可穿戴生物传感器已成为连续、实时健康监测的平台，能够以非侵入性或微创的方式从人体不同部位采集生理、生化和环境信号。凭借小型化设计、组织贴合外形和良好的舒适性，这些设备可以融入日常生活，以接近传统临床设备的性能采集多模态生物信号。除了即时诊断之外，它们正在推动医疗服务向非侵入式、分散式居家监测方向发展，支持持续监测、早期检测和精准干预，同时减轻临床负担。

尽管传感性能强大，但瓶颈在于解读：高容量、异构的数据流难以手动解析，且无法扩展。多领域人工智能通过联合学习多种模态并注入结构化领域知识来解决这一问题。多传感器融合将互补信号对齐成共享表示；知识图谱对精心整理的临床关系进行编码，以增强推理能力并降低脆弱性。跨域迁移）则重用在数据丰富的环境中学习到的抽象概念，以指导探索不足的情况，从而在数据稀疏时提高系统的鲁棒性，推动系统从传感器向决策者转变。大型语言模型（LLM）为这一技术栈增添了对话层，将复杂的输出转化为清晰的、面向患者和临床医生的指导，并支持对不确定性和偏好的交互式探索。结合连续传感技术，这些智能体能够引导系统从原始信号向决策者转变，触发决策、分析风险并提出后续步骤建议，而无需面对面咨询，从而支持患者自我管理，同时减轻医护人员的工作负担。

在本综述中，我们概述了多模态生物传感和多领域人工智能的最新进展，并探讨了它们的融合如何实现去中心化的、以患者为中心的医疗服务。我们首先概述了多模态可穿戴生物传感技术的最新进展，以展示其对生理过程的互补覆盖，并重点介绍具有代表性的诊断和筛查研究。然后，我们着重探讨数据融合，阐述如何将第一手传感器数据流与电子健康记录和医学文献相结合，从而支持更精准的个体特征分析、鉴别诊断和决策支持。最后，我们讨论了尚存的挑战、可互操作数据集成的标准、隐私和治理、通用性和信任问题，并展望了闭环系统在生命体征层面提供全面评估的机遇。

来源：传感器专家网