（一）成果背景 分布式光伏可在用户侧就近安装与消纳，减少因长距离输送带来的线路损耗问题，在新型电力系统建设中发挥着重要作用。2021年6月，国家能源局综合司发布了《关于报送整县（市、区）屋顶分布式光伏开发试点方案的通知》，用以推动分布式光伏高质量发展、支撑新型电力系统建设。在该政策的推进下，分布式光伏容量迅猛增长。截至2021年底，国内分布式光伏装机容量已达到107.5GW，约占光伏总装机容量的三分之一，且其增长速度已经超过了集中式光伏。 （二）痛点问题 对于配电网来说，光伏出力易受天气因素影响，具有极强的随机波动特性，大规模分布式光伏接入，一方面加剧了配电网负荷短时波动，影响电力实时平衡，制约负荷预测精度提升；另一方面，分布式光伏出力特性与负荷特性的不匹配造成其难以消纳，为有源配电网运行管理带来严峻挑战。 对于电力市场交易来说，随着新一轮电力体制改革的持续深入，分布式光伏所有者作为售电商参与市场竞争成为必然趋势。分布式光伏出力的不确定性与短时剧烈波动性，使得分布式光伏电站/售电商难以制定合理的市场交易策略与电力交易合同，面临严重的市场风险。 因此，亟需精准的分布式光伏功率预测，为有源配电网调度运行、分布式光伏消纳，分布式光伏参与电力市场等提供有力数据支撑。 （三）技术方案 1、基于变分模态分解与动态图卷积网络的分布式光伏功率预测 首先利用变分模态分解各分布式光伏复杂出力序列分解为相对简单、波动较小的不同频率子序列，以减小场站间关联关系的挖掘难度。然后，基于分布式光伏场站间时空关联性处于动态变化中的考虑，利用全连接神经网络将各节点特征映射到多维空间，而后利用时域卷积挖掘跨节点关联关系，由此以数据驱动方式挖掘各频率下各场站子序列关联性，有效实现子序列动态图结构的构建。最终，基于可用于非欧式空间结构数据建模的卷积神经网络，将其与动态图结构结合，建立考虑动态时空关联性的图卷积预测模型，针对不同频率下出力子序列分别预测，而后重构得到各场站功率进而获取配电网分布式光伏总功率。 2、基于深度联邦学习的分布式光伏发电功率预测 首先，基于长短期记忆神经网络构建时域自编码器模型，该模型编码器用于提取每个时间步输入的时域特征，而后利用解码器将该特征向量转换为输出序列进行未来时间步的预测，自编码能显著增强长短期记忆神经网络的时域建模能力。而后，利用注意力机制解决其在处理长输入时间序列时会导致解码器面临特征冗余问题，且使模型聚焦于对输出更关键的时域特征。由此，利用注意力自编码预测模型通过对时域特征的有效挖掘实现功率预测精度的进一步提升。 在此基础上，开发了用于分布式光伏功率预测的联邦学习框架，在该框架中，本地用户仅需将本地模型进行共享，无需数据的传输，而后由中央服务器进行模型的聚合以实现用户间信息共享。在各本地场站进行注意力自编码预测模型的训练；在中央服务器，基于联邦平均算法实现各本地预测模型的汇聚、全局模型的生成与下发。在保证数据隐私性的前提下取得与传统集中式机器学习训练近似的预测效果。 （四）竞争优势 1、有效表征广域分布式光伏集群间时空关联特征，实现分布式光伏功率预测精度提升。 当缺乏气象实测或预报数据时，考虑分布式光伏时空相关性可有效提升分布式光伏功率预测精度。现有研究多利用各光伏场站地理距离或者整体出力表征时空相关性。这种静态建模方式在分布式光伏出力模式长期稳定的情况下，可以取得较好的预测效果。然而，易受天气因素的影响，分布式光伏出力极易发生短时波动，因而各场站关联性处于动态变化过程。以恒定的场站间关联关系去考虑这种复杂的集群出力序列，显然无法反映天气影响下分布式光伏出力短时变化，难以实现功率预测精度的有效提升。 所提的基于变分模态分解与动态图卷积网络的分布式光伏功率预测方法，利用数据驱动方式实现挖掘各场站间关联特性的动态实时挖掘。在基础上，考虑到不同模态分量下各场站间关联关系的差异性，将各场站原始功率分解为了相对简单、波动较小的不同频率模态分量，减小关联关系的挖掘难度。 2、有效保证各分布式光伏数据隐私性，且能取得与传统集中式机器学习训练方式近似的预测效果 现有的数据驱动预测方法性能在很大程度上依赖于训练数据的数量，因此大多以一种集中的训练方式实现，即中央服务器汇聚来自各场站的运行数据而后进行模型的训练。然而，这种集中训练的方式会期限数据隐私，使用户信息暴露在公共环境而导致被外部攻击者进行数据分析、行为探测等。此外，在竞争激烈的电力市场中，分布式光伏场站所有者可能不愿共享数据。这些因素使传统模型训练方式难以实现。 所提的基于深度联邦学习的分布式光伏发电功率预测方法，利用注意力自编码模型在本地场站进行建模预测，实现对本地功率时域特征的有效挖掘；利用分散式训练的联邦学习框架，实现各场站预测模型信息共享，有效保证本地用户的数据隐私的同时取得不错的预测效果。 创新点 1、考虑了场站间关联关系的动态性。对于分布式光伏，虽然场站数量众多、分布广泛，但是其位置临近，由于云团运动等气象因素导致的相关性较强。所提方法以数据驱动方式根据网络当前的各场站输入功率进行关联关系的动态表征，实现功率预测精度的有效提升。 2、在保障各分布式光伏站点数据隐私应的前提现实现信息共享。利用自编码结构进一步提升LSTM的时间序列建模能力；利用注意力机制模型聚焦于对预测更关键的输入特征，以此实现时域特征的有效挖掘。在此基础上，利用联邦学习框架聚合各本地模型，实现各站点信息聚合，实现精度有效提升。 市场前景 随着新型电力系统建设目标的推进，分布式光伏装机容量呈爆发式增长。所研成果可应用于配电网负荷预测、用户可调度容量评估、激励型需求响应基线负荷估计等场景中，为高比例分布式光伏有源配电网的安全、经济、高效运行，维持电力平衡等工作提供重要参考。同时，随着分布式光伏逐步参与到电力市场，所研成果可为分布式光伏售电商制定最优的交易策略，签订合理的价格合同提供有力数据支撑。综上所述，所研成果市场前景广阔。

探究了AI自动勾画的临床应用价值，即AI能够为临床医生提供多大的帮助。在8位医生完成人工勾画两个月后，由他们对AI自动勾画的结果进行修改（AI自动勾画+医生修改，即AI辅助勾画）。结果显示，AI辅助勾画提高了5位医生的勾画准确性（平均由74%提高至79%），减少了55%的勾画者间差异。     本研究是AI在全期别鼻咽癌放射治疗靶区勾画方面的首个研究，样本量大、技术合理、测试全面，是AI在肿瘤学领域应用的一项重要进展。研究结果显示AI辅助勾画提高了鼻咽肿瘤勾画的准确性，能够让经验较少的医生达到近似专家水平的勾画，将会对肿瘤控制和患者生存产生积极影响，同时极大地提高了医生勾画的效率，为实现精准而又高效的鼻咽癌放射治疗靶区勾画提供了解决方案。

本项目基于CT影像，利用三维重建技术，构建肝脏的三维可视化模型，从浅到深、由大血管向小血管进行分支绘制器官的血管分布图像，利用手术床和CT检查床一一对应的关系实现手术导航配准，利用热源追踪和陀螺仪辅助实现手术视野内精准血管定位。该系统可实现目标血管的“直捣黄龙”式阻断，最大限度减少实质离断过程的出血量，同时避免残肝缺血和损伤肝静脉导致的血液回流受阻、术中挤压导致肿瘤细胞经静脉系统转移等一系列不良后果。

项目成果/简介:本项目基于CT影像，利用三维重建技术，构建肝脏的三维可视化模型，从浅到深、由大血管向小血管进行分支绘制器官的血管分布图像，利用手术床和CT检查床一一对应的关系实现手术导航配准，利用热源追踪和陀螺仪辅助实现手术视野内精准血管定位。该系统可实现目标血管的“直捣黄龙”式阻断，最大限度减少实质离断过程的出血量，同时避免残肝缺血和损伤肝静脉导致的血液回流受阻、术中挤压导致肿瘤细胞经静脉系统转移等一系列不良后果。知识产权类型:发明专利 、 软件著作权知识产权编号:CN201810146314.0，CN201810147131.0，ZL201610851997.0，ZL201820253145.6，P5839ZA00，2017SR607543技术先进程度:达到国际先进水平成果获得方式:与企业合作获得政府支持情况:省级（副省级城市）获得经费:30.00万元

利用合成gRNA-靶序列的高通量文库允许直接在细胞环境中便捷和高通量地收集gRNA活性数据，由此建立的计算模型来预测gRNA的活性比较可靠。

微卫星不稳定性（Microsatellite Instability, 简称MSI）是目前肿瘤临床检测中一种非常重要的分子表型，多发生于结直肠癌、胃癌、和子宫内膜癌。微卫星不稳定性与肿瘤的发生、发展，治疗方案制定及治疗效果预测相关，更是肿瘤免疫治疗疗效预测的重要分子标记物。当前，临床上使用的两种微卫星不稳定性检测的金标准方法：MSI-PCR和MSI-IHC，都需要专业技术人员通过实验操作来完成，均费时费力且成本较高。近年来，随着高通量测序（Next Generation Sequencing）的发展，基于高通量测序的微卫星不稳定性检测方法开始显露头角，在检测结果与两种临床金标准保持高度一致的情况下，极大的缩减了检测时间并减少了检测成本，大幅提高了推广微卫星不稳定性检测的可行性。2014年，西安交大叶凯教授团队率先开发了基于高通量测序的微卫星不稳定性检测方案——MSIsensor。2017年该检测方案作为全世界首个泛肿瘤检测方案MSK-IMPACT中的微卫星不稳定性计算方法，通过了美国食品药品监督管理局的严格测试并获得批准。美国纪念斯隆凯特琳癌症中心测试表明，基于高通量测序的微卫星不稳定性检测与金标准的一致性可达99.4%。然而，微卫星不稳定性检测方案大都要求提供病人的癌症组织样本及一份取自血液或者癌症组织附近的正常样本。一方面，这一份正常对照样本限制了微卫星不稳定性的应用场景，尤其难以应用于血癌样本、福尔马林包埋样本、PDX/PDO等不易获得正常对照样本的情况；另一方面，额外的对照样本增加了微卫星不稳定性的检测成本。基于上述原因，在叶凯指导下，叶凯青年科学家工作室科研人员经过两年的探索，从微卫星不稳定性发生机理出发，通过数学模型抽象，从单个肿瘤样本中提取特征，开发了MSIsensor-pro。MSIsensor-pro实现不依赖正常对照样本的微卫星不稳定性检测，只需50个微卫星位点的测序数据即可实现微卫星不稳定性的精准检测。MSIsensor-pro的开发扩大了微卫星不稳定性的应用范围，减低了微卫星不稳定性检测的成本。同时MSIsensor-pro在低肿瘤纯度和低测序深度这类低信噪比数据中也显示出来很大的潜力。 该研究成果近期发表在国际组学和生物信息学领域权威期刊《基因组蛋白质组与生物信息学报》（影响因子6.597）上。叶凯的博士生贾鹏为该论文的第一作者，叶凯为通讯作者，西安交通大学为本文唯一通讯作者单位。这是叶凯教授课题组在基因组暗物质解析方面的又一重要突破。论文链接为：https://www.sciencedirect.com/science/article/pii/S1672022920300218