IEEE生物信息学与生物医学国际会议（IEEE International Conference on Bioinformatics and Biomedicine, BIBM）已确立其作为生物信息学与生物医学领域顶级研究会议的地位。BIBM 2026 提供了一个领先的论坛，用于传播生物信息学与健康信息学领域的最新研究成果。该会议汇聚了来自计算机科学、生物学、化学、医学、数学和统计学等领域的学术界与产业界的科学家。该会议受到国际学术界广泛认可，进入 CCF-B 分区。

本届研讨会聚焦于：医疗数据分析与医疗健康智能的AutoML。研讨会将与正会文章共同收录至大会 Proceeding 中（All papers accepted for workshops will be included in the main Conference Proceedings published by the IEEE Computer Society Press. ），我们诚挚邀请全球生物信息学与健康信息学团队投稿，共同探索AutoML for Healthcare。

自动化机器学习（AutoML）已成为构建智能系统的重要范式，其特点是在尽可能减少人工干预的情况下完成模型开发。通过自动化学习流程中的关键环节，如特征工程、模型选择、超参数优化和神经架构搜索，AutoML 为复杂生物医学问题提供了高效且可扩展的解决方案。随着医疗健康和生物医学数据的快速增长，包括电子健康记录、医学影像、组学数据和生理信号等，亟需能够有效处理高维度、异质性、噪声以及有限标注数据的自动化方法。近年来的研究进展表明，AutoML 在生物医学信息学领域具有广泛应用潜力，可用于疾病预测、医学图像分析、生物标志物发现和临床决策支持等任务。与此同时，在处理多模态、不平衡和不确定的生物医学数据，以及满足临床应用对可靠性、可解释性和效率的要求方面，仍然存在诸多挑战。本研讨会旨在汇聚机器学习、生物医学信息学和医疗健康分析领域的研究人员与实践者，共同探讨面向生物医学数据分析的 AutoML 的最新进展、关键挑战和未来方向。研讨会将为新方法、理论见解和真实世界应用提供交流平台，并促进这一新兴领域的跨学科合作。

• 面向生物医学信息学与医疗健康分析的 AutoML

• 面向医学影像与生物信息学的自动化学习

• 生物医学应用中的神经架构搜索

• 面向多模态和异质性生物医学数据的 AutoML

• 医疗健康系统中可信且可解释的 AutoML

• 面向电子健康记录与临床数据挖掘的 AutoML

• 面向生物医学大数据的高效、可扩展 AutoML

• 面向噪声、稀疏或不确定生物医学标签的学习方法

• 面向生物医学 AutoML 的元学习与迁移学习

• 基于自动化机器学习的 AI 驱动临床决策支持

我们的时间线遵循 BIBM大会要求，若发生调整，请以会议官网为准。

• 论文提交：2026年9月27日

• 录用通知：2026年10月18日

• 终稿提交：2026年11月8日

• 会议召开：2026年12月1日至4日

稿件通过 BIBM官方 cyberchair系统提交，在Subject Areas中选择 Workshop：AutoML for Medical Data Analysis and Healthcare Intelligence

格式需遵循 IEEE 双栏模板，正文 6 页。被接收论文将收录至 IEEE Xplore 检索。

线上（Full online）

• Nan Li：linan10@sxu.edu.cn

• Xinyan Liang：liangxinyan@sxu.edu.cn

• Huamao Jiang: Jianghm@jzmu.edu.cn

• Wellington P. Santos：wellington.santos@ufpe.br

如有任何疑问，欢迎联系：

linan10@sxu.edu.cn或liangxinyan@sxu.edu.cn