研究领域
医学大数据与人工智能，以流行病学方法建设医学数据平台，结合深度学习与大模型技术研发智能诊疗工具。
个人简介
沙沣，深圳理工大学计算机科学与人工智能学院教研副教授。本科毕业于中山大学数理统计学专业，获宾夕法尼亚大学统计学硕士、香港大学博士（人口健康方向）学位，曾于香港中文大学工程学院从事博士后研究，后任中国科学院深圳先进技术研究院生物医学信息工程研究中心副研究员。具备统计学、流行病学与计算机工程的复合背景，兼顾临床研究设计与深度学习模型开发、医疗数据平台的工程实现。
已发表学术论文 70 余篇（谷歌学术引用量 >42,000，H 指数 36），入选 2022–2025 年"全球前 2% 顶尖科学家"榜单。主持国家自然科学基金项目"基于深度学习生存分析方法的老年人认知障碍语音生物标志物和预测模型研究"，参与深圳市医学科学院项目"围产期轻度抑郁智能化 CBT 干预模式构建及其在孕产期保健服务体系中的实施效果评价"。在唐金陵教授领衔的深圳海外高层次人才团队"临床医学大数据平台建设与转化应用"中担任团队执行负责人，参与国家科技部 2030"新一代人工智能"重大项目"新冠肺炎疫情等公共卫生事件的智能流调研究"，作为核心成员参与"基于人员流动大数据的疫情精准防控关键技术与应用"获深圳市科技进步一等奖。科研项目"老年轻度认知障碍的数字化诊断及干预"受 2022 年腾讯技术公益创投计划资助。
主要研究方向
研究领域为医学大数据与人工智能，聚焦于临床医学与人工智能的交叉地带，具体路径是以流行病学方法建设医学数据平台，结合深度学习与大模型技术研发智能诊疗工具，研究方向具体包括以下三个：
一是以流行病学方法为主导建立高质量医学数据资源。 优先选择临床决策影响大、现有证据不充分的问题，联合临床团队开展前瞻性队列或真实世界研究，从设计层面减少偏倚，为后续 AI 建模提供可信的训练与验证数据。这一方向依托长期建设的临床医学大数据平台，已在多中心数据整合、语音等新型数据源的标准化采集方面形成积累。
二是以循证医学为核心建立结构化证据库。 将高质量临床研究证据（随机对照试验、系统综述、队列研究等）进行结构化标注，形成可检索、可更新、可审计的证据管理机制，为临床医学大模型提供"干净、可追溯、可引用"的训练与对齐数据，从源头降低医学幻觉风险。
三是开发并验证能真正进入临床工作流的智能工具。 近期获得深圳市医学科学院资助，将基于大模型的数字认知行为疗法工具嵌入深圳市围产期抑郁筛查项目，对不同风险等级人群提供分层干预与自动升级机制，并通过随机对照试验与真实世界研究验证其临床价值，评估可及性、依从性与长期随访效果。
招生信息
课题组常年招收对医学交叉方向感兴趣的同学，三个方向的技术侧重和需要补充的领域知识各不相同：
方向一的同学会做大规模异构医疗数据的整合与治理管线、非结构化数据的自动化抽取、数据质量检测与跨中心对齐，以及隐私与合规约束下的数据可用性设计；需要补的是流行病学的基本思路——为什么数据不能拿来就用，什么叫选择、混杂与测量偏倚。
方向二的同学会做文献自动筛选与信息抽取、结构化知识构建、证据库的检索与更新机制，以及大模型评测基准设计；需要补的是循证医学的证据分级与偏倚评价方法，这是判断一条医学结论可不可信的行业标准。
方向三的同学会做大模型对话系统的构建与调优、多轮治疗性对话的结构控制、安全对齐与风险识别，以及干预效果的量化评估；需要补的是认知行为治疗（CBT）的基本框架，还有临床试验的评价逻辑——工具做出来不算结束，还要证明它真的有用。
不需要有医学背景，但需要愿意花时间理解医学问题本身——这是做出真正有用的工具的前提。领域知识部分课题组会带，不用担心从零开始。
