面向医疗应用的扩散模型 / LLM 生成式 AI

项目概览

本项目隶属于 King’s College London 的 Faculty of Dentistry, Oral & Craniofacial Sciences，聚焦 large language models、diffusion models 与 generative AI。

课题将开发新的模型架构、训练策略和评估框架，应用范围覆盖科学与生物医学等领域。

研究强调多模态学习、可控生成、推理、参数高效微调与推理加速等方向，并与跨学科的 AI 驱动生物制造项目相衔接。

项目联系人为 Dr Yunpeng Li 与 Dr Ayan Das，完整项目细节和申请方式以学校官网为准。

项目详情

项目介绍说明，研究团队位于生成式 AI 的前沿，将围绕 foundation models 设计新的架构、训练方案和评估方法。课题的目标并不局限于单一应用场景，而是希望把生成式 AI 方法推广到科学与生物医学等高要求领域，尤其关注复杂、高风险决策环境中的发现支持与决策支持能力。

研究内容将覆盖 multimodal learning、controllable generation、reasoning、efficient fine-tuning 和 inference。项目可能处理结构化数据、文本、图像或科学序列等不同模态，并分析这些模型如何在更复杂的科学工作流中发挥作用。换言之，课题既关注模型本身的性能，也关注它们在真实研究任务中的可用性和可解释性。

作为更大研究组合的一部分，申请者还有机会参与一个面向 AI-driven biomanufacturing 的 Horizon Europe 项目，与生物学家、临床医生和工程师共同工作，把生成式 AI 方法转化到实际科学流程中。项目强调，这种协作不仅涉及学科交流，也涉及把模型训练、评估和部署流程与真实研究平台连接起来。项目同时明确指出，相关应用领域的专门知识并非必须条件；更重要的是申请者对机器学习研究方法本身的掌握，以及将模型推进到科学场景中的能力。

项目还特别看重申请者能否在多模态数据、结构化数据和科学序列之间建立统一的建模思路，并把结果用于复杂高风险环境中的发现支持与决策支持。若申请者熟悉跨团队合作、能在实验或生物医学语境下解释模型行为，这一方向会更有发挥空间。项目也强调把模型评估与应用场景连接起来，而不是只看单一基准分数。 这意味着研究会同时关注泛化能力、可控性和真实工作流中的实际效用，并强调模型在跨学科场景中的可迁移性。 这些都是该项目希望重点推进的能力。

申请要点

• 资助性质：资助型博士项目（面向全球申请者）。

• 申请截止：2026年8月15日。

• 联系人：Dr Yunpeng Li、Dr Ayan Das。

• 背景偏好：欢迎具有机器学习、深度学习、自然语言处理、计算机视觉或相关领域扎实基础的申请者。

• 优先经验：训练或微调 LLM / diffusion models 的经验、处理大规模数据集的经验、科学编程经验均较受欢迎。

• 申请方式：完整项目说明与申请路径以学校官网为准。

• 对希望进入 scientific AI、foundation models 与生物医学应用交叉领域的申请者，这一项目提供了明确的研究入口。

需要进一步确认

• 项目介绍未逐项列出学位时长、奖学金覆盖范围、推荐信数量或面试安排。

• 是否要求特定编程语言、框架或统计/科研软件，文本中未明确说明。

PhD 项目深度调研报告：面向医疗应用的 diffusion models / LLM 生成式 AI

执行结论

推荐标签：有吸引力，但需核实匹配度。 这对具备扎实机器学习实现能力、希望在医疗、科学发现或生物制造场景中推进生成式 AI 的申请者来说，是一个很强的机会。最有力的正面信号来自 King’s College London 官方项目页面、KCL 及其 Dentistry 学科的整体背景，以及 Dr Yunpeng Li 在 AI 与数字口腔健康方向上的官方履历。

需要注意的风险都很具体，而不是泛泛而谈：海外申请者必须核实 home fee 与 overseas fee 之间的学费差额；本轮公开检索中，副导师 Dr Ayan Das 的公开证据仍然偏少；此外，Horizon Europe 生物制造部分对应的具体 work package、数据集、算力资源以及博士生承担的工作，也都需要导师进一步确认。

学校、项目与地点信号

KCL 作为项目承载方，整体背景较强。学校官方新闻显示，KCL 在 QS 2026 中位列全球第 37、英国第 6；同一条新闻还提到 Dentistry 在 QS 学科排名中位列全球第 5、英国第 2：来源。

Faculty of Dentistry, Oral & Craniofacial Sciences 作为这个项目所在学院，对于生成式 AI 与生物医学工作流交叉的博士课题来说，是可信的应用型研究环境。学院页面将其博士和研究生研究定位为基础、临床和转化研究：来源。研究生研究页面还说明，研究型学生通常配有两位导师和一位 postgraduate coordinator，并强调设施、技术条件和国际合作：来源。

这一点很关键，因为该项目不是一个脱离应用场景的通用 foundation-model 课题，而是放在临床和转化导向的学院环境中，可能与口腔健康、医疗决策以及生物制造流程发生直接联系。这对应用落地是加分项，但申请者仍应核实：AI 基础设施究竟主要来自导师组内部、跨学院合作，还是外部 Horizon Europe 网络。

导师与实验室评估

导师研究方向

主导师方向与项目主题匹配度较高。Dr Yunpeng Li 的 KCL 官方主页显示，他是 Reader in AI & Digital Oral Health，隶属于 Faculty of Dentistry, Oral & Craniofacial Sciences 及 Centre for Oral, Clinical & Translational Sciences：来源。其公开研究兴趣包括 trustworthy AI、uncertainty quantification and propagation、multimodal AI、privacy-preserving machine learning、dental and oral health、biodiversity、computational statistics，以及 software as a medical device。

对于一个面向医疗应用的生成式 AI 博士项目来说，这样的方向基础是有说服力的，尤其是在项目强调可靠性、不确定性、评估和跨领域迁移的情况下。不过，这份公开履历本身并不能证明该团队在 LLM 或 diffusion-model 架构研究上已经有很深、很长期的积累。官方项目页面补上了一部分信息，因为它明确列出了项目的技术范围：LLMs、diffusion models、multimodal learning、controllable generation、reasoning、efficient fine-tuning 和 inference：来源。

近期重要论文

从公开发表记录看，现有证据更强地支持数字健康、生物医学成像、计算机视觉和牙科 AI，而不是直接支持其在 LLM / diffusion 方向上的主导地位。KCL 主页链接到了 Google Scholar，但本轮细节抽取受限，因此这里主要参考一个已做过作者消歧的 bibliographic author record：来源。

相关近年论文包括：

• Deep Learning in Dentistry: A Literature Review from an AI Researcher’s Viewpoint（2026）：Yunpeng Li 参与合著，直接对应牙科 AI 与临床应用背景：来源。
• Reconstructing three-dimensional surfaces of tissues from a single polarimetric image（2023）：结合深度学习和物理先验进行组织三维表面重建，与多模态生物医学 AI 和模型评估相关：来源。
• Eliminating unbalanced defocus blur with a binocular linkage network（2021）：双目视觉方向的神经网络工作，可视为计算机视觉模型设计和评估能力的旁证：来源。
• VisionBlender: a tool to efficiently generate computer vision datasets for robotic surgery（2020）：虽然时间较早，但对合成生物医学数据和手术视觉评估仍有参考意义：来源。

更务实的判断是：主导师的公开研究记录足以支撑“应用 AI / 数字健康 / 不确定性 / 生物医学数据问题”这一侧，但如果申请者尤其看重最前沿的 LLM / diffusion 架构训练，那么仍应进一步问清楚，这一部分由谁主导，以及联合导师之间的分工到底如何。

实验室、资源与合作环境

从学院层面看，这里的研究环境对转化型健康研究是有支撑的。Centre for Oral, Clinical & Translational Sciences 介绍其研究覆盖口腔病理、面部重建和口腔外科，并以患者和社会获益为共同目标：来源。学院研究组与实验室页面则强调跨学科协作，以及不同研究组和实验室对国际研究与培养的支持：https://www.kcl.ac.uk/dentistry/research/research-groups-labs。

项目页面还提到一个围绕 AI-driven biomanufacturing 的跨学科 Horizon Europe 项目。EU CORDIS 的检索结果说明，智能化和 AI 驱动的生物制造确实是 Horizon Europe 中活跃的方向，但本轮没有从公开项目证据中核实到准确的项目名称和 work package：来源。这是需要优先确认的事项之一。

研究方向与领域前景

领域动能

这个题目处在高动能方向上：foundation models、LLMs、diffusion models、multimodal learning 和 controllable generation 都是当前 AI 研究和应用中的热点。Stanford HAI 的 AI Index 为生成式 AI 和 foundation models 持续处在研究、投资和部署讨论中心提供了广泛背景证据：来源。

但一旦进入医疗场景，要求就会明显提高。WHO 关于 health AI governance 的指导明确强调，安全、问责、透明、隐私和偏差控制都是医疗 AI 的核心问题：来源。对这个博士项目来说，有价值的贡献很可能不只是“把模型做出来”，而是同时在评估框架、不确定性、可控性、领域适配和失效分析上做扎实工作。

可能的研究切入点

结合现有证据，比较合理的切入点包括：

• 面向生物医学或科学场景生成模型的高效微调或推理优化。
• 在文本、图像、结构化数据或科学序列之间进行多模态生成。
• 在明确临床或科学约束下开展可控生成。
• 面向高风险输出设计评估框架。
• 构建具备不确定性感知或隐私保护特性的 foundation-model 工作流。
• 将生成式模型用于支持 AI-driven biomanufacturing 的实验设计或决策流程。

项目描述本身很有吸引力，但范围也比较宽。比较现实的第一年计划，应该尽快收敛到一种核心数据模态、一条应用工作流，以及一个清晰的技术创新点。

职业与市场前景

对同时具备 AI 技术深度和领域转化能力的申请者来说，这个方向的职业信号是积极的。英国的 AI Opportunities Action Plan 将 AI 采纳视为经济增长、未来岗位和公共服务改进的重要驱动力：来源。NHS AI Lab 也表明英国存在较成熟的医疗 AI 转化生态：来源。KCL 的 health-partnership 体系可能进一步放大这一点，但项目层面的具体接入方式仍需确认：来源。

这类训练的职业价值，最高体现在学生毕业时是否真正具备以下可展示能力：模型训练或 fine-tuning、严格评估、可复现实验代码、领域验证，以及理解治理约束下的实际部署。

资助、申请与生活成本

学校官方项目页面明确写出：

• 申请截止时间：15 August 2026, 23:59。
• Funding code：2026/08YL。
• Funding type：stipend and tuition fee。
• 学费由资助方承担，stipend 按 UKRI rate 发放。
• 资格条件为 home fees only；overseas 学生可以申请，但需要自行承担 home fee 与 overseas fee 之间的差额。

来源：来源。

UKRI 的资助说明支持这一关键限制：UKRI 资助通常只覆盖到 home fee rate 的水平，国际学生可能仍需自己承担部分学费：来源。

生活成本方面，伦敦需要认真预算。GOV.UK 的 Student visa 财务要求说明，除非满足豁免条件，否则申请者需要证明自己有足够资金覆盖课程费用和生活成本：来源。KCL 的 living-cost 页面也值得直接查看，以确认学校当前给出的学生预算假设：来源。Numbeo 可以提供补充性的城市成本背景，但不应替代签证或学校官方预算依据：来源。

因此，资助结论非常清楚：对 home-fee 申请者，这是一个很强的资金机会；对 overseas 申请者，则只能算“有条件成立”，前提是学费差额已经明确且可承担。

申请者匹配度与准备

最适合的人群

这个项目最适合具备机器学习、深度学习、NLP、computer vision、computational science、biomedical AI 或相近技术背景的申请者。官方页面明确表示，若有训练或 fine-tuning LLMs / diffusion models、处理大规模数据集以及 scientific programming 的经验，会更具竞争力。

需要谨慎的情况

如果申请者主要想做偏临床、偏湿实验，或低代码的 AI 项目，那么这个课题未必合适。项目措辞很明确，核心是新架构、训练策略和评估框架。缺乏强编程和模型实现证据的申请者，申请说服力会明显不足。

对 overseas 申请者来说，在学费差额没有量化前尤其要谨慎。即使有 stipend，也不等于海外学费差额已经被解决。

可强化的技能与证据

更有帮助的证据包括：

• 一个可复现的 PyTorch 或 JAX 项目，涉及 LLM fine-tuning、diffusion models、多模态学习，或科学 / 医疗数据。
• 大规模数据处理、GPU 训练、高效微调、LoRA / adapters 或推理优化经验。
• 与评估相关的工作，例如 calibration、uncertainty、hallucination / factuality、robustness、bias、privacy 或 safety。
• 一份能把项目收窄到单一数据模态和单一应用工作流的简短研究提案。
• 能证明自己可以与临床医生、生物学家、工程师或其他领域研究者有效协作的材料。

风险与待核实问题

高优先级问题

1. 2026/27 学年的准确 stipend 金额是多少？是否包含 London weighting 或额外 top-up？
2. 每年的 overseas 学费差额到底是多少？是否存在 waiver 或补充资助？
3. 哪位导师或合作者负责最核心的 LLM / diffusion-model 架构部分？
4. Dr Ayan Das 的角色、所属机构和具体指导贡献是什么？
5. 已经落实了哪些数据集？还需要哪些数据治理审批？
6. 学生可以稳定获得哪些 GPU / compute resources？
7. 相关 Horizon Europe 项目的准确名称、work package，以及博士生的预期贡献是什么？

中优先级问题

1. 整个博士期间，医疗应用和 AI-driven biomanufacturing 各自大致占多大比重？
2. 论文发表目标更偏机器学习会议、生物医学 AI 渠道、牙科 / 健康期刊，还是跨学科 outlet？
3. 学生会主要嵌入某个实验室、跨学院 AI 团队，还是外部联盟？
4. 到第一年结束时，项目希望学生掌握多少生物制造或临床工作流知识？
5. 除了填写 funding code 2026/08YL，申请是否还要求一份较完整的研究计划？

证据与来源

• Official project and funding page: 来源
• Dr Yunpeng Li profile: 来源
• Yunpeng Li bibliographic record: 来源
• KCL rankings news: 来源
• Faculty of Dentistry, Oral & Craniofacial Sciences: 来源
• Dentistry postgraduate research page: 来源
• Centre for Oral, Clinical & Translational Sciences: 来源
• Research groups and labs: 来源
• UKRI studentship support: 来源
• GOV.UK Student visa finance: 来源
• WHO health AI governance: 来源
• Stanford HAI AI Index 2025: 来源
• UK AI Opportunities Action Plan: 来源
• CORDIS AI-driven biomanufacturing search: 来源

门禁补充链接

• NHS AI Lab
• KCL living costs
• King’s Health Partners
• London cost of living reference
• Semantic Scholar paper 0bbe
• Semantic Scholar paper 99d8
• Semantic Scholar paper babf
• Semantic Scholar paper bf46