《Frontiers in Digital Health》：Neuro-fuzzy systems in internet of medical things: a systematic review on applications, taxonomy, challenges and open issues
在医疗物联网（IoMT）中对实时、自适应和可解释分析的需求不断增长，增加了对用于互联医疗保健的神经模糊系统（NFS）的兴趣。通过将神经网络学习与模糊推理相结合，这些系统能够支持预测建模，同时提供基于规则的推理结构，这些结构需要明确评估可解释性、稳定性和临床可用性。本文基于结构化数据库检索、资格筛选、质量评估和叙述性综合，对2020年1月至2025年7月期间发表的55篇关于IoMT和互联医疗背景下神经模糊系统的同行评审期刊文章进行了系统综述。纳入的文章从MDPI、SpringerLink、ScienceDirect/Elsevier、IEEE Xplore、Wiley Online Library和Taylor & Francis检索获得，Google Scholar仅用于验证和引文追踪。开发了一种文章级别的、部署感知的分类法，根据架构、应用、设计、部署环境和报告的指标对证据进行分类。基于神经网络的优化是报告最多的架构，占28篇文章（50.9%），其次是混合神经模糊系统11篇（20.0%）、深度神经模糊系统9篇（16.4%）和演化神经模糊系统7篇（12.7%）。这种分布表明，证据基础仍然主要由静态或离线神经模糊设计塑造，而针对流式、非平稳和患者特定IoMT数据的演化架构相对未被充分探索。预测系统构成了最大的应用类别，其次是检测导向的系统。部署报告仍然有限，55篇纳入文章中有34篇（61.8%）未指定执行环境，而只有6篇文章（10.9%）报告了延迟或处理时间证据。总体而言，证据主要仍是回顾性的、实验性的、基于模拟的、基准驱动的或原型级别的。该综述确定了在线适应性、互操作性、部署感知性能评估和实践临床可解释性方面的反复出现的差距。尽管神经模糊系统在互联医疗应用中显示出作为自适应模型的潜力，但目前的证据尚未确立常规临床准备或临床有效性。未来的工作应加强演化神经模糊建模、前瞻性验证、部署感知评估、安全性评估、可解释性评估以及与电子健康记录和远程医疗工作流的集成。
1 引言
医疗保健行业正在经历重大的数字化转型，从以偶发性护理和手工记录保存为中心的传统模式转向智能、互联和数据驱动的系统，以支持持续监测、及时干预和个性化护理。这一转型的关键推动因素是医疗物联网（IoMT），它由互联的医疗设备、可穿戴技术、植入式传感器、移动健康平台和健康信息系统组成，这些系统获取、传输和交换患者、临床医生和医疗基础设施之间的生理和行为数据。通过这种连接，IoMT支持远程患者监测、慢性疾病管理、远程医疗、早期预警系统和响应更快的临床决策。IoMT的增长反映了医疗服务交付的广泛变化，互联医疗设备越来越多地用于将护理从医院扩展到家庭、社区环境、门诊和远程监测环境。IoMT的价值取决于连续处理，而不仅仅是数据收集。这些系统从具有不同采样率、协议、电池限制和可靠性配置文件的设备中生成异构、噪声、大容量和时间动态的数据，这给传统方法带来了挑战，包括在不确定性、非线性、缺失值和非平稳条件下的挑战。因此，IoMT需要智能模型，能够在边缘、雾、云和混合医疗基础设施中支持准确预测、自适应学习、经过评估的可解释性和部署感知操作。人工智能（AI）和机器学习（ML）已成为IoMT平台不可或缺的一部分，提高了预测性能、响应能力和自适应决策支持。在早期智能方法中，人工神经网络（ANN）因其在医学图像分析、生理信号解释和疾病分类等任务中的成功而受到重视。同时，模糊逻辑系统提供了一种通过基于规则的结构表示和推理不精确临床知识的手段，当规则库保持简洁、稳定和临床意义时，可以支持人类可读的if-then推理。然而，这些范式独立应用时也存在重要局限性：神经网络常因透明度有限而受到批评，而模糊系统在高维和数据密集型环境中可能难以扩展。神经模糊系统（NFS）作为一种混合方法出现，它结合了神经模型的学习能力和模糊推理的基于规则的推理结构。这种组合与IoMT特别相关，因为智能系统不仅需要从未处理过的噪声、非线性和异构数据流中学习，还需要支持具有临床意义和可解释的推理。因此，NFS已应用于诊断系统、患者监测、风险预测和治疗推荐任务，在这些任务中预测性能和经过评估的可解释性都很重要。它们在IoMT中的相关性不仅限于模型级预测能力，还扩展到实际部署中的系统级约束，如低延迟、可扩展性、互操作性、能源效率、隐私、安全性和跨分布式边缘、雾和云环境的适应性。因此，IoMT中NFS的研究必须从算法角度以及部署可行性、临床工作流集成和长期服务交付的角度来进行。
2 医疗物联网概述
2.1 IoMT概述
IoMT指的是一个互联的医疗生态系统，包括医疗传感器、可穿戴和植入式设备、移动平台、临床设备、通信网络和软件服务，它们获取、传输、处理并交换健康相关数据。通过结合传感、连接和计算，IoMT支持远程患者监测、慢性疾病管理、远程医疗、紧急响应和数据驱动的临床决策支持。在本综述中，IoMT被广义地处理，包括相关的互联医疗背景，如智能医疗、医疗IoT、可穿戴健康监测、无线身体传感器网络以及边缘、雾或云支持的医疗系统。IoMT应用通常涉及连续或周期性地获取生理和上下文数据，然后传输到本地网关、边缘或雾节点、云平台或临床信息系统。这些数据可以支持早期风险检测、患者状态跟踪、个性化护理和及时的临床干预。然而，IoMT系统也带来了重要挑战，包括数据异构性、设备互操作性、延迟、隐私、安全性、能源限制以及可信赖临床集成的需求。这些挑战促使使用能够在不确定性下操作同时保持适应性和可解释性的智能模型，前提是它们的规则库得到适当评估。
2.2 IoMT架构
IoMT架构可以被概念化为一个分层框架，将患者侧传感与网络通信、数据管理和临床应用连接起来。四层总结如下：数据收集层捕获来自医疗传感器、可穿戴设备、植入式系统、移动平台和医疗设备的生理、行为和上下文数据；网络层使用Wi-Fi、蓝牙低功耗、蜂窝网络、Zigbee、LoRaWAN和以太网等技术实现设备、网关和更高级别服务之间的数据传输；数据管理层支持异构设备、平台和临床系统之间的存储、预处理、集成、分析和互操作性；应用层提供面向用户的功能，如远程医疗、患者监测、仪表板、警报、设备控制和临床决策支持。这种分层架构对于审查神经模糊系统很有用，因为部署约束在各层之间有所不同。靠近传感器或网关运行的模型必须是轻量级和能源感知的，而基于云或雾的系统可能支持更繁重的分析，但可能会引入延迟、带宽、隐私和互操作性问题。
3 神经模糊系统基础
神经模糊系统将人工神经网络与模糊逻辑相结合，以支持从数据中学习，同时保留可以检查的基于规则的推理结构。神经组件学习权重、调整隶属函数或优化规则结果，而模糊组件通过语言变量、隶属度和可解释的规则结构表示不确定性。模糊集为每个输入分配0到1之间的隶属度，允许将低、中或高风险等临床状态逐渐表示，而不是严格的二进制类别。在医疗和IoMT环境中，这种集成很有吸引力，因为传感器和临床数据经常是非线性、噪声、不完整、异构和时间可变的。NFS可以支持预测、分类、监测和决策支持，同时通过模糊规则和隶属函数保留一些可追溯性。常见实现包括自适应神经模糊推理系统（ANFIS）、模糊神经网络、深度神经模糊模型、混合模糊神经分类器和演化神经模糊系统。这些模型在规则生成方式、参数更新方式以及学习是静态还是自适应方面有所不同。NFS与IoMT的相关性是双重的：首先，它们可以对不确定和非线性的患者数据进行建模，同时支持基于规则的决策逻辑，当规则库大小、稳定性、保真度和可读性得到评估时，这些逻辑可能是可解释的；其次，它们的实际价值取决于部署特征，如规则库大小、更新稳定性、延迟、内存使用、能源需求、隐私以及与临床工作流的集成。因此，本综述将NFS不仅视为预测模型，还视为分布式互联医疗系统的潜在组件。
4 现有医疗中神经模糊系统综述：文献空白与研究动机
4.1 医疗中神经模糊系统的最新综述
几项综述已经检查了医疗中的模糊和神经模糊模型，但它们的重点与本综述不同。Kour等人综述了用于医学诊断和分类的神经模糊系统，并报告了多个疾病类别的强大预测性能，但该综述主要关注诊断准确性和分类性能，对部署相关问题（如延迟、互操作性、资源限制、边缘或雾执行以及互联医疗基础设施内的集成）关注有限。Abdalla等人使用PRISMA方法综述了物联网支持的智能医疗中的模糊逻辑系统，该综述有助于理解模糊逻辑在医疗应用中的作用，但神经模糊系统被视为更广泛的模糊逻辑文献的一部分，而不是作为一个具有潜在规则级透明度的可训练模型家族。Jiang等人综述了用于健康监测的模糊智能和边缘计算，特别强调传染病监测，其工作与部署感知医疗分析相关，但其应用范围相对狭窄，并未提供跨越不同IoMT医疗应用、通信环境和自适应学习背景的神经模糊系统设计的更广泛综合。Cao等人检查了用于可解释诊断的可解释模糊推理系统，促进了临床决策中透明度的讨论，但分布式部署、互操作性、资源限制和实时操作要求未被视为核心审查维度。Zheng等人提出了医疗中模糊深度学习模型的分类法，对不确定的医疗数据、分割和分类进行了有用的覆盖，但该综述对独立的神经模糊系统、演化神经模糊系统及其在云、雾、边缘或混合IoMT部署条件下的可行性关注有限。更广泛的AI和IoMT医疗系统综述提供了神经模糊系统可能运行的更广泛的数字健康环境，但由于它们更一般地解决AI和IoMT技术，因此它们没有将神经模糊系统隔离为一个不同的方法类别。
4.2 综述动机
比较选定的背景综述突出了每个综述的主题焦点以及它在多大程度上解决了部署感知、互操作性或IoMT特定考虑因素。这些背景综述仅用于构建研究空白，未包含在系统证据库中。比较表明，以前的综述倾向于强调五种视角之一：神经模糊诊断、智能医疗中的模糊逻辑、支持边缘的模糊智能、可解释的模糊推理或广泛的AI和IoMT医疗系统。这些视角很有价值，但它们留下了重要的空白。首先，神经模糊系统通常被视为诊断工具或一般模糊逻辑的一个子集，而不是作为一个结合神经学习和可评估的基于规则的模糊推理的独特模型家族。其次，现有综述很少区分静态神经模糊系统和演化神经模糊系统，尽管这种区分对于IoMT环境中的连续学习、概念漂移处理和患者特定适应很重要。第三，以前的综述在文章级别上提供了有限的关于部署环境的证据，尽管云、雾和边缘执行对延迟、带宽使用、隐私、能源消耗、可扩展性和互操作性有直接影响。第四，大多数综述强调预测性能或可解释性，而部署感知评估指标（如延迟、内存使用、能源消耗、通信开销、吞吐量和实际集成）报告不一致或未被视为核心审查维度。本综述通过对IoMT支持医疗中的神经模糊系统进行结构化和部署感知的综合来解决这些限制，其中心贡献是一个文章级分类法，将神经模糊架构、医疗应用领域、静态或演化设计以及部署环境联系在一个分析框架内。与之前的综述不同，它区分了基于神经网络的优化、深度神经模糊系统、混合神经模糊系统和演化神经模糊系统；将纳入的同行评审期刊文章映射到预测、检测、护理支持和推荐功能；并检查是否报告了部署敏感指标。此外，本综述提供了补充表S1，将每篇纳入的文章链接到其应用领域、数据源、数据集类型、神经模糊模型、静态或演化分类、部署层、评估指标、部署敏感报告和主要局限性。
5 系统综述方法学
本综述采用了结构化系统综述方法学，适用于医疗和物联网研究。方案于2025年3月6日开始，最终搜索和验证于2025年7月31日结束，出版窗口上限为2025年7月31日，起始于2020年1月1日。搜索限制为英文同行评审期刊文章。系统证据库仅包括满足资格的同行评审期刊文章。非期刊来源、综述文章、会议论文、书籍、书籍章节、预印本等被排除在研究选择计数、提取矩阵、质量评估、分类法构建和综合之外。最终综合包括55篇同行评审期刊文章。完整文章级证据库见补充表S1。
5.1 研究框架与问题
综述过程包括三个阶段：规划、实施和记录。规划阶段定义范围、研究问题、搜索策略、资格标准和提取框架。实施阶段识别候选记录、删除重复项、筛选标题和摘要、评估全文并保留符合条件的文章。记录阶段根据架构、应用领域、部署环境、评估实践和实施约束综合提取的证据。综述由五个研究问题指导：RQ1考察IoMT和互联医疗中采用NFS的实际动机；RQ2确定NFS实施的医疗应用领域；RQ3跨功能和部署角色对NFS架构进行分类；RQ4检查纳入文章中用于评估NFS-IoMT证据的评估指标和方法；RQ5确定趋势、挑战、局限性和未来研究方向。
5.2 搜索策略与信息来源
使用结构化搜索策略识别IoMT和互联医疗背景下的神经模糊系统同行评审期刊文章。策略旨在捕获结合了相关神经模糊方法与医疗、临床、传感器或互联健康部署背景的候选记录。三个概念组指导搜索：神经模糊或相关模糊神经方法；IoMT、医疗IoT、智能医疗、传感器或互联健康背景；医疗应用、临床任务或部署相关术语。搜索字符串块S1-S9用于跨出版商数据库，包括核心神经模糊IoMT、互联医疗、ANFIS医疗IoT、可穿戴和基于传感器的医疗、演化模糊医疗流、深度和混合神经模糊医疗、部署环境、资源感知评估和模糊强化学习。这些块被设计为较短的表达式，以适应每个平台的语法差异。相同的搜索逻辑应用于所有出版商来源，MDPI、SpringerLink、ScienceDirect/Elsevier、IEEE Xplore、Wiley Online Library/Hindawi和Taylor & Francis。Google Scholar仅用于补充验证和引文追踪，不添加唯一的最终来源归属记录。
5.3 研究选择
研究选择分四个阶段：识别、重复删除、标题和摘要筛选以及全文资格评估。出版商数据库搜索确定了188条记录，来源级过滤和相关性检查删除了121条记录，剩余67条候选记录进入筛选日志。重复项手动删除后，剩余66条记录进行标题和摘要筛选，59条进行全文评估，最终55篇同行评审期刊文章纳入最终证据库。排除原因包括综述或背景文章、超出期限或非期刊、无神经模糊组件的模糊或ML研究、无IoMT背景的一般医疗AI文章以及提取细节不足。
5.4 最终纳入的同行评审期刊文章
最终系统证据库包括2020年至2025年间发表的55篇同行评审期刊文章，这些文章是唯一包含在选择计数、提取矩阵、质量评估、分类法和定量综合中的记录。补充表S1提供了完整的提取矩阵。
5.5 质量评估
每篇纳入的文章在三个NFS-IoMT证据质量维度上进行评估：数据集充分性、基准测试严格性和部署保真度。每个维度评分为0（未解决）、1（部分解决）或2（明确解决），总分0-6。数据集充分性涵盖来源、大小、代表性和临床相关性；基准测试严格性涵盖相关基线和适当指标；部署保真度涵盖IoMT相关条件，如分布式执行、流数据、延迟、资源使用、互操作性和隐私。质量评分不作为机械排除阈值，而是用于支持跨证据库的解释。最终质量评估显示总分范围为2-6，平均分3.98。8篇文章被评为低NFS-IoMT证据质量（0-2），26篇中等（3-4），21篇高（5-6）。部署保真度是最弱和最可变的质量评估领域，32篇文章得分为0，1篇得分为1，22篇得分为2。
5.6 数据提取
使用标准化数据提取表单记录每篇纳入文章的信息，包括书目信息、应用特征、架构特征、部署特征、评估特征、操作考虑和质量评估分数。该提取方案支持纳入文章之间的结构化比较，并直接映射到综述问题。
5.7 数据综合
提取后，纳入文章在三个主要维度上综合：神经模糊系统架构、应用领域和部署环境。架构综合考虑模型类型、静态或自适应以及学习范式；应用综合按医疗角色分组；部署综合检查云、雾、边缘或混合设置。由于数据集、任务和评估设置存在实质性异质性，综合是叙述性和比较性的而非元分析性的。百分比报告使用55篇纳入文章作为分母，每篇文章分配一个主要架构、应用、医疗域和部署类别。
6 医疗物联网中神经模糊系统的分类法
本节提出了一个结构化分类法，围绕三个核心维度：神经模糊系统架构、医疗应用领域和部署环境。第一个维度，神经模糊系统架构，捕获学习行为和主导模型设计。静态系统占48篇（87.3%），演化系统占7篇（12.7%）。在架构类别层面，基于神经网络的优化是最大的组，有28篇文章（50.9%），其次是混合神经模糊系统11篇（20.0%）、深度神经模糊系统9篇（16.4%）和演化神经模糊系统7篇（12.7%）。第二个维度，IoMT应用领域，根据主要医疗功能对神经模糊系统进行分类。纳入文章主要集中在预测和检测任务中。预测系统占29篇（52.7%），检测系统占24篇（43.6%），而护理支持系统和推荐系统各占1篇（1.8%）。第三个维度，部署环境，捕获模型在云、雾云、边云或未指定设置中的位置。部署报告仍然有限：34篇文章（61.8%）未明确指定部署层，15篇（27.3%）使用云或基于云的IoT/IoMT设置，5篇（9.1%）使用雾云或面向雾的设置，1篇（1.8%）使用边云设置。
6.1 神经模糊系统架构
6.1.1 静态神经模糊系统
静态神经模糊系统代表纳入证据库中的主要学习模式，占48篇文章（87.3%）。这些模型通常使用历史或批量数据集开发，其模糊规则库、隶属函数和网络权重在推理期间保持固定。它们的主要局限性是无法适应概念漂移、患者特异性变异性、变化的传感器条件或不断变化的临床背景而无需重新训练。静态神经模糊系统主要包括基于神经网络的优化、深度神经模糊系统和混合神经模糊系统。
6.1.1.1 基于神经网络的优化
基于神经网络的优化是最大的架构类别，包含28篇文章（50.9%）。这些系统使用神经学习或元启发式优化来调整模糊隶属函数、规则库、特征选择过程或结果参数，同时保留模糊推理的不确定性处理能力。报告的优化策略包括遗传算法、粒子群和基于种群的优化方法。这些模型用于心血管、糖尿病、帕金森病、癌症、青光眼、远程监测、自闭症和压力相关任务。一些文章提到云、雾或混合雾云执行，但详细的运行时证据仍然有限。总体而言，该类别在预测和检测任务中展示了强大的模型级性能，但大多数纳入文章仍然是静态、离线和基准导向的。
6.1.1.2 深度神经模糊系统
深度神经模糊系统占9篇文章（16.4%）。这些模型将深度学习的特征提取能力与模糊推理相结合。卷积或循环网络通常用于从医学图像、生理信号或多模态数据中提取高级表示，之后模糊推理支持分类、预测或基于规则的决策建模。这些纳入文章涵盖了医学成像、互联健康风险预测、白血病、肾脏疾病、心血管诊断、阿尔茨海默病和帕金森病筛查。这些系统的主要优势在于将表示学习与模糊推理相结合，但大多数仍是静态的，并在离线评估，云中心执行很常见，资源感知评估很少详细报告。
6.1.1.3 混合神经模糊系统
混合神经模糊系统占11篇文章（20.0%）。这些系统将模糊推理与其他计算范式（如深度学习、集成学习、回归树、联邦学习或元启发式优化）集成在一起。代表性示例包括递归神经模糊挖掘、深度和元启发式癌症检测、融合压力识别、联邦模糊集成、神经模糊回归树、心律失常集成和IoT支持的心脏病监测。混合类别拓宽了神经模糊设计空间，但通常计算密集、静态且在精选的离线数据集上评估，即使提到了实时传感或联邦学习，部署敏感证据仍然有限。
6.1.2 演化神经模糊系统
演化神经模糊系统占7篇文章（12.7%）。这些系统支持在线学习、结构可塑性和增量规则适应，随着新观察的到来更新其内部结构和参数。代表性演化文章涉及脑电图分析、心震图伪影去除、心音分类、可穿戴生物反馈、来自可穿戴IoMT数据的压力检测、宫颈癌诊断和心音识别。这些系统更符合互联医疗的自适应和连续监测要求，但它们的规则稳定性、可审计性和临床可读性仍需要明确评估。实际和临床准备也仍未得到证实，因为部署验证有限，数据集通常较窄，并且缺乏能量使用、内存占用、通信开销和在现实流条件下持续性能的报告。
6.2 医疗物联网中神经模糊系统应用领域
6.2.1 预测系统
预测系统旨在预测患者状态、疾病进展或不良临床事件。它们是最大的应用组，有29篇文章（52.7%）。纳入的预测文章主要集中在心血管、代谢、神经、心理健康和多疾病预测任务中。心血管预测是最突出的领域，包括心脏病诊断、可穿戴心脏监测和心血管风险评估。糖尿病预测形成了另一个主要集群，有云、雾云和基准ANFIS公式报告了强劲结果。还包括帕金森病估计、肾脏疾病预测、自闭症筛查、压力预测、泛疾病预测、多疾病严重程度预测、焦虑预测、水疗安全和体温预测、缺血性心脏病治疗预测和脑电图神经监测。总体而言，预测系统报告了准确性、精度、召回率等指标，但大多数仍面向模型性能，提供有限的部署敏感指标证据。
6.2.2 检测系统
检测系统识别疾病存在、异常生理状态或临床显著事件。检测系统构成第二大的应用组，占24篇文章（43.6%）。纳入的检测文章涵盖心血管、肿瘤、神经、情感健康和医学影像背景。心血管检测包括心音障碍检测、杂音识别、脉冲模式诊断、心律失常检测和心血管诊断。肿瘤检测包括急性白血病分类、乳腺癌诊断、肺癌检测、骨肉瘤检测、脑肿瘤检测和宫颈癌诊断。还包括帕金森冻结步态检测、精神分裂症检测、可穿戴压力检测和脑电图情绪识别。许多文章报告了强大的分类结果，但部署感知评估仍然有限，许多文章未报告延迟、吞吐量、计算成本、能量消耗、内存占用或通信可靠性。
6.2.3 护理支持系统
护理支持系统协助临床医生、护理人员和管理健康状况，特别是在远程监测、慢性病管理和康复环境中。只有1篇文章（1.8%）被归类为主要护理支持系统。有限证据表明神经模糊系统可能支持异构数据集成和远程决策支持，但该领域相对于预测和检测仍未得到充分开发。
6.2.4 推荐系统
推荐系统指基于患者资料和临床数据提出诊断行动、治疗策略或个性化治疗方案的神经模糊系统。只有1篇文章（1.8%）被归类为主要推荐系统。现有工作说明了神经模糊推理在个性化决策支持中的潜力，但更广泛的推广受到缺乏实时评估和操作验证的限制。
6.3 医疗物联网中神经模糊系统部署环境
部署环境是确定响应能力、可扩展性、隐私、能源需求和IoMT实际应用适用性的关键因素。在纳入的证据库中，34篇文章（61.8%）未明确指定部署层。在报告部署设置的文章中，15篇（27.3%）使用云执行，5篇（9.1%）使用雾云执行，1篇（1.8%）使用边云设置。云部署因其集中存储和可扩展性而被使用，但许多未评估通信延迟、能量消耗或内存使用。雾云部署较少但更适合延迟敏感的应用，不过大多数仍是模拟或基准导向，提供有限的持续吞吐量证据。边云部署最不具代表性，只有1篇文章，但边缘执行对于时间敏感、隐私保护和低连接性IoMT用例尤为重要。部署敏感评估也有限：只有6篇文章（10.9%）报告了定量延迟或处理时间证据，8篇（14.5%）提及延迟相关性但无定量值，41篇（74.5%）未报告延迟。没有任何文章报告能量消耗或内存/计算资源。总体而言，部署分析揭示了IoMT系统的临床需求与神经模糊文献评估实践之间的持续不匹配。
7 结果分析
7.1 IoMT中的神经模糊系统架构
架构在决定模型是否适合部署在实时、资源受限的IoMT环境中起着核心作用。修订后的证据库包括55篇文章。静态神经模糊系统占48篇（87.3%），演化系统占7篇（12.7%）。基于神经网络的优化是最大的组，有28篇（50.9%）；混合神经模糊系统占11篇（20.0%）；深度神经模糊系统占9篇（16.4%）；演化神经模糊系统占7篇（12.7%）。架构证据表明该领域仍以静态、准确性为导向的系统为主。基于神经网络的优化和混合系统合计占39篇（70.9%），表明证据库优先考虑训练时优化和模型融合。深度神经模糊系统与高维和多模态数据相关，而演化系统尽管与流式和自适应IoMT环境概念上更契合，但仍然相对罕见。在所有架构组中，延迟、能量消耗、内存占用、带宽使用和持续运行时性能的报告有限，限制了实际准备情况的评估。
7.2 NFS IoMT应用领域
该部分分析了神经模糊系统如何跨临床功能使用、采用动机和性能评估。预测系统占29篇（52.7%），检测系统占24篇（43.6%），护理支持和推荐系统各占1篇（1.8%）。预测系统用于预测疾病风险、进展或不良事件，主要集中在心血管、代谢、神经、精神健康和多疾病背景。检测系统侧重于识别疾病存在或异常状态，包括心律失常、癌症、压力和精神状态检测。护理支持和推荐系统代表性严重不足。采用NFS的主要动机是它们能够结合数据驱动学习和可评估的基于规则的模糊推理，但在所有应用领域中，模型级和系统级评估之间存在持续的不平衡。
7.3 NFS-IoMT部署环境
部署环境分析显示，55篇文章中34篇（61.8%）未指定部署层。云部署占15篇（27.3%），雾云5篇（9.1%），边云1篇（1.8%）。云环境提供可扩展性但可能引入延迟和隐私问题；雾计算可减少延迟但任务卸载和同步仍待报告；边缘执行对可穿戴和低连接性至关重要但证据极少。部署敏感评估极为有限，只有6篇文章报告了定量延迟，没有文章报告能量或内存。这揭示了算法准确性与操作验证之间的差距。
8 挑战、开放问题和未来研究方向
8.1 静态架构和有限的适应性学习
主要限制是静态NFS架构的主导地位。静态模型在离线训练并在推理中保持固定，这在IoMT中是有问题的，因为患者生理、传感器质量和临床背景可能随时间变化。演化NFS提供了更强的概念契合，但当前演化系统代表性不足，且通常在窄数据集上测试。重要问题如规则增长、更新稳定性、内存开销和灾难性遗忘需要更深入评估。未来模型应结合有界适应、剪枝、新颖性检测和资源感知学习。
8.2 部署感知和真实世界验证
证据库显示了算法准确性和操作验证之间的持续差距。许多文章报告高准确性但未在实时设置或多站点队列中评估。未来工作应包括实时模拟、硬件在环测试、边雾云试验台和数字孪生。声称实时或分布式IoMT相关性的研究应报告推理延迟、更新延迟、内存使用、能量需求、通信开销、吞吐量和鲁棒性。
8.3 云、雾、边缘和互操作性约束
部署层强烈影响可行性。云计算提供可扩展性但可能引入延迟和隐私问题；雾计算可减少延迟但任务卸载和同步仍待报告；边缘执行对可穿戴和低连接性至关重要但受限于资源。未来NFS-IoMT系统应使用轻量级推理引擎、压缩规则库和量化参数。互操作性同样重要，未来系统应支持安全流管道、模块化API和与HL7 FHIR、DICOM、ISO/IEEE 11073、MQTT和CoAP等标准的兼容性。
8.4 可解释性、可审计性和临床转化
NFS通常被描述为可解释的，但形式模糊规则结构应被视为评估的起点而非临床可解释性的证明。实际临床可解释性必须通过简洁、稳定、忠实和可理解的规则来证明。深度、混合和演化NFS可能降低可解释性。应报告规则库大小、重叠、稳定性、可读性、保真度和可审计性。临床转化需要前瞻性验证、外部测试、可用性评估和安全评估。
8.5 隐私、安全、可重复性和报告标准
IoMT系统处理敏感健康数据，隐私和安全应集成到传感、传输、推理和更新中。联邦学习和区块链可能有前景但带来挑战。可重复性受到限制，未来研究应报告数据集、验证策略、基线、复杂性、部署环境和系统级指标。表7总结了最低报告框架，分为模型级指标、系统级部署指标和临床转化指标。
9 结论
本综述综合了55篇关于IoMT和互联医疗中神经模糊系统的同行评审期刊文章。证据显示在预测、检测、监测和早期决策支持任务中具有明显潜力。该领域仍以静态、回顾性、基准驱动、基于模拟和原型级别的模型为主。文章级分类法将架构、应用领域、部署环境和评估实践联系起来，使得算法性能与实际准备之间的差距更容易追踪。大多数纳入文章报告传统的预测指标，而很少报告延迟、能量使用、内存占用、通信开销、鲁棒性、互操作性、临床可用性或前瞻性验证。因此，当前证据尚未确立常规临床准备或临床有效性。未来的工作应将透明报告与部署感知评估、可解释性评估、安全性评估和与电子健康记录及远程医疗工作流的集成结合起来。
