综述：生物医学研究中物理信息机器学习的近期进展与应用

【编辑推荐】本综述系统阐述了物理信息机器学习（PIML）如何通过融合生物物理定律与数据驱动方法（如物理信息神经网络/PINN、本构人工神经网络/CANN、神经常微分方程/NeuralODE），在心血管病、肿瘤学等生物医学领域提升模型精度与可解释性，同时探讨了频谱偏差等挑战与未来转化潜力。

　　

Physics-informed machine learning in biomedical research

生物医学研究致力于解析生命系统的生理与病理机制，而传统简化模型常忽略多物理场耦合效应。物理信息机器学习（PIML）通过将质量守恒、电生理动力学等先验知识嵌入机器学习（ML）框架，显著提升了复杂生物系统建模的鲁棒性。例如，在心肌电传导模型中，物理信息神经网络（PINN）通过纳维-斯托克斯方程约束，将预测误差降低达37%。

Key physics-informed machine learning techniques

物理引导的架构设计是PIML的核心：

• PINN：采用偏微分方程（PDE）残差作为损失项，成功应用于脑肿瘤生长预测

• 本构人工神经网络（CANN）：将胡克定律等本构关系编码至网络权重，用于软骨力学特性分析

• 神经常微分方程（NeuralODE）：通过可微分解算器模拟药物代谢动力学，但需注意其对离散事件（如细胞凋亡）的建模局限

Recent applications in biomedical research

在心血管领域，PINN融合血流动力学参数后，主动脉瘤破裂风险预测AUC达0.92。肿瘤学中，CANN整合PET-CT影像与生物热方程，实现放疗剂量分布优化。值得注意的是，神经内分泌模型采用NeuralODE耦合激素振荡方程，首次重现了胰岛β细胞的钙离子波动周期（R²=0.89）。

Current challenges

频谱偏差问题导致高频特征（如ECG信号R波）捕获困难，而生物系统常见的分岔行为（如癫痫发作阈值）需要新型激活函数设计。此外，跨尺度建模（分子-器官层次）仍面临计算效率与保真度平衡难题。

Concluding remarks

PIML正推动生物医学研究从"黑箱"向"白箱"范式转变。未来突破可能源于：① 引入注意力机制处理多时空尺度数据；② 开发生物启发的离散-连续混合架构；③ 建立标准化PIML生物医学基准数据库。正如前列腺癌液体活检模型所示，物理约束使小样本学习F1-score提升21%，印证了PIML在精准医疗中的独特价值。