|
|
| 对话BDCC最佳论文奖获得者——Netzahualcoyotl Hernandez-Cruz教授与Pramit Saha博士 |
|
期刊名：Big Data and Cognitive Computing
期刊主页：https://www.mdpi.com/journal/BDCC
为鼓励学者在大数据与认知计算领域发表高质量研究成果，Big Data and Cognitive Computing（BDCC，ISSN 2504-2289）期刊设立最佳论文奖（Best Paper Award）。本期人物专访，BDCC期刊有幸邀请到最佳论文奖获得者——西交利物浦大学（中国）人工智能与先进技术学院的助理教授Netzahualcoyotl Hernandez-Cruz与牛津大学工程科学系博士后研究员Pramit Saha。他们在访谈中分享了其获奖综述的创作历程、联邦学习在医学图像分析中的发展现状，以及对BDCC期刊和开放获取出版的看法与态度。
本研究聚焦于联邦学习和机器学习在医学图像分析中的应用，其研究动机源于一个现实需求：将大型城市医院与小型诊所连接起来，使双方都能从彼此的数据优势中获益，同时保护患者隐私。作者在文献调研中发现，尽管联邦学习已被公认为关键的隐私保护方法，但尚无全面的综述专门探讨其在医学成像中的应用。为此，他们系统梳理了该领域的研究现状，识别算法层面的不足，并探索应对非独立同分布数据、异质性及医疗隐私等挑战的解决方案。
访谈内容
1. 能否简要介绍一下您自己和您的获奖论文？是什么促使您撰写这篇综述？
我们是来自西交利物浦大学（中国）人工智能与先进技术学院的助理教授，Netzahualcoyotl Hernandez-Cruz；以及牛津大学工程科学系博士后研究员，Pramit Saha。
我们的综述聚焦于联邦学习和机器学习在医学图像分析中的应用。我们的研究动机源于一个现实需求：将大型城市医院与小型诊所连接起来，使双方都能从彼此的数据优势中获益，同时保护患者隐私。我们发现了文献中的一个空白：虽然联邦学习被公认为一种关键的隐私保护方法，但尚无全面的综述专门探讨其在医学成像中的应用。我们旨在评估当前研究现状，识别算法层面的不足，并探索应对非独立同分布数据、异质性以及医疗健康领域隐私等挑战的解决方案。
2. 作为综述文章的作者，在调查和综合该领域大量文献时，您面临的最大挑战是什么？您如何确保综述保持全面性、客观性和前瞻性？
主要挑战在于应对巨大的文献发表量。我们最初检索到433篇论文，经过系统筛选后选取了约118篇进行详细分析。为避免偏差，我们使用了五个数据库：PubMed、IEEE Xplore、Scopus、ACM Digital Library和Web of Science。严格的方法论和明确的筛选标准确保了客观性。由于该领域发展迅速，我们设定了固定的检索日期，并在后续修订期间对综述进行了更新。开发一个有意义的分类体系颇为困难，因为许多论文结合了多项贡献；我们根据每篇论文的主要侧重点进行分类。在不同指标之间比较结果也具有挑战性，因此我们区分了可行性研究与真正具有重要意义的进展。我们的贡献包括批判性分析、分类体系、与医学应用的映射，以及实践实施指南。
3. 在调查文献过程中，您发现了哪些最令您惊讶的新兴趋势或尚未充分探索的方向？
我们观察到从理论研究向实际应用的明显转变。联邦学习现已足够成熟，可以进行实际验证，尤其是在医疗健康领域，它能够通过实现多机构协作而不共享原始患者数据来解决数据瓶颈问题。另一个有前景的方向是多模态和跨机构资源整合。我们尤其对连接大型城市医院与小型农村诊所感到兴奋——大型中心贡献丰富的数据，而小型机构则提供罕见或多样化的病例。这种协同作用有助于解决数据不平衡和异质性问题，最终可以减少医疗可及性方面的差距。
4. 作为最佳论文奖获得者，您想对未来希望向BDCC提交高质量研究的作者分享什么信息或建议？
我们强烈鼓励早期职业研究人员尽早撰写综述论文——它能提供该领域的思维导图，并加深对挑战、方法和空白的理解。将方法论视为关键成果，而非仅仅是一种形式；可复现的过程能够建立信任。此外，尽早参与同行评审，了解什么构成一篇优秀的论文。除此之外，关注现实世界的问题而非渐进式的算法创新，并密切关注数据质量——从数据收集到验证。最后，从一开始就让领域专家参与，确保您的研究解决真正重要的问题，并为最终用户带来有意义的益处。
5. 您如何描述您在BDCC的投稿和同行评审过程的整体体验？
我们的体验非常积极——过程结构良好、高效、透明且富有协作性。时间安排对于联邦学习这样快速发展的领域尤为合适，使我们能够保持综述的时效性。审稿人的反馈具有建设性、切合实际，并专注于提升质量。我们并非仅仅照做，而是感到这些意见真正帮助我们加强了稿件的严谨性和清晰度。
6. 基于您准备和提交这篇综述至BDCC的经验，您对改进综述文章的投稿和同行评审流程有什么建议？
我们认为整体流程运作良好。一个可能的改进是指明每条审稿意见的严重程度或优先级——例如，区分主要关切、次要问题和可选建议。这将帮助作者确定修订的优先顺序，并更好地理解审稿人的整体评估，同时仍鼓励认真考虑所有反馈。鼓励审稿人也指出积极方面，可以使体验更具建设性。
7. 在开放获取期刊上发表可以提升可见度和可及性。您认为BDCC的开放获取模式将如何支持您研究的传播和影响力？
我们强烈支持研究民主化。开放获取消除了经济障碍，使中低收入国家的研究人员能够获取我们的工作。这扩大了读者群，可以帮助新入门者了解该领域概览并识别空白。除了引用量之外，我们的动机是为社会贡献有用的东西。我们受益于前人的知识，希望以有助于他人的方式加以整理，尤其是对早期职业研究人员。如果我们的综述能帮助哪怕一位研究人员找到一个有前景的方向，我们也认为这是一个有意义的成果。
最后，感谢Netzahualcoyotl Hernandez-Cruz教授与Pramit Saha博士在百忙之中抽出时间接受Big Data and Cognitive Computing期刊办公室的采访，以及对 BDCC 期刊发展的肯定和支持。我们在此由衷地祝愿两位学者科研之路一切顺利。
期刊介绍
主编：Min Chen, South China University of Technology, China
Big Data and Cognitive Computing(ISSN 2504-2289)创刊于2017年，是面向计算机科学大数据与认知计算的国际性、跨学科、开放获取的学术期刊，主要发表与大数据、云计算、认知计算、人工智能通信、数据分析、移动大数据、认知学习、机器学习等相关主题的原创研究论文。期刊旨在将大数据理论与智能云新兴技术结合起来，并探索超级计算机的新应用。目前已被 Scopus, ESCI (Web of Science), dblp, Inspec, Ei Compendex等多个数据库收录。
2025 Impact Factor：5.3
2025 CiteScore：11.4
Time to First Decision：23.3 Days
Acceptance to Publication：4.8 Days
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
