本科生勇攀科研高峰！近日，我院2023级智能科学与技术专业本科生金琳参与完成的研究论文《Hyper-DSCNet: Integrating Radiographic Details and Syndromic Context via Hypergraph-Enhanced Dual-Stream Learning for Chest X-Ray Lesion Detection》被中科院一区top期刊《Expert Systems with Applications》（2026年影响因子9.4，五年影响因子8.9）接收，论文即将线上发表。王昱副教授和金琳为论文共同第一作者，河海大学为论文第一完成单位，合作者包括我院青年教师陈培垠、华南理工大学未来技术学院/琶洲实验室许言午教授和河南省科学院生物医学研究所刘成林助理研究员。
胸部X光片病灶检测的难点，不仅在于识别单个异常，还在于利用多种异常共同出现所提供的线索。一张影像中的多处病灶可能彼此关联，仅将其视为独立目标，容易忽略有助于发现其他病灶的上下文信息。然而，加强全局信息聚合又可能平滑小病灶的边缘与纹理，影响精细定位。因此，如何在建模多病灶关联的同时保留局部细节，是这项研究着力解决的核心问题。
围绕这一问题，论文提出超图增强双流学习框架Hyper-DSCNet。其中，多病灶关联建模模块（SCM）根据每张影像动态调整超图结构，通过一条超边关联多个空间特征，捕捉多病灶之间的高阶语义关联。影像细节增强模块（RDE）则设置独立的高分辨率路径，保留浅层特征中的边缘、纹理和位置信息。两条路径结合多尺度特征融合，在检测解码器中汇合，使病灶关联信息与局部定位线索相互补充。
图1Hyper-DSCNet网络框架
实验结果显示，Hyper-DSCNet在两个数据集上均取得了优于最强基线模型的结果。在ChestX-Det数据集上，模型的AP₅₀和小目标平均精度APₛ分别提高3.0和2.9个百分点。在AMIA-2024数据集上，模型的平均精度均值mAP和AP₅₀分别提高1.7和2.3个百分点。除此之外，研究还从不同随机种子、跨数据集迁移、小病灶检测和推理效率等方面进行了补充分析，进一步从性能、稳定性、泛化能力和计算开销等维度验证了方法的有效性。
图2 Hyper-DSCNet检测结果展示
该研究通过协同建模病灶关联与影像细节，为复杂胸部影像中的多病灶检测和小病灶定位提供了新的思路，也为医学影像辅助分析提供了技术参考。论文的接收展现了我院本科生运用专业知识开展交叉研究、解决实际问题的科研实践能力。
在学生的科研实践过程中，王昱副教授从方向选择、课题研讨到论文撰写修改等全过程给予了悉心指导，并根据学生方向为其匹配同行专家合作研究。据了解，王昱老师所指导的我院23级5名本科生中4人已取得推免资格（含研究生支教团一名），他们已取得多篇论文成果。
一直以来，人工智能与自动化学院鼓励本科生早进课题组、早接触前沿科研，依托农业农村部具身智能农业机器人重点实验室、江苏省水下结构目标智能感知与运维产业技术工程化中心、特种机器人技术江苏省高校重点实验室等多个省部级科研平台，为本科生提供导师指导、项目支撑，推动本科生把课堂所学理论投入真实科研攻关，不断产出高水平学术成果。