医学科学与工程中的物理信息机器学习

物理信息机器学习（PIML）正作为一种可能变革性的范式在医学科学与工程中建模复杂生物系统，通过将参数化物理规律与数据驱动方法相结合来实现。本文综述了三类主要的 PIML 框架：物理信息神经网络（PINN）、神经常微分方程（NODE）和神经算子（NO），突出它们在医学科学与工程中的日益重要作用。我们首先介绍 PINN，它将支配方程嵌入深度学习模型，已成功应用于生物固体和生物流体力学、机械生物学和医学成像等领域。随后我们综述 NODE，它提供连续时间建模，特别适用于动态生理系统、药代动力学和细胞信号传导。最后，我们讨论深度 NO 作为学习函数空间间映射的强大工具，能够高效地跨尺度和空间异构的生物学领域进行仿真。全文强调在物理可解释性、数据稀缺或系统复杂性使得传统黑箱学习不足的应用场景。我们指出医学科学与工程中推进 PIML 的开放挑战和未来方向，包括不确定性量化、泛化以及 PIML 与大语言模型集成等问题。