人工智能驱动的精准运动生物医学多尺度数据整合
点击蓝字 关注我们
START
发表信息
文章题目:Artificial intelligence-empowered multi-scale data integration for precision exercise biomedicine
-本文图文摘要-
研究设计
本文为一篇叙述性综述，通过结构化文献检索，检索数据库涵盖Web of Science Core Collection、PubMed和Scopus，检索时间范围：2015年1月至2025年3月。检索词分为三组：第一组为运动相关词汇“exercise”、“physical activity”、“exercise training”、“cardiorespiratory fitness”；第二组为人工智能方法学词汇“machine learning”、“deep learning”、“artificial intelligence”、“transformer”、“reinforcement learning”、“causal inference”；第三组为转化应用词汇“ wearable devices”、“digital health”、“multi-omics”、“precision medicine”、“intervention”。各组内关键词使用布尔运算符“OR”组合，三组之间使用“AND”组合。
纳入文献包括英文论著和高质量综述，必须至少涉及以下领域之一：（1）运动的分子与多组学反应；（2）基于可穿戴设备的生理监测；（3）运动适应的AI驱动建模；（4）运动驱动的AI在疾病特异性应用；（5）与可靠性、泛化性和临床转化相关的方法学挑战。排除会议摘要、评论以及与运动或转化健康背景无明显相关的研究。纳入的研究按照数据模态、方法学范式和转化应用进行组织，优先选择代表性原创研究、高质量综述及与运动生物医学明确相关的最新文献。
研究结果
1. 数据生态：多尺度运动反应数据全景图
运动生物医学的数据生态涵盖分子组学、影像表型、可穿戴生理信号、行为与环境修饰因子等多个尺度。在多组学层面，运动触发了跨转录组、蛋白质组、代谢组和表观基因组的多层协同适应。蛋白质组学揭示了运动反应的组织和细胞类型特异性，人骨骼肌深层分析展示了肌纤维类型依赖的重塑，脂肪组织蛋白组学将运动与代谢性疾病状态联系起来，涉及线粒体功能、脂质代谢和炎症通路。值得注意的是，实验模型中观察到的性别依赖性多组学反应提示分子适应谱可能在不同生物学分层上存在系统性差异。表观基因组层面，早期运动可诱导持久性免疫代谢表观遗传程序，在动物模型中表现为持续至晚期的抗炎免疫增强效应，提示运动可能通过印迹机制形成持久分子状态并影响长期疾病风险。MoTrPAC等大型研究项目正在绘制运动的动态多组学反应图谱，为基于生理测量的反应预测和临床有意义状态的推断提供了建模基础。
-运动转化生物医学领域多尺度数据生态系统-
在影像与临床生物标志物层面，心脏影像有助于刻画运动相关重塑并区分生理适应与病理性肥厚，磁共振波谱可在临床人群中评估心肌能量代谢。神经影像方面，MRI表明持续身体活动可能促进类淋巴和脑膜淋巴流动，提供代谢物清除的通路；基于机器学习的脑龄估计已成为神经生物学衰老的代理表型，身体活动被认为是一个可修饰的相关因素。深度学习和基础模型已广泛应用于影像生物标志物提取，全切片病理学基础模型同样支持可扩展的组织层面表型分析。常规临床生物标志物仍不可或缺，而血浆蛋白质组学研究进一步识别了与运动血压反应和入射高血压相关的蛋白，以及与心肺适能和死亡率相关的蛋白质组关联。
可穿戴设备实现了运动及日常生理的连续、大规模真实世界监测，消费级设备集成加速度计、惯性传感、光学心率监测和光电容积描记法，可提取活动状态、恢复动力学和自主神经标记等数字表型。深度架构在活动识别中表现优异，自监督表示学习提升了有限标签下的数据效率。心率变异性、睡眠指标和能量消耗是具转化价值的可穿戴参数，光电容积描记法建模甚至可实现连续血压波形估计。声机械和肌肉机械信号等专业化可穿戴平台进一步拓宽测量带宽，但临床效用取决于多人群、多场景的严格验证。
行为与环境修饰因子方面，饮食与运动相互作用影响代谢进程，在代谢性肝病中饮食和运动联合干预往往优于单组分干预。餐时安排也可影响运动能力，多组学比较进一步显示以饮食为中心和以运动为中心的干预在超重或肥胖人群中可能产生不同的心脏代谢特征。昼夜节律提供了另一异质性轴，肌肉时钟成分Rev-erb参与慢性训练的时间依赖性适应。心理社会和环境因素方面，孤独感与全因死亡率相关，久坐时间可预测痴呆发生，提示需建模包括睡眠和不活动在内的完整24小时行为组成。更广泛的环境暴露进一步塑造活动模式，整合这些情境修饰因子与分子和生理信号对构建稳健模型至关重要。
2. AI建模策略：时间序列学习、多模态融合、因果推断与强化学习
-AI建模策略监测运动反应-
运动数据具有内在的异质性、多尺度和时间结构特征，涵盖高频生理信号、间歇采样的生物标志物及长期适应轨迹。这些特性催生了三大类建模策略：捕获时间动态、整合互补模态及支持干预设计的决策相关推断。
在时间序列建模方面，顺序深度学习已成为刻画运动适应的核心工具。循环神经网络，尤其是长短期记忆网络，因其内部状态可编码时间依赖性和运动状态间的转换，广泛用于可穿戴活动识别和生理监测。混合CNN-LSTM架构进一步结合局部特征提取与时间聚合，在基准可穿戴数据集上表现优异。真实世界部署中的关键瓶颈是高质量标签的有限性，自监督学习通过掩蔽重构、时间对比或预测等方式在无标签流上进行预训练，在有限标签下对下游表型进行微调，显著提升标签效率。基于Transformer的模型通过自注意力捕获长程依赖而无顺序处理约束，在医疗时间序列中已探索用于轨迹预测和异常检测，支持干预期间依从性、安全信号及非典型生理反应的监测。跨架构来看，领域偏移仍是持续挑战，域泛化基准和分解方法为提升鲁棒性提供了策略。
在多模态融合方面，运动反应很少由单一模态解释，可穿戴流、影像、组学、临床变量和行为语境提供了对生理状态和适应的互补视角，多模态融合旨在利用跨模态互补性来提升预测性能和鲁棒性。融合可在多个层面实现：早期融合在低级特征层面进行拼接但需谨慎同步；晚期融合集成各模态独立预测器但可能遗漏交互；中间融合学习联合表征以捕获跨模态依赖。最近，在大型多样化数据集上训练的基础模型已实现针对单一模态的可迁移表征，为将可穿戴、影像和分子数据耦合于运动生物医学中的统一模型提供了路径。方法学上，多模态融合在运动场景中面临采样率不匹配、数据质量差异以及部分模态缺失时的系统性缺失等实际挑战，模型设计需要显式机制来处理模态缺失、不确定性感知集成，以及对部分观测多模态队列的可扩展训练。
在因果推断方面，预测模型本身并不能确立运动干预是否导致结局变化，尤其是在观察性数据中混杂基线健康状态、社会经济因素和自我选择等偏倚时。因果推断框架提供了在随机试验不可行或不完整时估计干预效应和量化效应异质性的工具。工具变量设计和孟德尔随机化利用准随机变异来强化因果归因。对于纵向观察性队列，边际结构模型和g-计算可估计随时间变化的效应，同时调整时变混杂，此类方法已被用于将持续的身体活动轨迹与衰老结局关联起来。机器学习进一步增强了因果分析能力，可灵活建模高维混杂因素和异质性处理效应。
在强化学习方面，强化学习为不确定性下的序贯决策提供优化工具，是自适应和个体化运动处方的概念基础。强化学习在相邻医疗领域已有成功应用，例如2型糖尿病的血糖控制和个性化依从性信息推送。但当前大多数证据来自相邻临床领域，运动特异性的前瞻性研究有限，运动领域特有的强化学习应用仍然是待开拓的前沿方向。
3. 转化应用与障碍
笔者梳理了AI在心血管代谢疾病、代谢性肝病、神经退行性疾病、癌症存活期和慢性肾脏病等领域的应用，同时系统阐述了若干转化障碍。数据异质性体现在研究设计不统一、数据模态和采集方案多样、表型定义不一致，导致模型难以跨人群泛化。可解释性与不确定性沟通方面，临床决策需要模型输出可解释的预测和置信度估计，但当前AI模型在提供可靠的校准不确定性和临床可理解的解释方面仍存在明显不足。监管和伦理约束方面，AI系统在临床路径中的嵌入面临数据隐私、算法偏见、责任界定和监管审批的多重挑战。
-人工智能驱动的精准生物医学在运动相关健康和疾病领域的转化前景-
研究结论 AI驱动的多尺度数据整合为描述运动反应的个体间差异提供了前所未有的分析能力，当前运动生物医学数据生态在分子组学、影像表型、可穿戴和行为等多个尺度上均取得了显著进展，时间序列建模、多模态融合、因果推断和强化学习等AI方法学也为运动适应和干预设计提供了有力的建模工具。然而，当前研究在方法学验证和外推泛化方面仍存在明显不足，绝大多数AI模型仍在回顾性分析或概念验证阶段，缺乏前瞻性运动特异性验证。推动该领域发展的关键在于：建立兼顾机制解释与大规模部署的整合框架；构建可处理数据异质性和分布偏移的鲁棒模型；发展可解释性和不确定性量化方法以满足临床决策需求；完善数据监管标准和伦理治理体系。只有当上述技术、方法学和制度层面的挑战得到系统解决时，精准运动生物医学才能真正实现从概念验证到临床实践的跨越。
临床转化意义
本综述的临床转化意义：在个体层面，AI整合可穿戴数据、多组学与影像信息，可实现运动反应的精准分型与干预响应的提前预测，替代传统的经验式运动处方。在临床层面，多模态融合建模有潜力识别常规临床评估中难以捕捉的亚临床反应模式，AI驱动的动态监测与自适应处方系统有望在心血管代谢疾病、神经退行性疾病及癌症存活期管理等场景中提升康复效率、降低不良事件风险。在公共卫生层面，可扩展的数字监测框架可赋能社区慢性病运动干预，推动运动医学从精英体育向全民普惠转变。
原文链接：https://doi.org/10.1515/teb-2026-0009 或点击文末“阅读原文”
作者简介
END
往期回顾
2024年
（第1卷）第1期
2024年
（第1卷）第2期
2024年
（第1卷）第3期
2024年
（第1卷）第4期
2025年
（第2卷）第1期
2025年
（第2卷）第2期
2025年
（第2卷）第3期
2025年
（第2卷）第4期
2026年
（第3卷）第1期
关注我们，获取更多体育科学与运动医学的最新资讯！
Translational Exercise Biomedicine
《运动转化生物医学（英文）》(Translational Exercise Biomedicine)是一本国际化、开放获取的学术期刊，由上海交通大学和广州体育学院共同主办，入选中国科技期刊卓越行动计划二期项目高起点新刊，上海交通大学医工交叉期刊联盟成员，国际运动医学联合会 (FIMS)官方合作期刊 (2025-2) ，也是第14届亚洲运动学及体育科学大会(14th Asia Conference on Kinesiology and Sport Science)、第38届世界运动医学大会(38th FIMS World Congress of Sports Medicine)、全球促进体育活动联盟(Global Alliance against Physical Inactivity)的官方合作伙伴期刊。已被DOAJ、EBSCO、OARL、Dimensions等国际权威数据库收录。
（扫描或长按二维码直达期刊主页）
期刊官网https://www.degruyter.com/teb
初审 | 吴耀辉 刘 强
复审 | 夏江涛 周 石
终审 | 侯晓晖 程蜀琳