0.01%阿托品滴眼液与0.05%阿托品滴眼液的区别

金砖国家智库合作中方理事会年会于11月1日举办，阿5阿托品由对外经贸大学校长赵忠秀主持，阿5阿托品中共中央对外联络部副部长、金砖国家智库合作中方理事会会长郭业洲致辞，中共中央对外联络部研究室主任、金砖国家智库合作中方理事会秘书长金鑫作工作报告

每当遇到疑惑，托品滴眼碰到困难，感到迷茫的时候，徐教授总是耐心地帮我分析课题，殷切地教导我再看看某些方面的文献，细心地提示我忽略的细节。他用生命践行使命，滴眼液用情怀书写担当，生动诠释了上医 为人群服务的奉献精神。

1981年8月，区别徐苏恩（右三）参加马尼拉世界卫生组织西太区学校健康教育讨论会1985年8月，区别徐苏恩（右一）在美国听结核病权威Dr.Corustock教授介绍经验引领后辈前行徐苏恩老师知识渊博，学术造诣深厚，授课重点突出、语言生动、严谨精练。曾任上海第一医学院儿少卫生学教研室主任，阿5阿托品卫生部医学科学委员会卫生学专题委员会委员，阿5阿托品中华医学会儿少卫生学会顾问，中国学生营养促进会顾问、全国学校及学前卫生学会顾问，《中国学校卫生》杂志名誉总编辑等职务。促进学科发展徐苏恩教授著述甚丰，托品滴眼发表论文百余篇，出版专著或主编教材10余部。刘宝林深情地说：滴眼液我深知，自己这点成绩的取得同徐老的教海是分不开的。那么搞上一段时间，区别国内文献资料就会不断丰富起来，编教材更会有血有肉。

指导进修生在国内率先开展了双生子研究，阿5阿托品运用遗传流行病学双生子方法研究遗传和环境对儿童少年生长发育的影响。在儿少卫生事业发展的进程中，托品滴眼徐苏恩教授高屋建领，托品滴眼总是能站在时代的高度，针对需要解决的问题，提出研究思路，引领着儿少卫生学科的发展方向。今年，滴眼液复旦后勤人再次斩获佳绩

神经网络是一种模拟人脑神经元运作的数学模型，区别通过学习和模式识别，区别能够帮助医生解析和分析复杂的医学影像数据，从而提供准确的诊断和治疗建议。MICCAI 2023 颁奖现场借助大数据和算法，阿5阿托品医疗和技术的深度融合已经让AI医生逐渐融入人们的生活。因为通过概率图模型显式建模的变量都有实际的物理含义，托品滴眼医生可以通过可视化不同变量的后验分布来判断BayeSeg的决策过程是否正确，托品滴眼模型具有良好的可解释性。贝叶斯学习的医学影像分割泛化模型：滴眼液(a) 概率图模型，(b) 神经网络搭建与推断示意图。

不同变量后验的可视化图该项研究成果由复旦大学大数据学院2018级博士研究生高尚奇、2021级博士研究生周杭琪、2022级博士研究生高一博共同完成，通讯作者是庄吓海教授。今年在加拿大温哥华举办的第26届国际医学图像计算与计算机辅助介入大会(MICCAI2023)上宣布，会议方同时邀请了深度学习三巨头之一，神经网络之父，图灵奖得主Yann LeCun做会议主题报告。

MICCAlBest Paper Award 2023 Elsevier-Medical Image Analysis1st Prize该奖项于2004年设立，一年一评，旨在表彰医学影像人工智能领域年度最优秀的论文。2023年10月12日，复旦大学大数据学院庄吓海教授团队的论文BayeSeg: Bayesian modeling for medical image segmentation with interpretable generalizability获得爱思唯尔出版社、医学影像分析期刊和国际MICCAI学会联合颁发最佳论文奖（Elsevier-MedIA 1st Prize MICCAIBest Paper Award），成为第一篇以中国大陆研究机构(复旦大学)为第一单位的获奖论文。因此，我们从中产生灵感，希望能够约束神经网络使用学习到的形状轮廓知识做出分割判断。同时模型在面对未曾见过的数据时性能会急剧下降，难以保持强泛化能力。

相关工作得到了国家自然科学基金和上海人才发展基金的支持。之后使用变分贝叶斯框架来近似这些可解释变量的后验分布，并用神经网络实现该框架的训练与推断。今年，复旦大数据学院医学影像人工智能实验室（ZMIC Lab）在国际医学影像顶级会议MICCAI、IPMI获得多项奖项与提名，论文BInGo: Bayesian Intrinsic Groupwise Registration via Explicit Hierarchical Disentanglement 医学影像信息处理大会（IPMI）Francois Erbsmann Prize（最佳论文奖）runners-up，论文A Reliable and Interpretable Framework of Multi-view Learning for Liver Fibrosis Staging 提名MICCAI 2023 Best Paper Award与MICCAI学会青年科学家奖。这为人们提供了更多就医便利，并提供了疾病诊断的支持。

同时，在前列腺分割和心脏分割任务上的实验结果表明，BayeSeg也展现出了良好的泛化能力。然而，神经网络难于解释的黑盒子性质极大地限制了医学图像分割人工智能在临床中的应用：我们难以及时了解什么时候、哪些情况下人工智能的判断可能会出错，需要医生的再次检查。

对于一个初出茅庐的人类医学生，只要牢记基本的器官形状，即使面对不熟悉的医学图像，也能取得不错的分割效果。基于以上想法，团队提出了一种可解释的贝叶斯分割框架（BayeSeg），对图像进行变量分解，分离出表示形状的变量和表示图像外观的变量，将分割变量限制仅与形状变量相关，并联合图像和其对应的分割标签进行显式统计建模。

在医学领域中，人工智能的重要应用之一是神经网络在医学影像分割方面的应用复旦大学类脑智能科学与技术研究院冯建峰教授、程炜研究员、复旦大学附属华山医院郁金泰教授为论文共同通讯作者。图1：课题研究思路研究团队基于英国生物样本库（UK Biobank）队列数据，对其45种常见疾病及死亡进行了中位数时长超14年的追踪随访。当地时间2023年11月28日，相关研究成果以《血浆蛋白质组学数据预测未来健康风险》（Plasma proteomic profiles predict individual future health risk）为题发表于《自然·通讯杂志》（Nature Communications）。未来课题组将聚焦于如阿尔茨海默病、帕金森病、抑郁、焦虑等与脑相关的重大疾病，进一步围绕蛋白质组学数据与神经精神疾病的关系开展研究，发掘新的蛋白标志物并探究其内在机制，为脑疾病早期诊断、预测和进展评估奠定理论基础。在绝大部分结局中，单独ProRS的预测表现较常用的三组预测因子相当或更好，包括年龄+性别、血清指标（SERUM,25个指标）或临床因子组合（PANEL,54个指标）。

对于痴呆，NEFL、BCAN、GFAP和GDF15是影响疾病风险的主要蛋白质，ACTA2、LTBP2和NCS1是新发现的与痴呆风险相关的重要蛋白。例如，在对所有系统疾病以及全因死亡的预测中，GDF15的重要度都位居前1%。

这一结果证明蛋白质组学是未来精准医疗的绝佳切入点，让人对其未来的应用前景充满希望，一滴血预测未来疾病风险或将真的实现。图4：ProRS的校准曲线和决策曲线进一步，研究评估了预测模型的临床效用，采用了模型校准和决策曲线分析。

高通量蛋白质测序技术的发展为生物医学和临床研究提供了全新的视角和丰富的数据，进一步与人工智能算法的交叉融合，为解析疾病发生发展机制以及临床诊疗实践提供前所未有的契机。研究采用迄今为止全球最大的蛋白质组学数据（52,006被试），通过对OLINK平台检测的1,461种血浆蛋白质测序数据进行建模分析，开发了一款全新的基于神经网络的蛋白风险评分（Proteomic Risk Score, ProRS），该评分对呼吸系统疾病、循环系统疾病、糖尿病、肺癌、前列腺癌预测效能超85%，对全因死亡、痴呆、肾衰竭、肥胖、慢性肺栓塞预测效能超80%。

复旦大学类脑智能科学与技术研究院的博士后尤佳、复旦大学附属华山医院博士生郭钰、张一为共同第一作者。在决策曲线分析中，和常用的两组预测因子相比（年龄+性别、临床因子组合），仅基于ProRS的模型在大多数疾病中显示出更大的净效益。单独使用ProRS预测时，Cox比例风险回归模型在10个结局中得到的Harrell C指数超过0.8。本研究中发现的重要蛋白对相关疾病的预防策略和治疗措施提供了重要靶点。

以癌症为例，较高的血浆CXCL14、GDF15、HAVCR1、CDCP1、TSPAN1、LTBP2和ACTA2可能会导致癌症风险升高，而较高的血浆RET水平显示出保护作用。既往针对蛋白质组学的研究往往聚焦于研究人员各自感兴趣的某类疾病，且更多局限于小样本横断面的病例-对照研究，本研究首次采用超5万例个体的血浆蛋白质数据并探究其对多种纵向健康终点事件的预测效用，是一项开创性的工作。

此外CDCP1、CXCL17、EDA2R和HAVCR1在超过10个系统疾病中也均表现出重要的预测价值。这表明ProRS和整体健康密切相关。

图3：ProRS对比不同预测因子组合研究还深入探讨了ProRS的预测能力。这些标志物为疾病早期识别和治疗干预提供了新的潜在靶点，也为临床实验和研究提供新的方向。

将ProRS三等分把人群划分为高、中、低ProRS人群后，可观测到高ProRS人群，其16种疾病和4种特定原因死亡的发生率较低ProRS人群增加超过5倍，特别是在呼吸系统以及循环系统引起的死亡、痴呆、糖尿病和肥胖中，其风险超过20倍。图5：蛋白在系统性健康疾病预测中的作用最后，研究团队还通过夏普值(SAHP value)对血浆蛋白重要度进行排序，结果表明一些蛋白质在预测多种系统疾病及死亡结局中都发挥着至关重要的作用。研究人员表示，研究结果非常令人兴奋，他们发现，蛋白质组学数据可以对多种疾病和死亡风险具有很好的预测效能，并且在相当一部分疾病中蛋白质的预测表现显著优于既往临床预测指标。研究结果支持血浆蛋白质组学数据的广阔应用前景，对疾病早期预警与精准防控具有重要意义。

其中45种结局涵盖国际疾病分类第十版中的（International Classification of Disease 10th Revision, ICD-10）全因死亡和全部系统性疾病，包括感染性、血液、内分泌、精神、神经、感官、循环、呼吸、消化、皮肤、肌肉骨骼、泌尿生殖和癌症等重大健康结局。图2：ProRS对各疾病及死亡的关联散点图和风险分层图研究团队发现，高水平ProRS个体相较于低水平个体，其所有系统性疾病的发生率和全因死亡率均显著升高，且ProRS与年龄和性别显著相关。

不同预测指标组合都显示出良好的校准。且在一部分结局中，单独ProRS的表现显著优于血清指标和ProRS的组合，说明ProRS包含有更丰富的预测信息。

近日，复旦大学类脑智能科学与技术研究院程炜研究员/冯建峰教授团队与复旦大学附属华山医院郁金泰教授团队展开联合攻关，基于血浆蛋白质组学数据和人工智能算法研发了全新的蛋白风险评分，实现对未来多种疾病及死亡等重大健康结局的预测，并验证其在临床应用中的价值。该研究得到了科技创新2030脑科学与类脑研究重大项目、国家自然科学基金、国家重点研发计划、上海市市级科技重大专项等经费支持。