研究立场
医学 AI 会面对缺失数据、队列差异、标签设计和临床审查。我的工作重点不只是最高分，而是分数背后的证据：防止数据泄漏、开展独立外部验证、诚实说明局限，并提供领域合作者能够检验的解释。
代表性研究
从辅助识别脑内淀粉样蛋白病理，到预测疾病进展，再到检查诊断标签是否给模型提供了不公平的捷径。
01 · 淀粉样蛋白病理
我使用血浆生物标志物、APOE 基因型和临床信息构建并外部验证了一套端到端流程，比较四种算法，完成跨队列特征匹配，并使用 SHAP 分析模型依据。
ROC–AUC 衡量模型区分并排序阳性与阴性个体的能力，并不等同于“预测正确率”。这里最关键的证据是：模型未经重新训练，仍能迁移到独立队列。
Xu et al. · Frontiers in Aging Neuroscience · 2025
02 · 认知阶段分类
我量化了正常认知、轻度认知障碍和阿尔茨海默病三分类中的标签循环问题。用于定义 ADNI 诊断的临床量表会造成接近满分的结果；去除这条捷径后，基于血液等信息的估计更低，却更可信。
贡献不在于得到更大的数字，而在于明确标签定义带来的信息泄漏后，给出更现实的区分能力估计；这些 AUC 同样不是分类正确率。
Xu & Costen · Diagnostics · 2026
03 · 疾病进展
我在 767 名 ADNI 参与者中研究两年与三年的 MCI-to-AD 转化，使用逻辑回归、随机森林和 LightGBM 构建投票集成。缺失值填补、缩放和重采样全部只在各交叉验证训练折内拟合。
学术交流
围绕阿尔茨海默病进展、血浆生物标志物和可信医学机器学习，我参加过口头报告、圆桌讨论与海报交流。
在 Alzheimer’s Disease International 2026 年大会上，我报告了用于预测两年与三年 MCI-to-AD 转化的防泄漏集成机器学习框架。我是该分会场唯一处于博士阶段的报告人，随后作为圆桌中唯一的 AI/ML 方向发言者，讨论如何将经过验证的血浆标志物连接到具有临床意义的预测工具。
代表性论文
以下两篇均为第一作者开放获取期刊论文；论文标题保留正式英文版本，并附中文研究重点。
Jiayuan Xu, Andrew J. Doig, Sofia Michopoulou, Petroula Proitsi & Fumie Costen · Frontiers in Aging Neuroscience 17, 1559459
使用血浆标志物、APOE 与临床信息预测淀粉样蛋白 PET 状态，并在独立临床队列中进行无需重新训练的外部评估。
研究经历
我的训练始于自动化与嵌入式系统，随后进入机器人、可穿戴传感与数字健康，如今聚焦生物标志物、临床队列和机器学习的交叉地带。
曼彻斯特大学
研究阿尔茨海默病预后、淀粉样蛋白病理与基于血液的认知阶段分类；预计于 2026 年第四季度完成博士学位。
德蒙福特大学 · 与 ReTiSense 的产业项目
围绕 Stridalyzer PRISM 压力传感鞋垫，完成从移动端数据采集到机器学习评估的端到端压力图运动分析系统。
德蒙福特大学
使用单个热成像摄像头构建离线、注重隐私且可解释的非接触式跌倒检测原型。
曼彻斯特大学
参与课程教学，并指导十余个涉及医学成像与医疗 AI 的硕士研究项目。
联系
我关注研究科学家、应用科学家和临床数据科学相关职位，方向包括计算生物标志物、神经退行性疾病、患者分层与数字测量。欢迎就科研、产业合作或学术交流与我联系。