人工智能技术飞速发展,我国大体上能够与世界先进国家发展同步。我国拥有自主知识产权的文字识别、语音识别、中文信息处理、智能监控、生物特征识别、工业机器人、服务机器人、无人驾驶汽车等很多智能科技成果已进入市场,但是9%以上是软件、算法产品，在人工智能神经网络芯片研发方向上,我国又是落后于美国5-10年左右，可以预见的是,将来我国的人工智能神经网络硬件又将进口大量的IBM、Google、NVIDA、Braodcom等公司的产品,遵循的标准又将按美国的标准,在市场上处于弱势地位。

近年来,半导体光源正以新型固体光源的角色逐步进入照明领域。由于半导体照明具有高效、节能、环保、使用寿命长、响应速度快、耐振动、易维护等显著优点,所以在国际上被公认为最有可能进入通用照明领域的新型固态冷光源。随着其价格的不断降低,发光亮度的不断提高,半导体光源在照明领域中展现了广泛的应用前景。业界普遍认为,半导体灯取代传统的白炽灯和荧光灯,是大势所趋。而半导体发光二极管（Light Emitting Diode , 简称LED）被认为是最有可能进入普通照明领域的一种绿色照明光源，按固体发光物理学原理,LED发光效率能近似100 % ,并具有工作电压低、耗电量小、发光效率高、响应时间极短、光色纯、抗冲击、性能稳定可靠及成本低等优点,因此被誉为21 世纪新光源,有望成为继白炽灯、荧光灯、高强度气体放电灯之后的第四代光源。虽然LED具有以上的很多优点，但是发光效率和使用寿命仍是制约其普及应用的主要因素。 目前国内大多致力于LED外部封装结构的研究，而公司里多采用进口芯片，如cree芯片，再在现有基础上进行外部封装结构和设计。而即便是散热好，寿命长，取光效率比较好的封装结构，国内所能达到的水平也就是刚刚超出100lm/w。主要原因在于其封装材料的选择和封装结构的不合理性，浪费了芯片的出射光，从而降低了取光效率。而国外LED不仅在外部封装结构，而且在芯片方向都明显优于国内水平，所以基本垄断国内LED的市场，尤其对于功率型白光LED的垄断相当严重。而这些高亮度半导体LED芯片生产技术掌握在以美国Cree和Lumileds、日本的Nichia和Toyoda Gosei，以及欧洲的Osram等为首的少数大公司手中。 现在功率型白光LED 的光效已提高到80～100lmPW,而真正能够取代白炽灯和荧光灯进入通用照明市场,其光效需要达到150lm/ W。这一方面要求在芯片的制作上不断提高LED 的量子效率,同时还要求在LED 的封装及灯具的设计制作过程中尽可能提高出光效率。现有的LED出光效率低的原因之一是，LED芯片的折射率较高，LED发出的光在出射芯片的时候，有相当一部分光被芯片与外界（环氧树脂）的界面反射。本产品是通过特殊镀膜方法，使LED芯片出光效率提高了10%。可以有效的增加LED的使用寿命，达到2万小时以上，而且可以使发光效率达到120lm/w到160lm/w。拥有这样长寿命和高出光效率的白光LED，必将引领整个照明市场，必将产生丰厚的利润，具有非常好的发展前景。

本项目中的视频模拟前端（AFE）芯片是一个完整的200MSPS、10位单片模拟视频接口芯片，用于将YPbPr或RGB计算机视频等格式的模拟视频信号转换为数字视频信号。芯片可支持高达1080p的HDTV电视，以及高达1600X1200的UXGA计算机视频。 芯

现阶段牛津纳米孔公司所开发的MinIon测序仪尚存在若干内在缺陷，如单次使用成本极高，单次检测正确率低，检测通量小，检测速度慢等天然缺陷。在这个意义上，我国科研工作者尚存实现自主知识产权并超越国外同行的机会

南开大学在天津市科技发展计划科技攻关项目《建立和应用肿瘤转移相关基因生物芯片筛选抗肿瘤转移药物的研究》的资助下，进行了肿瘤转移相关基因生物芯片的研究，在设计探针后，完成制备了含有213个肿瘤转移相关基因的基因芯片。申请国家发明专利：乳腺癌转移相关基因基因芯片的建立及其建立方法，专利（申请）号：20061013107.3（已公示）。 应用上述基因芯片所进行的大量的研究工作，表明该基因芯片有很好的应用前景。由于该基因芯片的成本低于全基因组芯片，有利于大量推广使用。与科研机构、医院和药厂等

南开大学在天津市科技发展计划科技攻关项目《建立和应用肿瘤转移相关基因生物芯片筛选抗肿瘤转移药物的研究》的资助下，进行了肿瘤转移相关基因生物芯片的研究，在设计探针后，完成制备了含有 213 个肿瘤转移相关基因的基因芯片。 应用上述基因芯片所进行的大量的研究工作，表明该基因芯片有很好的应用前景。由于该基因芯片的成本低于全基因组芯片，有利于大量推广使用。与科研机构、医院和药厂等相关企业合作，大量制备该基因芯片，实现产业化，投放市场使用，可实现良好的社会和经济效益。 应用价值： 基础研究：可应用该基因芯片进行肿瘤转移分子机制的基础研究，筛选与肿瘤转移相关的信号传导途径。 应用研究：可应用该基因芯片筛选抗肿瘤转移的药物；在临床上对切除的肿瘤组织进行检测，进行原代细胞培养的基础上检测对不同化疗药物的敏感性，为临床治疗方案提供依据。

视频剪辑是一项简单却繁琐的工作，需要投入大量的人力。而且人力完成的视频剪辑，剪辑结果有着很强的主观色彩。通过采集大量各类体育赛事数据进行模型训练，利用深度神经网络良好的自主学习能力，采用Centernet作为多目标检测能力的实现框架，同时利用Transformer重构目标检测进行连锁，二次捕捉目标检测的准确性。CenterNet和Transformer的融合，实现了端到端的目标检测，在准确性提升的基础上满足实时处理视频的要求。综合应用多目标检测跟踪以及多模式识别技术，实现短视频的智能化剪辑，极大程度减少了人工工作量，同时也增加了短视频剪辑的客观性，在大数据时代背景下有着重要的现实意义。

“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。 

中国电子学会发布“电子信息领域优秀科技论文（2020）遴选活动”入选论文。东南大学尤肖虎、张川、谈晓思、金石、邬贺铨联合署名的论文《AI for 5G: research