摘要
利用人工智能（AI）分析生理信号已成为临床诊断、事件预测、风险分层、监测和功能分析等任务的战略性工具。然而，人工智能在医疗领域的日益应用引发了一项关键担忧：模型虽然能够在特定任务上实现高性能，但这并不必然转化为临床实用性、可推广性或真正融入现实医疗环境。本文对2018年至2026年间发表的最新及具有代表性的基础研究成果进行了结构化综述，旨在系统梳理人工智能在生理信号分析中的应用特征。综述涵盖了所分析的信号类型、人工智能方法族系、所采用的技术、报告的评估指标，以及单模态或多模态融合的集成程度，并指出现有研究在验证、可解释性和可重复性方面的不足。最终数据库包含83条证据条目，以证据矩阵形式组织，内容包括人工智能方法族系、架构设计、报告的绩效表现以及所使用的生理或功能信号类型。本综述识别了单源方法、多模态预测融合和多模态表征学习三种范式，并阐明了它们在方法学特征和潜在临床应用方面的差异。本文的主要贡献在于表明，人工智能应用于生理信号的潜在临床价值不仅取决于算法性能，还依赖于其与稳健验证、可追溯性、可解释性、生理一致性以及与临床现象的相关性的有效整合。
