课题背景：近年来，大语言模型（LLM）与多模态大模型（MLLM）技术快速发展，在自然语言处理（NLP）领域，LLM 已在文本翻译、阅读理解等任务中确立了新的 SOTA 标准；与此同时， MLLM 通过引入视觉等编码器，实现了跨模态的语义对齐，在图文问答、视觉推理等复合任务中同样取得了突破性进展。 这些技术正在全面赋能医学领域： 一方面，LLM 广泛应用于以文本为核心的场景，如智能医患对话、病历信息提取、临床指南检索及出院报告生成，已展现出通过医师资格考试的专业知识储备； 另一方面，MLLM 则深入到了以影像和信号为核心的诊疗环节，能够对 CT/MRI 影像、病理切片以及心电信号进行精准解读，辅助医生完成从视觉特征到临床结论的推理。 当前正在推进这两类技术在医学场景下的落地，无论是基于文本的逻辑推理，还是基于多模态数据的综合研判，都已成为智慧医疗的重要支柱。 基于大语言模型（LLM）和多模态大语言模型（MLLM）的技术特性，在医疗健康领域有三方面的价值： 1. 赋能患者端的普惠服务：提升医疗可及性与公平性（社会价值） 利用 LLM 强大的自然语言理解与共情能力，能够为患者提供全天候的智能预问诊、用药咨询及慢病管理服务。这不仅打破了复杂的医学专业术语壁垒，降低了患者获取高质量医疗信息的门槛，还有效缓解了医疗资源地域分布不均的问题，极大地促进了社会医疗资源的公平普惠。 2. 助力医生端的增效提质：确立多模态诊疗的新技术标杆（技术领先） 通过 MLLM 对医学影像（CT/MRI）、生理信号及临床文本等异构数据的深度融合与跨模态推理，提升模型在辅助诊断、病理分析及自动化报告生成等任务上的能力。这不仅能为医生提供精准的临床决策支持，降低误诊漏诊率，还能大幅减少文书撰写等重复性工作，让医生回归诊疗核心，显著提升临床效率。 3. 驱动医疗体系的范式变革 大模型技术的应用推动了医疗服务从“人力密集型”向“人机协同型”的范式转变。模型在处理海量医学数据中涌现出的新知识发现能力，也为医学科研探索提供了新的工具与方向。

课题要求：1、计算机视觉（CV）、自然语言处理（NLP）或大模型（LLM）等相关方向的博士生或硕士生； 2、具备扎实的学术研究能力，在人工智能领域顶级会议或期刊上有论文发表记录（顶会包括但不限于 NeurIPS / ICML / ICLR / ACL / EMNLP / CVPR / ICCV 等；顶刊包括但不限于 Nature及子刊 / TPAMI / IJCV 等）； 3、具备医疗人工智能相关交叉领域研究或实际项目经验者优先。