《Engineering Applications of Artificial Intelligence》：Artificial neural network-based biosensors for chronic diseases: Advances, challenges, and future directions
编辑推荐：
早期慢性疾病的诊断是现代医疗保健面临的最重大挑战与机遇之一，其对改善患者预后及减轻全球医疗系统沉重经济负担具有深远意义。一种有望应对此挑战的新兴技术范式是"智能"生物传感器(smart biosensors)的开发。这类先进分析装置将机器学习算法——特别是人工
早期慢性疾病的诊断是现代医疗保健面临的最重大挑战与机遇之一，其对改善患者预后及减轻全球医疗系统沉重经济负担具有深远意义。一种有望应对此挑战的新兴技术范式是"智能"生物传感器(smart biosensors)的开发。这类先进分析装置将机器学习算法——特别是人工神经网络(ANN)——直接与传感硬件集成，以实时处理复杂的多元电化学(electrochemical)及化学电阻(chemiresistive)数据。本综述批判性评估了用于慢性病管理的基于ANN的生物传感系统，全面比较了不同诊断与预测应用中的模型架构，并指出持续存在的研究空白。尽管ANN具备强大的模式识别能力，其实用性能与临床效用仍受限于与数据可用性、质量、安全性及生物系统固有复杂性相关的一系列挑战。分析表明，虽然在糖尿病管理及通过呼气分析的癌症筛查方面已取得实质性进展，但在传感器稳定性、模型泛化性及系统集成方面仍存在关键障碍。最终，本综述不仅提供技术目录，更提供全面的批判性分析，旨在使研究人员具备克服跨学科壁垒的洞察力，以实现通过下一代智能生物传感平台对慢性疾病进行可靠、可及的早期诊断。研究人员认为，前进之路需聚焦于生成稳健的临床验证数据、开发可解释且值得信赖的模型，以及建立系统的标准化评估与部署框架。
论文解读：基于人工神经网络(ANN)的慢性疾病生物传感器研究进展综述
研究背景与立项依据
全球人口老龄化加剧导致非传染性疾病(Noncommunicable Disease, NCD)即慢性病的发病率显著上升，传统的诊断方法多为侵入性、偶发性的医院中心化检测（如空腹血糖测试、组织活检），无法捕捉疾病早期的动态生物标志物波动，且易导致确诊滞后。现有生物传感器虽能实现微创/无创连续监测（如检测呼出气挥发性有机化合物(VOC)、组织间液葡萄糖、唾液炎症蛋白），但其原始信号常受生物噪声、非特异性吸附及漂移干扰，难以直接转化为临床诊断依据。人工神经网络(ANN)具备处理非线性、高维数据及特征自动提取能力，与生物传感器结合形成的"智能生物传感系统"有望解决上述痛点。然而，该领域存在研究碎片化、缺乏统一评估框架及临床转化障碍等问题。因此，McMaster大学研究人员通过系统性文献分析（检索PubMed与Web of Science，限定2000–2023年，聚焦糖尿病、癌症、呼吸系统疾病及电化学/e-nose/化学电阻式传感器配ANN模型），旨在梳理技术现状、比对架构性能、剖析瓶颈并提出发展路线图，该综述发表于《Engineering Applications of Artificial Intelligence》。
主要关键技术方法
研究人员采用叙述性综述（非PRISMA系统综述）方法，按疾病类别（糖尿病分类与血糖预测、癌症、呼吸系统及其他慢性病）对纳入文献进行定性综合与比较分析。关键技术要素包括：归纳生物传感器原理——电化学传感器（电流/电位/阻抗(EIS)）、化学电阻传感器（导电聚合物(CP)、金属氧化物(MOS)、场效应晶体管(SiNW FET)）及电子鼻(e-nose)阵列的数据特性；梳理ANN架构——多层感知器(MLP)、一维卷积神经网络(1D-CNN)、长短期记忆网络(LSTM/RNN)、径向基函数网络(RBFN)及集成神经网络(ENN)的数学基础与适用数据类型；制定ANN实施流程（预处理、特征工程/表示学习、按患者分层划分数据集、超参数优化、性能指标评估含Clarke误差网格及可解释AI(XAI)如LIME、SHAP）；并基于表格化合成（Table 2–7）进行跨研究架构-应用映射分析，识别数据质量优先于模型复杂度、时间序列表征需用时序模型等设计原则。
研究结果
1. 慢性疾病的生物标志物与生物传感原理(Section 3)
研究人员总结了适合无创/微创检测的三类核心生物标志物：呼出气挥发性有机化合物(VOC)（如丙酮(C3H6O)指示糖尿病酮症酸中毒、一氧化氮(NO)指示哮喘气道炎症、烷烃类指示肺癌氧化应激）、葡萄糖（连续血糖监测仪(CGM)测组织间液，具时间滞后性）及蛋白质/炎症标志物（如IL-6、CRP于唾液）。对应传感技术中，电化学传感器易受干扰物与电极污染致基线漂移；MOS传感器灵敏度高但选择性差需高温工作；e-nose由多单元非选择性传感器阵列构成，产生需模式分类的多维"指纹"响应；CGM输出具已知噪声与时间滞后的单变量时序信号。结论：各传感技术产生的数据形态（高维阵列模式、复杂时序、漂移单变量）直接决定下游ANN架构的选择。
2. 用于生物传感的ANN技术框架(Section 4)
详述MLP（通用函数逼近，适静态特征向量）、1D-CNN（局部卷积滤波，适原始时序/光谱自动特征学习）、LSTM（门控记忆单元，适具长时依赖的CGM序列）及RBFN、PNN、ENN之数学原理与优劣。实施管线强调必须进行患者级别(patient-level)数据拆分以防数据泄漏，小样本用嵌套交叉验证，并推荐结合SHAP/LIME提升临床可信度。结论：架构应与数据结构匹配，且严谨验证策略是避免过拟合与乐观偏差的关键。
3. ANN基生物传感器用于慢性病的回顾与分析(Section 5)
5.1 糖尿病：分类与血糖预测
糖尿病分类研究中，RBFN对呼气丙酮MOS阵列达99.9%准确率，混合CNN-SVM亦表现优异，但多数队列小且未控混杂因素。血糖预测（回归任务）从早期MLP(R2=0.971)演进至LSTM（30分钟预测视野(Prediction Horizon, PH)下99.73%属Clarke误差网格A区）及时态CNN(CRNN)，证实时序模型更能捕捉餐时、运动等长时依赖。结论：CGM预测已达临床可用精度，未来需融入进餐/胰岛素等情境数据并建共享基准数据集。
5.2 癌症检测与分类（呼气VOC）
肺癌、胃癌等e-nose研究显示准确率跨度大(37%–99%)，受癌种分期、传感器品质（SiNW FET配合简单MLP即获96%准确率区分肺癌与胃癌）、是否控制吸烟等混杂因素及ANN架构影响；结合人口学元数据可提升口腔鳞癌检出率至92.9%。结论：高性能依赖高质量判别性传感器数据及多模态融合，亟需多中心大样本标准化试验。
5.3 呼吸系统与其他慢性病
肺结核(TB) e-nose检测达99%准确率，呼吸机相关肺炎用ENN提升鲁棒性(94.79%)；慢性肾病(通过氨传感器+Elman回网)、慢性胃炎(Deep CNN)初步验证可行。结论：炎性状态常产强VOC信号使呼吸分析在呼吸系病表现较好，集成方法适于ICU等嘈杂环境。
5.4 架构-应用映射综合分析(Table 7)
提炼四大洞见：①数据质量（传感器选择性/ transducer技术如SiNW FET）比模型复杂度更决定上限；②静态模式→MLP/RBFN/CNN，时序→LSTM/1D-CNN符合理性对齐；③癌症检测大性能方差源于非标研究设计，需开放基准数据与最低报告标准；④混合模型(CNN-SVM)、集成(ENN)及VOC+临床元数据多模态融合是进阶方向。
4. 挑战与研究缺口(Section 6)
指出五大壁垒：生物污染(biofouling)致信号非平稳可用迁移学习/域适应或抗污表面修饰应对；临床研究"小样本(n<100)高维"困境可用物理信息神经网络(PINN)合成数据预训练、自监督/多任务学习及建立FAIR原则数据共享池缓解；生理数据隐私需联邦学习(Federated Learning, FL)+差分隐私；多传感器异构数据融合宜用带注意力机制的可微分融合或图神经网络(GNN)；验证需强制患者级拆分、嵌套交叉验证及前瞻性外部验证以防性能虚高。
5. 未来展望(Section 7)
倡导引入Transformer处理多模态长序列并建因果推断XAI；利用神经形态计算/存内计算(In-Memory Computing)降可穿戴功耗；通过联邦自学减标注依赖；硬件-软件协同设计含无线体域网(WBAN)分层智能及强化学习(RL)闭环治疗（如人工胰腺）；并强调需随机对照试验(RCT)证临床效用、适应SaMD(Software as a Medical Device)动态监管及主动消弭算法偏见保公平。
讨论与结论翻译（浓缩）
研究人员得出结论：ANN-生物传感器集成已从概念发展为可通过复杂信号实现准确疾病分类与生理预测的强力手段。静态e-nose模式分类适用MLP/RBFN，CGM时序预测适用LSTM/1D-CNN，集成法增强临床环境鲁棒性。模型性能根本上受限于换能器数据品质——先进传感界面（如SiNW FET）可产生令简模型达卓越分辨力的高保真数据。当前主要障碍含传感器生物污染、临床标注数据稀缺、"黑箱"问题及缺统一验证标准，须材料学、微电子、数据科学与临床医学跨学科协作解决。愿景为无缝智能健康监测，将慢病管理从反应性转为前瞻性个体化医疗。虽需标准化验证与监管推进，技术基础已奠定，通过攻克所识别研究缺口可加速此类智能系统从实验室向临床应用转化，最终实现慢性疾病早期诊治的全球健康改善。
