面向区域录播管理应用设计的在线运营服务系统，实现所辖录播设备基于网络的统一接入管理，打造智能化、系统化、便捷化、实时化的远程运维服务。 轻松满足： ·信息化设备大数据展示 ·所辖前端集中在线运维 优势特点 直观可视的数据中心 通过电子地图的形式，按区域、分层级展现前端设备建设、使用情况，直观展示区域设备数据中心应用成果。 全天候的设备运行监控 系统全天候对接入设备进行状态监控，设备异常信息实时获取，及时跟踪排障。 高效的远程集中运维 接入设备远程参数配置、系统版本在线升级管理，足不出户即可实现整个区域的设备运维。

华为云会议，结合企业智慧屏等全系列智能协作终端，为客户提供全场景端云协同视频会议解决方案，满足跨地区、跨企业、跨终端的智能沟通协作需求。

面向云生态用户的一站式学习成长平台 体系化的课程内容 多维度的教学方式 权威性的认证考试 全方位的人才培养

2012年12月，专注职业技能提升的在线学习平台网易云课堂上线。面向大学后两年的大学生和初入职场前四年的新人。2017年12月，网易云课堂推出“行家计划”，拟培育100位年收入500万级的知识行家。

【师生办事可信应用服务平台】赋能可信电子凭证应用(“1+X”凭证)、可信电子证照应用(涵盖:“录取-毕业”整个学业历程)、在线签署应用(申请审批、项目课题、合同协议)、电子签章集成应用(OA、网办、财务报销)、可信身份验证(新生入学复查、学籍注册)等应用场景。 利用数字化、集成化、可信化的手段，依托PKI身份认证体系，以数字证书为基础，以数字签名、数字水印为核心技术，建立标准师生办事服务体系，实现统一标准的电子签章制作、发放、管理、审计、查询、验证等服务，解决师生办事自助服务过程中所遇到的关键问题，包括电子文件安全、电子公文交换的权威性、电子签章、电子签名合法性等问题。 ■ 应用场景一:可信电子凭证应用 可信电子凭证平台依托PKI身份认证体系，以标准电子签章服务体系为核心，将数字证书与学生校内基础数据整合，为师生提供可信电子凭证的申请、生成、派发、验证等全在线自助服务，解决全流程线上业务办理“最后一公里”问题，三步申请、一秒送达、一次搞定。 “1+X”赋能:1个核心凭证生成输出能力“赋能”X个业务部门多种凭证需求 ■ 应用场景二:可信电子证照应用 围绕可信电子证照全生命周期赋能，为师生提供在线申请、缴费、生成、预览、派发、授权、吊销及使用核验等可信电子证照应用功能。贯彻学生整个学习历程(从新生录取到毕业审核后发放可信电子毕业证书),支撑可信电子录取通知书、电子学生证、电子准考证、荣誉证书、获奖证书等各类可信电子证照的全面应用。 颁发的电子证照文件支持上架省政务平台实现“亮证”，融入省级可信互认体系。师生/校友用户可通过社会身份体系登录省政务平台查询并使用个人电子证照，有效打通校内外证照互认壁垒，显著提升电子证照的权威性与含金量。 ■ 应用场景三:在线签署应用(申请审批、项目课题、合同协议) 在线签署应用将身份认证、数字签名与电子签章技术深度融入校园管理全流程，实现申请审批、项目课题、合同协议三大场景全流程数字化管控: 申请审批:满足学籍异动、毕业离校办理、停调课等日常申请审批事项的发起、流转、审批、签名、盖章全流程线上办理，实现“师生跑签”到“线上秒签”，大幅缩短业务处理周期。 项目课题:大学生创新创业项目、横向课题协议、社科规划项目申请书等项目课题的立项申请、审批与评审环节，实现项目材料全流程无纸化管理，确保数据存证、防丢失防篡改。 合同协议:支持校内外人员自由签署三方就业协议、货物采购合同、技术服务合同等合同协议(数字签名、单位盖章)，签署过程合法合规、防抵赖、可追溯，签署文档实现数字化归档管理。

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。

2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。​结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。