传统的临床诊断依赖定期就诊和中心化实验室检测，提供的是特定时间点的健康“快照”，无法捕捉生物过程的快速波动，也难以及时提供可操作的临床反馈。可穿戴传感器通过长时间、高分辨率地连续监测多种健康相关参数，正在改变这一格局。
从最初的物理传感器（监测活动量、心率），到过去十年兴起的化学传感器（可连续、无创获取汗液、组织间液中的分子信息），再到如今的多模态集成——单一设备同时采集物理信号（血压、心电图、脑电图、血氧）和化学信号（葡萄糖、乳酸、尿酸、C反应蛋白、钾离子等），可穿戴系统正从“单项指标监测”走向“全景式健康画像”。
2026年5月26日，发表于《自然·生物技术》的观点文章《利用人工智能提升医疗领域的多模态可穿戴传感技术》（Improving multimodal wearable sensing for healthcare with artificial intelligence）认为：可穿戴传感器与人工智能的深度融合，将推动医疗健康从“静态快照”走向“动态连续”的实时个性化管理。
该论文的第一作者是加州大学圣地亚哥分校（UCSD）纳米工程系的Yizhou Bian；通讯作者分别为：加州大学圣地亚哥分校（UCSD）纳米工程系教授Joseph Wang，苏黎世联邦理工学院分子与转化医学研究所讲席教授Noé Brasier，美国斯坦福大学医学院任终身正教授、首任新兴技术项目主任徐升。
一、多模态可穿戴传感器的发展现状
近年来，多模态可穿戴传感器的引入标志着健康监测领域的重要进展。这类设备能够同时连续监测多种生化和生物物理特征，从而在自然环境中对个体进行全面评估。
以Sempionatto等人2021年发表在《自然·生物医学工程》上的工作为代表，研究者开发了一种能够同步监测血流动力学与代谢生物标志物的“表皮贴片”。
该贴片集成了压电超声换能器用于实时测量心率和血压，同时通过电化学传感器在汗液中检测乳酸、酒精和咖啡因等代谢物，并通过反向离子导入法提取组织间质液分析葡萄糖浓度。
【相关研究】 《An epidermal patch for the simultaneous monitoring of haemodynamic and metabolic biomarkers》（中文译名：用于同时监测血流动力学和代谢生物标志物的表皮贴片）Sempionatto, J. R. et al. Nat. Biomed. Eng. 5, 737–748 (2021). 这项研究的关键创新在于，将两种不同类型的传感功能融合到了一个设备中： 血流动力学监测：贴片中集成了压电超声换能器，通过向动脉发射超声波并接收其回声，来实时测量心率和血压。 代谢监测：贴片还集成了电化学传感器。一方面，通过离子导入法（iontophoresis）诱导局部出汗，利用计时电流法（chronoamperometry）和差分脉冲伏安法（differential pulse voltammetry）在汗液中检测乳酸、酒精和咖啡因等代谢物；另一方面，通过反向离子导入法（reverse iontophoresis）提取组织间质液（interstitial fluid），用以分析葡萄糖浓度。 这种“一体式”贴片的设计，使其能够同时获取物理和化学层面的多维健康数据。 该研究已成为可穿戴多模态传感领域的重要参考文献，为后续的可穿戴多模态集成研究奠定了基础。 二、多模态可穿戴传感器临床转化的关键挑战
混合多模态可穿戴贴片与传统单模态系统相比，面临材料集成、信号串扰、功耗、数据融合等独特挑战。因此，需围绕不同病理生理条件相关的关键生物标志物和生命体征来设计系统。主要挑战如下：
数据科学挑战：模型体积庞大（难以部署在计算受限的可穿戴设备上）、可解释性差、模态特定偏差、采样率不一致、模态间不一致等。高维度带来的特征空间稀疏性、模态间关系模糊等问题进一步加剧了分析难度。
系统工程挑战：多模态系统功耗高、同步困难和解剖共置难题。安全和隐私问题使大规模存储和传输敏感健康信息复杂化。此外，多模态数据集需要大量标注工作，高容量模型需要计算昂贵的训练流程。
监管与验证挑战：每增加一种模态都会成倍增加验证场景，使临床验证更复杂、成本更高。多模态可穿戴系统在监管时容易落入高风险类别（取决于预期用途），大幅增加证据和审批负担。
算法公平性与泛化挑战：确保广泛适用且临床有效的算法训练尚未实现。保护隐私、确保公平获取、减轻算法偏见对防止健康差距扩大至关重要。
三、解决方法：定制化AI
为应对这些挑战，人工智能方法必须针对可穿戴传感器的多模态特性进行定制。具体策略如下：
1. 跨模态变换器、对比式多模态编码器以及自监督学习策略能够将异构数据流映射到一个共同的潜在空间中，从而实现对在尺度、噪声特征或时间结构上不同的信号进行联合解析，有效解决多模态问题（包括模态偏差和不一致）。
2. 针对非平稳时间序列优化的模型架构，如神经控制微分方程、自适应采样网络和连续时间变分编码器，能够灵活处理不同采样率和异步测量导致的数据错位。
3. 基于信息的Dropout机制有助于缓解不同模态之间的冲突，包括不一致、静默退化和偏置融合等问题。
4.穿戴系统的持续运行有助于通过长期收集大量平衡的无标签数据，解决与特征空间稀疏性相关的问题。通过被动地积累时空上多样但生理学上具有代表性的数据，可穿戴系统能够提高高维数据空间中的采样密度，从而缓解距离集中效应。
5.一个规模较小且经过战略性筛选的、由临床医生标注的数据子集可与集中后的数据结合，作为学习过程的锚点，使半监督或自监督框架能够高效收敛，而无需承担大规模人工标注带来的高昂成本，即可达到关键的临床终点。
【相关研究】 Liu, X. et al. Nat. Mach. Intell. 7, 1612–1624 (2025). 《Towards deployment-centric multimodal AI beyond vision and language》（中文译名：迈向以部署为中心的多模态人工智能，超越视觉与语言） 这篇综述指出，当前多模态AI研究过度聚焦于视觉与语言模型，忽视了实际部署中的挑战，倡导“以部署为中心”的工作流程，将部署约束条件在设计早期就纳入考量。 为促进这一理念，研究识别了多模态AI领域普遍面临的共同挑战，并结合了三个真实世界的应用案例进行探讨：大流行病应对、自动驾驶汽车设计以及气候变化适应。 四、闭环仿生设备：与人工智能融合的治疗新范式
定制化AI用于动态风险评分、异常检测和实时预警，直接支持多模态可穿戴传感器的核心目标——提供连贯的健康表征，并在异常出现时即时识别。
近年来，采用代理方法（如OpenClaw）的自动化导向型AI助手不断涌现，表明AI系统能够在领域专家的实时监督下，协调系统运行的多个方面，包括分析、调整和维护。
当与治疗模块集成时，这些模型可支持“即时自适应干预”，实现“芯片上的药剂师”式的个性化闭环医疗。
文章提出了实现技术落地的系统级设计策略：
轻量化模型、量化策略和能耗感知推理实现受限硬件上的高效模型部署；
边缘计算与云计算的混合架构允许在设备上实时推理，同时将计算密集型任务委派至云端；
“课程式”训练策略逐步引入新传感器模态，减少灾难性遗忘，稳定模型更新；
借鉴AlphaFold的成功经验，集成领域知识（生物力学先验、生理学约束、药代动力学模型）可提高模型鲁棒性，确保临床合理的输出，并允许模型具备从数据挖掘到内容生成的广泛功能。
目前，正在开发基于多源监测和内置药物递送的自主式AI引导可穿戴闭环系统，以改善糖尿病和帕金森病等各类疾病的管理。
【相关研究】 Teymourian, H. et al. Nat. Rev. Neurol. 18, 497–507 (2022).《Closing the loop for patients with Parkinson disease: where are we?》（中文译名：为帕金森病患者实现闭环管理：我们处于什么阶段？） 这篇2022年发表于《自然-神经病学评论》的观点文章（Perspective），前瞻性地描绘了帕金森病（PD）“闭环式”自主管理系统的蓝图。 该系统由三部分组成：用于追踪症状和病情的物理传感器网络、用于实时监测左旋多巴水平的化学传感器（包括可穿戴电化学传感器与微针传感器），以及一个与药物递送装置耦合的智能决策系统。 值得一提的是，Joseph Wang教授团队在后续研究中已开发出可用于实时监测左旋多巴的指尖汗液传感器原型。 这项研究提出的“闭环式”思路，与人工智能驱动的多模态可穿戴传感在医疗领域的应用方向一致。 五、展望未来：多模态可穿戴健康传感技术推动医疗创新
文章认为，多模态可穿戴传感与AI的融合，将开启超越传统临床环境的实时个性化医疗新时代。
包括多头注意力机制和语义表示学习在内的模式发现方法，能够揭示大规模可穿戴设备数据集中所蕴含的模式演变轨迹。
相较于简单地汇总单个传感器的信号，多模态融合有助于识别反映患者个体健康动态的跨模态模式。此类分析可揭示跨模态关系、细微的生理特征以及通过单一传感器测量难以获取的个性化基线信息。
由此获得的洞察最终可能有助于提升临床医生对疾病进展的理解，支持基础医学研究，并促进更全面的护理规划。
尤为重要的是，对长期可穿戴数据进行回顾性分析，能够发现疾病发生前的生活方式模式、行为特征及早期生物标志物变化。
这使基于人工智能的多模态系统具备双重能力：既可为个体提供治疗指导，又能为疾病进展的群体研究做出贡献。
例如，在糖尿病中，必须以稳定的参考值来控制短期和长期血糖浓度；而在慢性神经退行性疾病中，则需了解慢性病程进展患者治疗指标的变化情况。连续多模态传感器甚至可用于管理慢性或退行性疾病，以及急性疾病期间的远程监测。
【相关研究】 Paton, J. F. R., Żera, T., Vadigepalli, R., Herring, N. & Paterson, D. J. Nat. Rev. Cardiol. 23, 255–278 (2026).《Multimodal, device-based therapeutic targeting of the cardiovascular autonomic nervous system》（中文译名：基于多模态设备的治疗策略靶向心血管自主神经系统） 这篇由牛津大学发表在《自然-心脏病学评论》上的综述，系统阐述了如何通过微型化植入式设备调控心血管自主神经系统，并前瞻性地提出了“闭环仿生设备”与人工智能融合的治疗新范式。 文章重点关注微型化植入式传感器和致动器的发展，并将其与交互式建模和高分辨率成像的进步相结合，能够实现自适应的、基于状态的反馈控制。 文章还提及利用自主神经回路的转录组学来指导设备疗法，并探讨了干细胞疗法如何更精准地靶向交感神经回路，以优化对心律失常的治疗效果。 这篇综述为心血管疾病治疗提供了一种极具前景的、超越传统药物和介入手段的新范式，强调了生物电子医学与人工智能融合的潜力。
图1：多模态可穿戴传感、人工智能驱动的数据分析与治疗干预的融合，为下一代医疗健康提供支持。
本文引用格式：Bian, Y., Ding, S., Jutzeler, C.R. et al. Improving multimodal wearable sensing for healthcare with artificial intelligence. Nat Biotechnol (2026). https://doi.org/10.1038/s41587-026-03134-z
特别声明：智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。
凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。
