针对国内泥土固化利用的状况，进行了理论探索、实验室研究和现场试验，有效解决了传统泥土固化材料兼容不好、生态适宜性差等难题，开展了离子型泥土生态固化新材料的原始创新和集成创新研究。已应用在抗盐耐污防渗防水、软土加固强化工程中，其合成方法、制备工艺及新材料应用设计均具技术创新。技术研发成果已列入水利部《2014年水利先进实用技术重点推广指导目录》，涉及技术研发、集成，成果转化等过程。 对含水量大的淤泥软土通过降粘脱水剂应用，加大有机质中水分子的活性，借助渗透扩散剂的迅速渗入与传统材料中物

根据当地种植养殖规模，匹配对应规模生产设备，形成种养结合的循环，降低农业废弃物运输成本和环境保护代价，提高农业生产效益。 一、项目分类 显著效益成果转化 二、技术分析 我国每年产生的农作物秸秆约9亿吨，随着农业生产技术进步，农作物亩产不断增加，秸秆量也不断增加，在黄淮海稻麦种植区，产生的大量水稻、小麦及特经作物秸秆，全量还田后造成的耕作成本增加、水体污染等问题，同时大规模的畜禽养殖场在小区域产生大量畜禽废弃物，其处理难度与成理成本增加。 受成本及环境等因素影响，秸秆及畜禽粪便不适宜远距离运输，因此本课题组提出“种养结合，生态微循环”的秸秆高值综合利用理念，系统研究了秸秆（水稻）微贮制备生物饲料的技术、小型禽畜粪污处理技术，集成国内现有的技术工艺路线，并开发复合菌剂及智能菌剂混合及喷淋装备等核心技术装备，形成秸秆就近制备饲料、饲料就近饲喂畜禽、畜禽粪便就近处理消纳的生态微循环的农业废弃物的高值利用模式，可为促进农业产业发展与环境改善，为乡村振兴贡献力量。 本成果经过示范、技术已基本成熟。本成果在国内外发表2篇论文，共获批6件专利。 主要特点： 以水稻秸秆等种植废弃物为原料的微生物制备生物饲料系统；将产出的生物饲料代替部分全日粮在当地养殖场饲喂畜禽；中小型养殖场的畜禽粪便、发酵沼渣、农作物秸秆等农业种养废弃物为原料的好氧堆肥系统，将生产出的有机肥在当地种植企业施播应用；根据当地种植养殖规模，匹配对应规模生产设备，形成种养结合的循环，降低农业废弃物运输成本和环境保护代价，提高农业生产效益。

东南大学聚焦大学生创新创业能力培养，着力构建“面向全员、贯穿全程、多元引导、知行相辅、科创互哺”的创新创业教育生态体系，不断健全“学做融创、知行合一”的“双螺旋、四联动、全链条”创新创业教育模式。

本公司主要产品-多模态宫颈癌智能辅助筛查系统，利用人工智能和图像处理技术实现宫颈液基细胞全切片智能解析和细胞DNA定量分析，应用自然语言处理技术对细胞学TBS报告、细胞DNA定量分析报告以及电子病历报告进行知识挖掘。 一、项目进展 创意计划阶段 二、负责人及成员 姓名 学院/所学专业 入学/毕业时间 祝新宇 软件工程 2019.9 / 2023.6 杨志鹏 软件工程 2019.9 / 2023.6 孙宇 软件工程 2019.9 / 2023.6 吕焓 国际经济与贸易 2019.9 / 2023.6 朱莹婧 会计学 2019.9 / 2023.6 唐昆铭 软件工程 2018.9 / 2022.6 刘波 软件工程 2018.9 / 2022.6 贺雨欣 软件工程 2018.9 / 2022.6 束童 软件工程 2018.9 / 2022.6 孙东东 软件工程 2018.9 / 2022.6 黄薇 软件工程 2018.9 / 2022.6 三、指导教师 姓名 学院/所学专业 职务/职称 研究方向 史骏 软件学院 副教授 机器学习与智慧医疗 四、项目简介 本公司主要产品-多模态宫颈癌智能辅助筛查系统，利用人工智能和图像处理技术实现宫颈液基细胞全切片智能解析和细胞DNA定量分析，应用自然语言处理技术对细胞学TBS报告、细胞DNA定量分析报告以及电子病历报告进行知识挖掘，形成宫颈癌细胞学知识图谱辅助医生决策和病理科室质控，建立多模态宫颈癌智能辅助筛查系统及其辅助诊断模型，构建AI驱动的宫颈癌筛查全流程应用生态，力争减轻筛查过程中病理医生的工作强度，最大限度地提高宫颈癌筛查的质量和效率。 本公司主要出售两种产品：（1）宫颈癌数字病理云平台：用户批量上传宫颈液基细胞全切片图像至远程，云端将自动进行智能分析，本系统算法软件已在远端服务器进行部署搭建，适应了减轻病理医生阅片筛查工作强度的需求。（2）智能显微镜及其AI组件：系统实时读取显微镜下视野，实时出具分析结果，团队研发的算法已通过嵌入式开发实现了软硬件一体化服务，能够适配多种品牌的显微镜。由于宫颈癌数字病理云平台需要经过价格昂贵的扫描仪制作数字化全切片的繁琐制作过程，成本较高，该产品形式避免了过程繁琐的数字化全切片制作过程，同时成本较低，主要针对社区、乡村等基层医疗机构，有利于提高宫颈癌早筛的覆盖率。

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。

2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。​结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。 

提出基于地震波观测的滑坡快速检测和滑动几何形态的分析方法，可服务于滑坡次生灾害的预警。       2018年12月22日因无预警海啸致使印尼苏达海峡沿岸城市437人死亡，几千人受灾。叶玲玲教授等利用印尼的宽频带地震波数据，发现此次海啸由滑坡引发，与2018年活跃的Anak Krakatau火山活动有关。相对于地震滑动，滑坡造成的地振动以低频成分为主，高频成分较少（图1），造成目前常规基于高频地振动信号的地震-海啸预警系统失效。雷达影像资料分析进一步证实海啸源是Anak Krakatau火山西南侧的滑坡（图2）。采用震源单力模型，长周期地震波观测约束滑坡平均倾角为12°；结合地震波和卫星遥感资料观测，得到滑动体积约为0.2 km3。这些参数为海啸模拟提供了重要约束。 在2018年印尼火山滑坡事件中, 地震波信号10分钟传播到整个苏门答腊和爪哇地区, 被几十个地震台接收，利用Wphase反演方法15分钟可得到有效的滑坡信息。由滑坡引发的海啸波传播速度较慢, 半小时后传播到附近的海岸带地区。因而该研究中基于Wphase方法的滑坡快速检测和滑动几何形态的分析方法可有效运用于该类型滑坡海啸预警中。

建设消化系统肿瘤的大数据平台，通过整合肿瘤临床信息、影像数据、生物样本库数据、高通量生物多组学的数据，系统地构建消化系统肿瘤大数据，并结合人工智能平台进行大数据的挖掘与分析。该团队基于肿瘤大数据平台开展肿瘤临床诊疗的真实世界研究，探索肿瘤的精准诊断、预后预测和耐药分子机制 徐瑞华教授团队开始着手构建磷酸化定量数据库qPhos。通过收集已发表的定量磷酸化组数据，共整合了199071个磷酸化位点上的3537533个定量磷酸化信息，其中86%的数据来自肿瘤组织样本及相关细胞系。有关定量实验的详细信息，包括实验条件、实验所用的细胞系或样本等数据也纳入了数据库中。对每个磷酸化位点，都注释了实验验证的或潜在的上游激酶，以便理解其分子调控机制。同时，通过整合UniProt，ExPASy和DrugBank等数据库中的信息，对磷酸化位点所在蛋白质的生化特征、上游激酶的靶向药物情况进行了详细的注释，方便查询和使用。       此外，数据库中还开发了qKinAct分析模块，研究人员可以基于自己的定量磷酸化组数据分析得到相应的激酶活性相关磷酸化位点信息，进而分析异常的磷酸化信号通路。因此，qPhos是首个全面涵盖肿瘤和疾病相关重要磷酸化修饰动态水平的数据库，为研究蛋白磷酸化修饰及其动态调控提供了一站式服务。

深圳市学之泉集团有限公司成立于2011年，总部位于广东省深圳市龙岗区龙城街道志达工业园。自成立以来，始终致力于以云技术和移动互联技术促进教育均衡化，提供云管端一体化的区域教育云整体解决方案和创新应用，及一系列提升教育信息化水平的解决方案与智能终端产品，构筑“平台+内容+终端+应用模式”的商业模式，通过搭建合作共赢的渠道营销平台，铸就卓越的教育品牌，打造中国教育行业多元化发展的综合性集团公司。 学之泉集团作为云时代教育信息化产业综合集团，依托中国科学院云计算中心的云计算基础软件平台优势、母公司志达集团20多年的智能终端研发制造经验和战略合作伙伴的教育资源，结合自身在教育信息化、云计算领域的一流技术、人才、科研设施和网络等核心科技创新资源，形成了以学之泉教育云为核心领域，覆盖城市教育云数据中心平台软件、城市教育云应用软件、智能教育终端等领域的产品体系。 集团旗下现有七家子公司和一所研究院，位于深圳市龙岗区中心城的研发制造总部基地建筑面积80000㎡，通过了多项国家及省级鉴定、ISO9001:2008质量管理体系认证、ISO14001:2004环境管理体系认证和OHSA18001职业健康安全管理体系认证，获得了10余项国家专利，将教育云数据中心、数字校园、交互式多媒体教室视为三大产品线，建设基于云、管、端一体化的综合教育云平台，并将提供一站式交钥匙工程服务和数字教育资源服务，倾力打造专注于教育云领域发展的文化产业基地，成为教育云领域的价值发现者和服务领航者。 集团先后在贵州等地建设了多个数字教育产业园区，在深圳、东莞、毕节、苏州等地有多个实施案例，具有强大的技术研发及方案实施能力。致力于软件、硬件与资源三大平台建设，精准提供和优先实施区域教育云建设整体解决方案，为省、市、区、县构建区域教育公共服务云平台，为建设学习型社会构建全民终身教育在线平台，及为学校提供数字校园，产品线覆盖区域教育云平台、教育云数据中心、数字校园等解决方案和哑光高分子可擦白板、全知宝盒、绿色云端班班通、幼教班班通、儿童手机、儿童电脑、充电柜等终端产品。 由本集团研发的电子书包、云资源存储、交互式多媒体教室、哑光高分子可擦白板等产品已获得中国教育技术协会、华南师范大学等教研机构的强力推荐，基于学之泉教育云平台的《面向全民教育的毕节市教育云建设方案与创新应用》等课题获得了国家社科基金优秀子课题等好评，黔西一中教育云数字校园建设项目已通过当地教育主管部门组织的专家验收。 面对云计算引领教育信息化的大趋势、大潮流，集团始终恪守“汇聚天下智慧，云领教育未来”的使命，全心全意地贯彻“立足教育，服务教育”的宗旨，以信息化推动教育均衡发展为己任，深度耕耘，突破创新，不断挖掘价值并引领服务，使学之泉真正成为“知识之泉，学问之助，品行之鉴”，为中国的教育信息化发展贡献全部力量！