智能青年|利友诚:用心做AI,用爱讲AI

一边是实验室里的模型、数据与代码，一边是讲台上的故事、比喻与互动。

对北京大学智能学院2023级博士研究生利友诚而言，科研与宣讲并不是两条彼此平行的道路。前者探索人工智能如何服务生命健康，后者让更多人理解技术、走近科学。二者指向的是同一个问题：如何让人工智能真正回应人的需要。

利友诚师从王立威教授，主要研究机器学习和计算机视觉在生物医学工程领域的应用，关注医学影像分析与人工智能辅助诊断。他同时是北京大学博士生讲师团成员、北京大学智能学院“智能青年”学生宣讲团成员。2026年，他所在的北京大学博士生讲师团入选北京市科协组织开展的“弘扬科学家精神大学生宣讲团”。

如何向不同背景的听众讲清楚人工智能？

利友诚给出的答案，是从听众真正关心的问题出发。

在北京大学博士生讲师团“奋进‘十五五’，科技谱新篇”主题宣讲课单中，他以《从医疗AI到AI Scientist：生命科学的新范式》为题，从医疗人工智能的发展切入，介绍人工智能如何从辅助诊断进一步走向药物设计、实验规划和科研自动化，展望人工智能推动生命科学研究范式变革的可能。

截至目前，他已先后面向北京大学生命科学学院、北京大学第六医院、北京大学未来技术学院等单位开展宣讲，累计四十余场。面对生命科学、医学和人工智能等不同专业背景的听众，他既介绍技术发展的前沿趋势，也讨论人工智能应用中的边界、责任与人机协同，让抽象的“AI Scientist”不再只是一个遥远概念，而成为可以理解、可以讨论的科学问题。

宣讲不是简单地把论文内容搬上讲台。专业知识能不能被听懂、能不能引发思考，取决于讲述者是否真正站在听众的角度组织内容。

在北京大学学生宣讲组织交流会上，利友诚以《人工智能在北大》为题，回顾北大智能学科的发展历程与代表性成果。在交流宣讲经验时，他将“因人而异”概括为科普表达的重要方法：面对不同年龄、不同知识背景的听众，要重新选择案例、调整语言、控制知识密度。

走进万泉庄北社区开展AI科普时，他从听众熟悉的游戏和医疗诊断讲起：游戏中的非玩家角色如何利用人工智能作出反应，医学影像中的细微异常又如何被算法识别。复杂的技术原理被转化为具体的生活场景，人工智能也从屏幕上的陌生术语，变成了能够被感知、被提问、被理解的现实技术。

从院系课堂到医院，从校园交流会到社区活动，宣讲场景不断变化，但利友诚希望传递的内容始终清晰：人工智能并非少数专业研究者的“黑箱”，它正在进入科研、医疗和日常生活，也需要更多理性、准确而有温度的公共讨论。

讲台上的内容，来自实验室里的长期积累。

本科阶段，利友诚便确立了医工交叉的研究方向，主动学习医学成像和临床诊断知识，参与医疗器械、医学影像与空间转录组等相关研究。进入北京大学智能学院后，他继续围绕医学人工智能开展研究，希望通过算法与医学知识的结合，提高疾病筛查和诊断的准确性与可及性。

2026年4月，利友诚作为共同第一作者参与的研究成果发表于《Nature Biomedical Engineering》。该研究提出面向乳腺超声图像分析的生成式基础模型BUSGen，并在超过350万张乳腺超声图像上进行预训练。模型能够生成具有任务针对性的合成数据，为乳腺癌筛查、诊断和预后等下游任务提供支持。

在论文设定的乳腺癌早期诊断实验中，该方法相较9名认证放射科医师，平均敏感度提高16.5%。这一研究不仅关注模型性能，也探索了医学数据隐私保护和数据安全共享的可能路径。

医疗人工智能要真正进入临床场景，不仅需要给出结果，还需要提供值得信任的依据。

围绕这一问题，利友诚作为共同第一作者参与建设了乳腺超声推理数据集BUS-CoT。该数据集包含11439张超声图像，覆盖世界卫生组织定义的99种组织病理类别，其中精选的5163张病灶图像由具有丰富经验的医学专家进行标注和核验。研究通过建立观察、特征、诊断和病理等多层次信息，尝试帮助人工智能学习更加系统、透明的医学推理过程。

在更早的研究中，利友诚还以共同第一作者身份提出空间转录组细胞分割方法，通过多尺度流形学习综合利用基因表达与空间位置信息，以应对不同形态细胞的分割问题。

从实时超声病灶检测，到空间转录组分析，再到乳腺超声生成式基础模型和医学推理数据集，他的研究始终沿着一条清晰的主线展开：让人工智能更准确地理解医学数据，更可靠地辅助医生，也更切实地服务生命健康。