综述：利用神经网络进行食物过敏诊断、管理和研究的应用现状与未来展望

（编辑推荐）本综述系统探讨了神经网络（NNs）在食物过敏领域的变革性应用，涵盖过敏原检测、风险预测模型构建、个性化免疫治疗（AIT）优化及流行病学大数据分析，同时指出数据异质性、模型可解释性（XAI）和伦理规范是临床转化的关键挑战。

　　

Abstract
食物过敏作为全球性公共卫生挑战，正通过神经网络（NNs）技术迎来诊疗范式革新。最新研究表明，深度学习模型在过敏原痕量检测（如质谱成像结合卷积神经网络CNN）、多组学数据整合（基因组^SNP+表观组_DNA甲基化）驱动的个体化风险预测、以及基于强化学习（RL）的免疫疗法剂量优化等方面展现出突破性进展。

Purpose of Review
当前临床面临过敏原交叉反应性（如PR-10蛋白家族）鉴别困难、口服食物激发试验（OFC）风险高等痛点。神经网络通过特征提取引擎解析患者特异性IgE_sIgE反应模式，将皮肤点刺试验（SPT）假阳性率降低32%。值得注意的是，图神经网络（GNN）在食物过敏-哮喘共病网络分析中成功识别出IL-33/ST2通路关键节点。

Recent Findings

1. 诊断革新：Transformer架构处理电子健康记录（EHR）时，对花生过敏的AUC达0.91，显著优于传统Logistic回归（0.76）
2. 检测技术：太赫兹光谱+残差网络（ResNet）实现食品中麸质_Gliadin的ppm级检测
3. 治疗优化：长短时记忆网络（LSTM）预测奥马珠单抗（anti-IgE）治疗剂量-反应曲线的R²达0.89

Summary
尽管存在数据标准化困境（如ISU-AgRD数据库兼容性问题），神经网络仍推动食物过敏进入精准医学时代。未来需建立联邦学习框架解决数据孤岛问题，同时开发SHAP值可视化工具满足临床解释需求。跨学科协作将加速从实验室AI模型到床边决策支持的转化进程。