n  可信性机器学习理论研究

该研究方向主要针对深度学习模型数据驱动且高度非线性的构造原理导致缺乏可信性的问题，建立机器学习模型可信性标准，并以此为标准分别从解释性、鲁棒性、适应性和迁移性角度提出有针对性的模型和算法，研究新的理论模型，提升机器学习在医疗诊断的可信度，打造更可信的机器学习。

n  复杂场景图像分析（计算机视觉）

     该研究主要解决计算机视觉复杂背景及目标的分析问题，比如多尺度目标检测与分割，弱监督检测与分割，多标签图像分类，图像质量评价，基于内容影像检索，复杂场景目标跟踪、OCR等。

n  医学信息复杂数据分析与大数据挖掘

该研究方向主要针对临床大数据所具有的高特征维度、标签缺乏、数据分布复杂、多时变等数据复杂特性，设计出高效的学习算法，构建解决不同临床任务的预测模型，完成疾病诊断及预测分析，从而为医生的临床诊断和治疗提供更加准确、全面和直观的信息，提升疾病诊断、预后预测、精准治疗和疗效跟踪评估的能力，挖掘数据中蕴含的可用于疾病诊疗的医学知识。

n  脑网络构建及脑疾病诊断分析

该研究方向以重大神经和精神疾病的临床应用为目标，基于脑网络分析探索脑功能障碍与脑疾病相关的潜在结构性破坏之间的关联。建立影像的脑网络计算理论体系,研究脑网络的构建以及脑疾病状态下脑网络的变化规律,并在此基础上探索重大脑疾病早期诊断及预后评价的影像学标志研究成果有助于加深对精神疾病发病机制的理解，提高疾病诊断准确率，为临床个性化的诊疗提供决策上的支持，提供临床早期诊断和疗效评价客观的标记物。