资源协同探测知识图谱、航天热点事件分析评估知识图谱，并分别基于所构建的知识图谱研发了面向客户需求的信息查询、可视化、问答、推理等应用。成果转化或推广模式，一方面是面向企业，针对其所处的垂直领域及业务需求，提供知识图谱构建及上层应用开发服务；另一方面是将构建好的知识图谱及应用作为软件，推广到相对应的企业。

癌症精准诊疗是通过分析个人基因突变为癌症患者制定个性化治疗方案，本项目采用先进的智能机器学学习理论及算法，构建基因计算模型及系统，VarDDT，其能够采用高通量测序数据实现癌症基因组多种变异检测及靶向药物定位，即能够全面、高效地检测单位点变异(SNP)及结构性变异(包括拷贝数变异，插入/缺失，融合基因，倒置及易位)，并依据这些变异准确定位癌症，靶向药物，从而到达精准医疗目的。VarDDT的panel涵盖404种癌症药物且在不断扩展。VarDDT能够利用癌组织单样本测序检测多种变异，无需癌旁组织的测序数据，使得整体成本下降。与其他方法相比，VarDDT具有准确度高、检测效率高等特点。

本项目设计了Web系统初步的功能，具有多人协作，地图数据显示、增删改图斑、遥感图例展示、导出地图和目标检测的功能，达到了项目预期的目标。 地理数据的web服务端我们选择了GeoServer。作为一种开源GIS服务器，它可以很方便的本地化，便捷地发布空间地理信息数据，并且每个用户都能对这些数据进行一些基础操作，比如导出、插入、更新、迁移等。Geoserver需要在服务器托管容器运行才可以被访问，我们在这里使用了Tomcat。Tomcat是一个小型的轻量级应用服务器，在启动服务时，它占用的系统资源很少。此外，Tomcat支持负载平衡、并发服务等开发项目时的常用功能，非常适合并发用户较少的小型服务器项目，是开发、调试、维护小型服务器的首选。 在web交互端，我们使用了OpenLayers进行地图操作的交互。OpenLayers与geoserver契合度很高，提供了很多函数对地图数据进行操作和显示。它也是一个开源的项目，其设计之意是为其目标用户提供强大的地图展示功能，包括空间地理数据的显示与一些其他的相关基础操作，并具有灵活的扩展机制。在前端渲染上，我们使用Layui进行包装。Layui是一款采用自身模块规范编写的前端UI框架，在服务端有很好的效果，并且轻量化，UI简洁美观。 web后台端选择了Flask。Flask是基于Python开发的框架，较其他同类型框架更为灵活、轻便、安全且容易上手。之所以选择Flask来开发，一是解译算法的开发语言也是Python，统一开发语言便于开发和维护；二是Flask拥有灵活的Jinja2模板引擎，提高了前端代码的复用率；三是扩展性强，对于数据库访问、验证Web表单和用户身份认证等一系列功能，Flask框架是不支持的，这些可以通过扩展组件的方式来实现。