可穿戴生物傳感器已成為連續(xù)、實時健康監(jiān)測的平臺，能夠以非侵入性或微創(chuàng)的方式從人體不同部位采集生理、生化和環(huán)境信號。憑借小型化設計、組織貼合外形和良好的舒適性（圖 1a），這些設備可以融入日常生活，以接近傳統(tǒng)臨床設備的性能采集多模態(tài)生物信號（圖 1b）。除了即時診斷之外，它們正在推動醫(yī)療服務向非侵入式、分散式居家監(jiān)測方向發(fā)展（圖 1c），支持持續(xù)監(jiān)測、早期檢測和精準干預，同時減輕臨床負擔。

盡管傳感性能強大，但瓶頸在于解讀：高容量、異構的數(shù)據(jù)流難以手動解析，且無法擴展。多領域人工智能通過聯(lián)合學習多種模態(tài)并注入結構化領域知識來解決這一問題。多傳感器融合（圖 1d）將互補信號對齊成共享表示；知識圖譜（圖 1e）對精心整理的臨床關系進行編碼，以增強推理能力并降低脆弱性?？缬蜻w移（圖 1f）則重用在數(shù)據(jù)豐富的環(huán)境中學習到的抽象概念，以指導探索不足的情況，從而在數(shù)據(jù)稀疏時提高系統(tǒng)的魯棒性，推動系統(tǒng)從傳感器向決策者轉(zhuǎn)變。大型語言模型（LLM）為這一技術棧增添了對話層，將復雜的輸出轉(zhuǎn)化為清晰的、面向患者和臨床醫(yī)生的指導，并支持對不確定性和偏好的交互式探索（圖 1g）。結合連續(xù)傳感技術，這些智能體能夠引導系統(tǒng)從原始信號向決策者轉(zhuǎn)變，觸發(fā)決策、分析風險并提出后續(xù)步驟建議，而無需面對面咨詢，從而支持患者自我管理，同時減輕醫(yī)護人員的工作負擔。

在本綜述中，我們概述了多模態(tài)生物傳感和多領域人工智能的最新進展，并探討了它們的融合如何實現(xiàn)去中心化的、以患者為中心的醫(yī)療服務。我們首先概述了多模態(tài)可穿戴生物傳感技術的最新進展，以展示其對生理過程的互補覆蓋，并重點介紹具有代表性的診斷和篩查研究。然后，我們著重探討數(shù)據(jù)融合，闡述如何將第一手傳感器數(shù)據(jù)流與電子健康記錄和醫(yī)學文獻相結合，從而支持更精準的個體特征分析、鑒別診斷和決策支持。最后，我們討論了尚存的挑戰(zhàn)、可互操作數(shù)據(jù)集成的標準、隱私和治理、通用性和信任問題，并展望了閉環(huán)系統(tǒng)在生命體征層面提供全面評估的機遇。

本文亮點

1. 本工作提出了一種將多模態(tài)可穿戴生物傳感與多域人工智能相結合的去中心化醫(yī)療保健路徑。

2. 回顧了可穿戴傳感模式的最新進展，并總結了多傳感器融合如何改善患者畫像、增強診斷區(qū)分度以及實現(xiàn)更早期的風險預測。

3. 隨后描述了將生物傳感器測量數(shù)據(jù)與電子健康記錄、精選醫(yī)學文獻和知識圖譜整合的人工智能流程，以支持循證決策。

4. 最后討論了尚存的挑戰(zhàn)，包括數(shù)據(jù)質(zhì)量和跨模態(tài)數(shù)據(jù)對齊、跨域數(shù)據(jù)共享的隱私和治理，以及在真實世界異構性條件下的穩(wěn)健泛化能力。

圖文解析

圖1. 可穿戴生物傳感器與多領域人工智能的協(xié)同作用。(a) 具有皮膚/器官貼合設計的代表性可穿戴設備形態(tài)（例如，植入物、紡織品、貼片、手表、鞋類、隱形眼鏡）。(b) 指示生物信號采集解剖目標的體位“傳感器圖譜”。(c) 可穿戴設備可實現(xiàn)的傳感模式：生物化學、物理/機械、電生理和成像。(d) 將醫(yī)學文本、圖像和時間序列信號對齊到共享表示的多模態(tài)融合流程。(e) 基于知識圖譜的醫(yī)學推理，連接臨床記錄、公共衛(wèi)生和領域知識。(f) 跨領域表示學習，可在任務和模態(tài)之間遷移信息，以提高數(shù)據(jù)稀疏環(huán)境下的魯棒性。(g) 可穿戴設備和多領域人工智能可實現(xiàn)從描述性到預防性的分層臨床決策支持，推進去中心化、個性化醫(yī)療，并改善治療效果。

圖2. 從設備到智能的分層集成。多模態(tài)可穿戴設備集成于三個層面：(i) 物理層面，將生化、電學（心電圖/腦電圖/肌電圖）、機械和成像傳感器集成于柔性平臺上，該平臺采用可拉伸材料、微流控技術、混合界面和柔性電源；(ii) 信號層面，提供同步多通道讀出，并具備噪聲濾波和信號融合功能；(iii) 數(shù)據(jù)層面，利用人工智能驅(qū)動的融合和解讀，提供情境感知、自適應的診斷和臨床見解。

圖3. 多模態(tài)可穿戴生物傳感中的跨模態(tài)協(xié)同效應。(A) 生化-電學混合貼片，將葡萄糖傳感器和電生理傳感器集成于柔性微流控平臺上，用于同時進行代謝和心臟監(jiān)測。(B) 微流控可穿戴設備，將汗液代謝物分析、心電圖和溫度傳感集成于單一柔性架構中，以揭示電代謝相關性。(C) 用于感染傷口護理的可拉伸無線生物電子敷料，結合了多重生化傳感（pH值、葡萄糖、尿酸）、熱監(jiān)測和電刺激，用于閉環(huán)治療。(D) 生物粘附性超聲彈性成像貼片，將主動機械激勵與成像相結合，用于連續(xù)、可穿戴地繪制組織彈性圖。(E) 無線機械聲彈性成像平臺，將應變傳感與剪切波成像同步，以跟蹤運動過程中的組織力學特性。 (F) 多模態(tài)皮瓣監(jiān)測器，集成機械（應變、溫度）、光學（SpO2）和濕度傳感，用于定量評估移植片的灌注和活力。(G) 三模態(tài)軟貼片，將化學、光學和機械模態(tài)融合于同一平臺，實現(xiàn)自調(diào)節(jié)、情境感知的表皮電子器件。

圖4. 醫(yī)療保健領域的多領域人工智能工作流程。(a) 患者畫像：在數(shù)據(jù)/特征層面融合多模態(tài)生理數(shù)據(jù)（生化、影像、電生理、機械），構建綜合畫像。(b) 臨床評估：將該畫像與涵蓋癥狀、檢查、人口統(tǒng)計學信息、治療、結果和處方等的群體規(guī)模電子健康記錄 (EHR) 進行對比，以增強診斷和預測能力。 (c) 治療推理：基于文獻、公共衛(wèi)生數(shù)據(jù)庫和臨床試驗結果構建的領域知識圖譜支持跨領域表征學習和推理，從而推薦合適的治療方案。

圖5. 多模態(tài)醫(yī)學融合模型。(a) 醫(yī)學整體人工智能 (HAIM) 框架通過模態(tài)特定的特征提取器（例如，循環(huán)神經(jīng)網(wǎng)絡 (RNN)/Transformer/卷積神經(jīng)網(wǎng)絡 (CNN) 或統(tǒng)計模型）統(tǒng)一表格、時間序列、文本和圖像流，生成嵌入，用于下游分類器/回歸器（線性、SVM/聚類、基于樹的神經(jīng)網(wǎng)絡）。因組學）與后期整合相結合來緩解數(shù)據(jù)稀疏性，從而生成用于結果預測和亞型發(fā)現(xiàn)的跨模態(tài)特征。子模型從不同的數(shù)據(jù)模態(tài)中提取單模態(tài)特征，然后進行多模態(tài)整合以生成跨模態(tài)特征。 (c) 使用 Transformer 主干網(wǎng)絡進行癡呆癥鑒別診斷，該網(wǎng)絡可接收數(shù)值、類別和圖像輸入；每個特征在進行跨特征注意力機制和預測之前，都嵌入了模態(tài)感知方案。

圖6. 利用可穿戴設備和多領域人工智能實現(xiàn)醫(yī)療保健民主化。傳統(tǒng)醫(yī)療保健流程（黑色箭頭）。(a) 藍色箭頭：人工智能賦能的流程，其中上下文數(shù)據(jù)和可穿戴生物傳感器為連接到電子健康記錄/知識庫的多模態(tài)人工智能系統(tǒng)提供數(shù)據(jù)，并向智能個人健康助手和臨床醫(yī)生返回指導信息，涵蓋描述性報告、處方治療計劃、預測性預后和預防性風險管理。黑色箭頭：傳統(tǒng)工作流程?；疑^：傳統(tǒng)路徑和人工智能增強路徑之間的交互。 (b) 患者特定助手的展望：從確定性（是/否任務決策）到信息性（優(yōu)缺點選項排序），再到解釋性系統(tǒng)，后者將患者價值觀、生活質(zhì)量權衡和風險納入考量，從而提出行動建議。

圖7. 分散式醫(yī)療保健案例研究。(a) 基于表皮生物傳感器的遠程醫(yī)療，結合人工智能輔助的自我監(jiān)測。(b) 基于 GPT 的皮膚科助手，提供基于圖像的指導和解釋。(c) 移動控制的診療平臺，結合智能隱形眼鏡生物傳感器和用于治療眼部炎癥的可拉伸眼瞼加熱貼片。

審核編輯 黃宇