业务和功能介绍
构建“爬虫-清洗-对接-落地”全自动化蛋白结构计算管线：1) 定时爬虫并行拉取PDB最新晶体结构与AlphaFold全蛋白质组预测模型，增量更新、MD5校验、断点续传，夜间带宽空闲时段跑满10 Gbps；2) Python层调用PDBFixer、Biopandas与OpenMM，批量去氢原子、去水分子、补全缺失侧链、修复异常二硫键，输出标准PDB或PDBQT，同时生成质量报告（Ramachandran、MolProbity分数）写入MySQL；3) 将净结构与千万级配体库（ChEMBL、ZINC、Mcule）推送至AWS/GCP/阿里云对象存储，触发Serverless函数自动切分任务，Slurm/Kubernetes GPU集群弹性伸缩，调用Vina-GPU、GNINA、DiffDock多引擎并行分子对接，实时回传结合能、RMSD、相互作用指纹；4) 结果经ETL进入数据仓库，BI大屏可视化，对接国家自然基金、重点研发计划及药企合作课题，自动生成英文实验记录、可交付文档与注册申报素材，已在三个科研院所、五个新药发现项目中落地，累计筛选苗头化合物2000+，体外验证命中率提升3.8倍，实现“0-1”科研转化闭环。
项目实现
项目已在中国科学院上海药物研究所、浙江大学药学院及粤港澳大湾区精准医学研究院三地同步落地，形成“数据-算力-算法-实验”闭环。系统上线6个月，累计自动爬取并清洗蛋白结构3.2万个，完成4200万配体-靶点对接计算，筛选出活性<10 μM苗头化合物187个，其中11个进入酶学/细胞水平验证，命中率较传统虚拟筛选提高3.8倍。平台支持一键生成符合IND申报格式的计算报告，助力3项国家新药创制重大专项、2项企业横向课题通过中期评估，直接节省实验成本约860万元，获批软件著作权2项、申请发明专利3件，实现科研成果向临床前候选药物的高效转化。
示例图片视频
相似推荐
上医帮
主要用于医生和患者交流的平台，给患者提供咨询服务，结合AI智能体给患者建议，也可以扮演医生的角色。平台采用前后端分离 + 跨端适配架构，以 “医疗场景合规性、交互实时性、跨端一致性” 为核心设计原则，前端基于 Vue2+UniApp 实现多端（微信小程序、App）统一开发，后端通过 WebSocket 保障实时通信，各模块解耦且数据互通，同时严格遵循医疗数据隐私保护规范
主要功能：
1、AI智能体
2、聊天功能
3、朋友圈
4、AI文章
5、销售
6、接单服务、等等
智慧校医院医疗服务系统
1、本项目立足于“十四五”规划对高质量医疗健康服务体系的建设要求，针对当前高校校医院普遍存在的医疗服务保障水平低、预约挂号流程复杂、设施不便利、个性化服务缺失及远程医疗能力薄弱等痛点，旨在打造一个全面、高效、智能化的校医院智慧医疗系统。项目依托金蝶云苍穹平台与AI大模型技术，融合数据可视化、智能识别与远程交互能力，提升校园医疗服务质量与运行效率，切实保障师生健康，助力平安校园建设。
2、系统主要包含Web端与移动端两大应用入口，功能包括预约挂号、医生诊断、药品划价、住院登记、出院结算、药品采购、仓库管理等核心业务。特色功能模块包括基于OCR技术的病历识别、AI智能对话服务、个性化病情分析与健康建议、癌症智能检测（采用DenseNet121与GoogLeNet模型，皮肤癌与肺癌识别准确率分别达98.38%和91.66%），以及多维度数据可视化大屏，支持住院信息、药物库存等实时监控。系统还提供个性首页，集成来院导航、扫码挂号、医保充值、每日健康打卡等便捷服务，满足用户多样化需求。
3、整体业务流程以患者服务为主线，从移动端或Web端发起预约挂号，经签到就诊后进入医生诊断环节，系统自动生成划价单并支持药品申请与住院安排；后台同步完成药品采购与库存管理；所有诊疗数据通过集成方案在多表单间高效流转，并基于角色权限实现安全管控。医生可调阅患者历史记录，结合AI模型进行病情分析与用药推荐；管理员则通过可视化大屏掌握全院运营状态。整个系统实现从挂号到康复的闭环管理，兼顾功能性、安全性与扩展性，为智慧校园医疗提供可复制、可推广的解决方案。
基于眼底医学影像的眼科疾病智能诊断系统
1. 立项背景和目标
立项背景：响应国家“健康中国2030”战略，针对当前基层眼科医疗资源分布不均、专业医生短缺、传统诊断效率低、服务可及性差等痛点，结合AI医学影像技术快速发展的趋势，推动智慧医疗在基层落地。
项目目标：打造一套全面、高效、智能化的眼科疾病智能诊断系统，通过融合边缘计算与云端协同架构，实现对多种眼底疾病的快速筛查、精准识别与辅助诊断，降低基层诊疗门槛，提升眼病早筛早治能力。
2. 软件功能与核心功能模块介绍
系统采用 Web端 + 微信小程序 + 设备端 + 可视化大屏 的多端协同架构，主要功能包括：
智能眼疾检测
基于 EfficientNet-B3 多标签分类模型，支持对 8类眼疾（糖尿病视网膜病变、青光眼、白内障、年龄相关性黄斑变性、高血压性视网膜病变、病理性近视等）进行高精度识别，召回率达 96.49%。
异常图像检测
引入 AutoEncoder 模型，专门处理“其他/异常”类别样本，解决非标准眼底图像的误判问题。
移动端智能问诊（微信小程序）
用户可上传眼底图像，系统实时返回疾病风险预测、概率分布及健康建议；集成 AI 医疗问答助手，提供科学用眼指导。
病例报告生成
自动根据检测结果生成结构化病例报告单，便于医生快速审阅与决策。
数据监控与可视化大屏
实时展示检测量、阳性率、病灶分布热力图、用户年龄结构等核心指标，支持医院管理与公卫分析。
本地离线诊断能力
轻量化模型部署于树莓派4B设备，配合自适应亮度增强算法（对比度提升40%），可在无网络环境下完成图像采集与AI分析，响应时间 ≤5秒。
3. 业务流程与功能路径描述
整个系统的典型用户操作路径如下：
图像采集
用户通过树莓派+摄像头设备拍摄眼底图像（支持偏振光成像与暗光增强）
图像自动上传至本地设备或云端服务器
AI智能分析
系统调用双模AI引擎：EfficientNet-B3 模型进行8类眼疾多标签分类、AutoEncoder 模型判断 是否为异常/无效图像并输出各病种预测概率与风险等级
结果呈现与交互
微信小程序/Web端展示：
疾病检测结果（如“重度糖尿病视网膜病变，建议立即就医”）
可视化病灶定位（若支持）
个性化护眼建议（控制用眼时间、饮食等）
用户可查看历史记录、生成PDF报告
医生/管理员侧
后台管理界面支持：
病例审核、数据统计
模型性能监控（准确率、召回率）
可视化大屏实时展示区域眼病流行趋势
新闻自动分析
功能：
1、定时获取外部新闻数据
2、进行新闻事件过滤
3、新闻内容分析
4、分析结果整合并完成结构化入库
功能模块：
1、后端接口服务
2、Coze工作流
3、前端展示
4、数据存储
5、NLP模型
能够自动获取外部新闻信息，按需进行多维度分析，并完成定时通知
质量感知与预警应用
负责生产过程实时质量感知与预警应用项目。在卷包数据采集平台及技术架构基础上，完成对卷包新增5台高速机设备的数据采集及在线质量数据预警平台的搭建，达到完善设备数据采集能力，提升数据缓存稳定性和可靠性，实现对生产过程异常、产品质量的在线监测和异常预警功能等目标，具体包括：物联网数采(基于node-red)的采集模块;移动质控终端填报（包括基础填报、质量，消耗，设备，生产，安全）; 基于flink的实时预警内容; 基于重量的分析模型; 和基于yolov8图像识别的温度模型;基于智能体的设备维修知识库;基于finereport11的消耗报表解决方案;基于avue-data的车间整体监控大屏
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服