人工智能赋能生物工程:创新、挑战与未来方向——聚焦临床与转化发展的叙述性综述

《Bioengineering》:Artificial Intelligence in Bioengineering: Innovations, Challenges, and Future Directions: A Narrative Review

【字体: 大 中 小 】 时间:2026年10月17日 来源:Bioengineering 3.7

编辑推荐:

  人工智能(AI)正在迅速改变生物工程,其应用涵盖诊断和生物医学成像(biomedical imaging)、可穿戴技术(wearable technologies)、康复(rehabilitation)、生物材料(biomaterials)、生物制造(biof

  
人工智能(AI)正在迅速改变生物工程,其应用涵盖诊断和生物医学成像(biomedical imaging)、可穿戴技术(wearable technologies)、康复(rehabilitation)、生物材料(biomaterials)、生物制造(biofabrication)和数字孪生(digital twins)。本叙述性综述(narrative review)旨在审视人工智能赋能生物工程的主要创新、挑战和未来方向,尤其关注其临床与转化发展。研究人员在Scopus和PubMed中检索文献,重点纳入系统综述(systematic reviews)和荟萃分析(meta-analyses),并考虑主要生物工程领域中的其他相关二手文献(secondary literature)。共有57篇二手出版物纳入主要证据基础。综述过程还参考了ANDJ叙述性综述清单(ANDJ Narrative Review Checklist)以及对所选二手文献采用的既定资格与评分方法。所综述证据显示,人工智能应用广泛扩展,智能技术日益整合到生物工程系统中。然而,重要挑战仍然存在,尤其涉及数据质量与代表性、验证与可推广性、可重复性、安全性、人类监督、伦理责任、公平性和监管要求。未来进展预计将越来越多地涉及多模态(multimodal)、自适应(adaptive)、互联(connected)和以人为中心(human-centered)的系统,将人工智能与传感技术、机器人、数字孪生和纵向数据(longitudinal data)相结合。总体而言,人工智能赋能生物工程正在从有前景的技术应用迈向日益整合和转化的系统。其成功演进将取决于将技术创新与稳健的临床证据、负责任的开发以及适当的伦理和监管框架相结合。
1. Introduction
本综述围绕人工智能(AI)与生物工程日益融合展开。生物工程传统上以工程原理分析生物系统,并借助MATLAB/Simulink、LabVIEW、CAD/CAE、ANSYS和COMSOL Multiphysics等计算环境进行建模、仿真与优化。机器学习(ML)和深度学习(DL)进一步推动数据驱动的模式识别、预测、分类、优化、监测与自适应控制。大型语言模型(LLMs)如ChatGPT/GPT、Gemini、Claude和Llama可处理语言、图像、音频、代码及外部工具,支持文献信息提取、知识综合和数据库交互,但其输出需领域验证。AI还用于生物力学、组织工程、再生医学、三维生物打印、生物材料设计、生物芯片、可穿戴生物传感器、康复机器人、假肢与矫形器、数字孪生、生物铸造和仿生学。近期综述多聚焦特定应用,本综述则跨领域整合创新、挑战与未来方向,关注证据成熟度、验证、可推广性、转化相关性以及伦理和监管因素。AI赋能生物工程被界定为AI或ML在分析、预测、分类、设计、优化、监测、控制、个性化和决策支持中发挥实质作用。挑战包括数据质量、代表性、互操作性、透明度、可解释性、偏倚、隐私、网络安全、标准化、监管和人类监督。

2. Review Design and Organization
2.1. Design of the Review
本文为叙述性综述,方法学参考ANDJ叙述性综述清单,并对所选二手文献应用资格与评分方法。检索围绕创新、挑战和未来方向三个主题领域,主要纳入系统综述和荟萃分析,也考虑范围综述、叙述性综述和伞状综述等二手文献。二手文献构成主要证据基础,相关原始研究主要用于讨论部分补充临床评价、转化应用和患者相关结局。

2.2. Organization of the Review
综述分为三个主要部分:第3节创新,第4节挑战,第5节未来方向;第6节讨论,第7节结论。创新部分涵盖生物医学信号与成像、生物传感器与可穿戴技术、生物材料与组织工程、生物制造、机器人、康复、辅助技术、数字孪生等;挑战部分讨论数据、验证、可解释性、偏倚、隐私、标准化、安全和人类监督;未来方向部分探讨多模态AI、生成式与自主系统、数字孪生、自适应闭环系统、人机协作和个性化生物工程。

3. Innovations
3.1. AI, Robotics, Rehabilitation, and Assistive Technologies
AI辅助机器人手术用于手术协助、图像和视频分析、精度增强及流程功能。产后康复系统综述识别了AI和图像处理方法。胫骨假体对线自动化、仿生人工手结合传感、信号处理、控制和ML,体现从传统辅助设备向智能系统转变。深度学习与生物力学和肌肉骨骼模型结合,可支持个性化仿真、预测、优化和控制。

3.2. Wearable Technologies, Intelligent Monitoring, and Physiological Signals
智能可穿戴系统用于糖尿病足预防、评估和管理,监测足底压力、温度、湿度等。头痛医学中AI用于诊断分类、发作预测、神经影像和神经生理信息分析以及治疗反应预测。AI还用于口吃检测与分类,以及心电图(ECG)与心血管疾病诊断。总体趋势是从间断或人工解读转向连续、计算支持的监测。

3.3. AI-Supported Diagnosis and Clinical Decision Processes
医学影像中,一项系统综述和荟萃分析报告AI检测肿瘤转移的汇总敏感度为82%、特异度为84%、曲线下面积为0.90。COVID-19期间,数字成像和AI用于筛查、诊断、监测与管理。介入心脏病学中,AI用于图像分析、术前规划、术中引导、预后评估和决策支持,显示AI正从孤立图像分析进入诊断和操作流程。

3.4. AI in Specialized Bioengineering Applications
口腔修复学中人工神经网络用于多种临床和技术应用。非洲被忽视热带病相关综述将AI列为新兴技术之一。南非COVID-19期间虚拟医疗和数字技术包括AI、聊天机器人和机器人。这些例子说明AI创新受基础设施、医疗需求和部署环境影响。

3.5. Intelligent and Immersive Human–Technology Interfaces
沉浸式可穿戴虚拟现实用于自闭症评估和干预,并结合AI方法。ML用于跌倒检测和预防,通过传感器信息识别危险事件,支持更安全环境和响应性辅助技术。

3.6. Comparative Perspective on AI Approaches, Evidence, and Translational Maturity
ML和DL是主要方法,但其作用因数据类型和系统功能而异。影像中DL用于检测、分类、分割和定量解释;生理和行为应用中ML用于信号分类、预测、模式识别和连续监测;机器人、假肢和辅助技术中AI与控制、优化、对线和交互紧密相关。影像数据较结构化,可穿戴和生理数据常为连续、多模态和情境依赖。证据水平差异大,技术性能不等同于临床验证。AI整合可分为三层:数据解释、预测监测优化或决策支持、与物理或交互系统整合。

3.7. Scope and Coverage of AI-Enabled Bioengineering
所选证据更集中覆盖机器人、辅助技术、康复、可穿戴与传感、生理信号、医学影像、修复与牙科、介入技术和沉浸式人机界面;组织工程、再生医学、生物材料、生物打印和生物芯片未同等深入。综述目标不是穷尽所有应用,而是说明AI进入生物工程创新的代表性路径。

4. Challenges
4.1. Evidence Quality, Validation, and Generalizability
物理康复中AI证据异质,实施存在障碍和促进因素。护理中AI有益于教育、临床实践和工作量管理,但涉及劳动力适应、伦理和人文关怀。可穿戴AI用于睡眠呼吸暂停有潜力,但跨设备、数据集和临床条件评估复杂。头颈癌、口腔修复学等领域证据差异大,需更强验证。

4.2. Clinical Integration, Data, and Reproducibility
机器人手术需计算系统、机器人平台、临床医生和患者可靠交互,包括触觉和感觉反馈。结直肠癌淋巴结分期、牙种植规划等需整合入临床流程。肺结节检测和分割的DL常依赖公开数据集,数据来源和方法差异大。实施障碍涉及组织、技术、专业和情境因素。数字病理中99%研究至少一个领域存在高或不明确偏倚风险。MRI重建和冠状动脉成像也受数据集、协议和模型架构差异影响。

4.3. Translation to Real-World and Longitudinal Applications
产前超声中AI检测胎儿心脏异常需考虑图像采集、操作者经验、患者特征和临床环境。AI集成智能手表用于卒中和出血早期检测,需明确算法输出如何解释并纳入临床路径。ECG深度学习受信号、数据集、算法和临床应用多样性影响,跨人群和场景可推广性受限。

4.4. AI-Specific Challenges: Bias, Domain Shift, Explainability, and Uncertainty
数据偏倚和代表性是关键问题。肺结节DL综述中仅2/9研究进行外部验证,仅2/9研究在QUADAS-2四个领域均低偏倚风险。AI与医疗专业人员比较中,仅9/81非随机研究为前瞻性,58/81为高总体偏倚风险。域偏移指部署后数据分布变化。可解释性和不确定性也很重要,ECG中已探索Grad-CAM、SHAP和注意力机制等可解释AI(XAI)方法。可重复性受数据集、预处理、架构、超参数、评价指标和软硬件环境影响。隐私和网络安全涉及临床记录、医学图像、生理信号和可穿戴数据。

4.5. Model Drift, Post-Deployment Monitoring, and Sustainable Reliability
AI模型部署后可能遇到数据分布变化,即模型漂移,导致开发性能与部署后性能不一致。验证不应视为一次性事件,需监测性能、数据特征、错误模式、意外输出和临床结局。可穿戴和连续运行系统尤其需要部署后监测。人类监督应视为整体系统组成部分,而非事后附加措施。

5. Future Directions
5.1. From Predictive Models to Clinically Integrated AI Systems
心血管诊断中AI从传统ML走向多模态和智能体架构。口腔鳞癌中计算和AI影像生物标志物用于预测免疫治疗反应。口腔健康中AI与先进生物材料及微生物组相关口腔感染病结合。大型语言模型(LLMs)医学推理需评估可靠性、临床整合和安全性。

5.2. AI, Predictive Medicine, and Advanced Medical Imaging
患者生成健康数据可用于预护理过程。AI辅助MRI用于脊柱转移,AI医学影像用于股骨头坏死诊断,ML用于卒中死亡率预测。脑磁图(MEG)在轻度创伤性脑损伤中显示异常,听觉和神经损伤研究也引入ML。多模态医学影像中DL用于处理缺失模态。

5.3. Data Integration, Connected Healthcare, and Multimodal Bioengineering
COVID-19诊断中的大数据分析显示整合大规模健康信息的潜力。儿科医疗信息与通信技术表明互联医疗环境扩展。可穿戴纺织UHF-RFID传感器和AI可穿戴传感器用于人体工效学,显示可穿戴传感与AI融合,支持连续、情境感知和预测性应用。

5.4. From Specialized Applications to Personalized and Adaptive Systems
骨科DL应用扩展,未来可能结合影像、生物力学、患者特征和纵向结局。卒中预测可通过ML整合多变量。数字孪生在放射学中整合影像数据,未来可结合纵向临床信息、生理监测、AI预测和实时数据流,向动态决策支持系统发展。

5.5. Continuous Monitoring and Intelligent Human–Technology Interaction
可解释AI用于可穿戴传感器跌倒风险评估,对假肢和矫形器尤其相关。未来系统可结合多传感器、情境信息、生理信号和行为模式,持续更新对个体状态的解释,并适应环境、生理状态、功能状态或临床风险变化。

6. Discussion
6.1. Added Value and Role of the Review
本综述提供跨领域整合视角,围绕创新、挑战和未来方向。AI已用于医学影像、机器人、辅助技术、康复、可穿戴与生理传感、假肢、临床预测和互联医疗。主要障碍包括数据和方法的异质性、有限外部和前瞻验证、可推广性、可解释性、互操作性、数据治理以及临床、组织、伦理和监管整合。未来方向指向多模态、互联、个性化和情境感知系统。

6.2. Interpretation of the Reviewed Evidence
原始研究包括随机对照试验(RCT)、前瞻比较和多中心研究、单组临床研究及初步技术研究。RCT已评估AI支持康复和远程康复,如视频游戏吞咽康复、运动识别、自我管理、职业治疗和智能手机康复。前瞻比较研究评估智能手表和ML用于慢性卒中家庭康复,多中心研究评估食管胃十二指肠镜实时AI图像报告。其他研究仍处于单组或早期阶段。总体证据异质,需更大、更长和更具代表性的临床研究。世界卫生组织(WHO)、联合国教科文组织(UNESCO)、欧盟人工智能法案、美国食品药品监督管理局(FDA)、加拿大卫生部(Health Canada)和英国药品和健康产品管理局(MHRA)等指南强调负责任开发、人类监督、数据治理、透明性、稳健性和生命周期管理。

6.3. Limitations and Future Directions
本综述为叙述性设计,未进行荟萃分析或定量比较,文献异质且领域覆盖不均。未来研究需更大代表性人群、前瞻多中心验证、更长随访、标准化报告和真实世界评估。可解释人工智能(XAI)在医学影像和生理信号分析中愈发重要,需评估解释的保真性、稳定性、可重复性和临床有用性。深度学习与生物力学和肌肉骨骼模型整合、数字孪生、多模态纵向自适应系统、生成式和自主AI均是有前景方向,但需可靠性、可追溯性、可重复性、网络安全和人类监督保障。

7. Conclusions
AI正日益改变生物工程,涵盖诊断、影像、生物信号分析、可穿戴、康复、机器人、假肢、生物材料、生物制造和数字孪生。证据显示AI从孤立应用走向整合、个性化和智能系统。然而,技术性能本身不足以成功转化;数据质量、验证、可推广性、可重复性、安全性、人类监督、伦理责任和监管要求仍居核心。未来系统将更趋向多模态、自适应、互联和以人为本,其成功取决于更强临床证据、负责任整合以及安全、可信、公平和可持续的价值交付。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号