支持计算病理学基础模型开发：数据准备（包括染色/扫描协调与标准化、数据增强、严格质量控制、WSI切片/补丁提取）
构建和评估多分辨率架构（层次化、金字塔或注意力模型），集成5×–40×放大倍数下的切片和幻灯片级上下文，用于稳健的形态学特征学习
进行自监督表示学习：使用可扩展的分布式训练和针对组织病理学定制的现代实践，在多尺度WSI上训练基础模型
在适当情况下实施弱/多实例学习：为仅具有幻灯片或病例级标签的下游任务实施和优化MIL和弱监督策略
操作多GPU/云环境，确保大规模可重复性：跨GPU的分布式学习、容器、编排、特征存储、版本控制、实验跟踪和检查点
评估基准测试：表示质量（线性探针、少样本、检索）、跨站点泛化、染色/扫描鲁棒性、不确定性校准，并进行统计上可靠的比较
整合多模态表示：研究整合/融合病理学、细胞绘画、细胞分析组学和化学/ADME特征的方法，例如通过联合嵌入、后期融合和跨模态注意力
支持开发统一的药物安全风险评分：使用集成/元学习、模态消融、OOD检测，并在临床前毒性数据集上进行前瞻性验证
与病理学家、计算安全AI科学家和其他安全领域专家紧密合作
推动可解释性审查、与领导层的清晰沟通以及里程碑规划
科学沟通：推动项目团队内高质量和开放的科学与后勤沟通，确保整个团队在项目过程中保持一致