医学跨学科的新方向——工程医学

吴锦慧 ,  顾宁

Engineering ›› 2025, Vol. 45 ›› Issue (2) : 266 -276.

PDF (9803KB)
Engineering ›› 2025, Vol. 45 ›› Issue (2) : 266 -276. DOI: 10.1016/j.eng.2024.09.009
研究论文

医学跨学科的新方向——工程医学

作者信息 +

New Orientation of Interdisciplinarity in Medicine: Engineering Medicine

Author information +
文章历史 +
PDF (10037K)

摘要

人类历史的发展轨迹以与疾病的持续抗争为特征。随着时间的推移，医学领域已从神秘的巫医和草药疗法转变为一个复杂的当代医学体系，包括基础医学与健康科学、临床医学和公共卫生。然而，当前的医学发展面临着重大挑战，特别是在将基础研究成果有效转化为临床和公共卫生实践应用方面。科学家越来越多地与临床专家合作，通过深入研究基本机制来克服这些障碍并解决特定的临床问题。这种合作创造了一个新的跨学科领域——工程医学（EngMed），专注于通过整合多学科来满足临床和公共卫生需求。本文讨论了工程医学的定义、关键任务、重要性、教育意义以及未来趋势。

Abstract

The trajectory of human history is characterized by a persistent battle against disease. Over time, the field of medicine has transitioned from enigmatic witch doctors and herbal remedies to a sophisticated realm of contemporary medicine that includes fundamental medical and health sciences, clinical medicine, and public health. Nevertheless, the present phase of medical advancement encounters significant challenges, particularly in effectively translating basic research findings into practical applications in clinical and public health settings. Scientists increasingly collaborate with clinical experts to overcome these obstacles and address specific clinical issues by delving deeper into fundamental mechanisms. This collaborative effort has created a new interdisciplinary field: engineering medicine (EngMed), which focuses on addressing clinical and public health needs by integrating various scientific disciplines. This article discusses the definition, key tasks, significance, educational implications, and future trends in EngMed.

关键词

工程医学 / 生命科学 / 跨学科医学 / 医疗诊断

Key words

Engineering medicine / Life sciences / Interdisciplinary medicine / Medical theranostics

引用本文

引用格式 ▾
吴锦慧,顾宁. 医学跨学科的新方向——工程医学[J]. 工程（英文）, 2025, 45(2): 266-276 DOI:10.1016/j.eng.2024.09.009

登录浏览全文

4963

注册一个新账户 忘记密码

1 工程医学的发展

医学是人类对知识不懈追求的缩影，人们不断努力去理解疾病并促进健康。纵观历史，医学的进步是通过逐步认识及利用植物、动物和矿物作为治疗工具和诊断辅助手段而发展起来的[1‒2]。同时，科学技术的进步也增强了人们对人类健康和疾病的认识与理解，拓展了传统医学学科，并为循证医学、远程医学、数字医学和综合医学等新领域开辟了道路。因此，这一演变凸显了跨学科的合作努力以及开发满足临床需求技术的动力[3‒4]。

医学教育通常分为基础医学与健康科学、临床医学和公共卫生（预防医学）三个领域[5‒6]。除了转化医学外，工程与技术的直接参与将基础医学与健康科学的研究成果转化为临床医学和公共卫生领域的实际应用[7]。应对临床挑战需要整合现有方法和前沿技术。在国际上，研究型大学下属的三级教学医院是成功模式的典范，临床科学家与临床医生紧密合作，开展以疾病为中心的研究，并设计出新颖的诊断和治疗策略[8]。目前，我国医院中全职临床科学家的数量不断增加，正在推动我国的学术研究发展。然而，研究与临床实践的结合仍落后于国际标准。

临床工程师在医院中发挥着至关重要的作用，他们管理和维护医疗器械、设备和系统，以实现设施现代化并确保运营成本效益[9]。他们越来越多地与临床医生紧密合作，参与临床研究，并专注于特定的医疗挑战。他们在机械领域的独特见解为新型医疗技术和材料的发展做出了重要贡献[10]。这些与临床科学家的合作加速了临床医学的研究和技术进步，催生了一个新兴的跨学科领域，即工程医学（EngMed）[11]。本文通过定义EngMed的范围和主要目标，并探讨其意义和未来方向，对EngMed进行了介绍。

2 EngMed的定义和主要任务

EngMed代表了一种开创性的科学范式，它整合了临床医学、生物医学工程（BME）和转化医学的原理[11]。它充当了临床挑战与BME创新工具及方法之间的桥梁，从而阐明临床问题[12]。此外，EngMed在医学与BME之间建立了反馈循环，促进了疾病诊断和治疗方式的不断改进。EngMed作为一个具有前瞻性的跨学科领域，与不同学科协同作用，推动未来的进步。

EngMed的主要目标是通过整合材料、信息、数据科学和智能技术来加强医学研究。其目的是解决临床医学和疾病预防中的实际问题。EngMed与临床和公共卫生部门紧密合作，对疾病机制进行深入研究，探索新的诊断和治疗原则，并开发创新技术和临床应用（图1）。

3 EngMed的内涵

EngMed涵盖两个主要方面：第一，它涉及使用当代BME方法识别和阐明疾病表型和模式[13]；第二，它需要根据所得见解，创新性地完善对疾病的理解和治疗方式。根据特定的重点领域，EngMed可进一步划分为成像、器官、生物工程和数据领域（图1）。

3.1 成像EngMed

成像EngMed利用现有的医学成像技术来增强对疾病发病机制和模式的理解，并在此基础上开发新的成像技术和方法。重要的成像技术包括超声、磁共振成像和正电子发射断层扫描（PET）/计算机断层扫描（CT）[14]。

医学超声成像技术因其无创、无辐射、便捷且经济高效的特点而闻名，自20世纪80年代问世以来，其在临床诊断和治疗中一直发挥着举足轻重的作用[15]。在过去三十年里，随着医学、计算机、数字技术、电子学、材料科学和成像算法领域的创新，超声技术得到了显著发展[16]。这种技术融合带来了超声诊断设备的重大突破，扩大了其临床应用范围[17]。虽然传统的B型超声能够提供特定身体横截面的二维（2D）图像，但其固有的局限性使得临床医生必须从多幅2D图像中重建三维（3D）结构，这需要临床医生接受大量培训并熟练掌握超声操作[18]。为了克服这些局限性，3D超声成像技术于20世纪90年代末应运而生，并通过图像融合在妇科、产科、心脏病学、医学影像和手术导航等领域得到了广泛应用[19‒20]。例如，在产科护理中，3D成像能够直观地显示胎儿面部、颅骨和心脏组织结构，从而辅助诊断和治疗决策[21]。

磁共振成像（MRI）几乎覆盖了除肺外的所有器官。它功能多样，可应用于各种解剖区域，包括头部、颈部、脊柱、心血管系统、乳腺、腹部、骨盆、肌肉和关节。虽然MRI在提供解剖和结构细节方面表现出色，但临床医生往往还需要额外的维度信息，如代谢、生理和功能。功能性磁共振成像（fMRI）正是为满足这一需求而引入的，它彻底改变了对人类认知和心脏功能的探索方式[22]。大数据、人工智能（AI）和综合诊疗方法的进步，使MRI的应用范围扩展到成像基因组学、组织纹理表征以及细胞和基因层面的研究，从而加深了对疾病机制的理解，并改善了患者护理方法[23]。

PET/CT结合了分子、代谢和解剖信息，在肿瘤学、神经病学和心血管疾病（CVD）诊断中发挥着关键作用。它通过评估肿瘤恶性程度、转移情况和其他关键因素来指导治疗计划[24]。随着技术的不断进步和临床需求的增加，PET/CT技术持续发展——这既得益于纳米技术、人工智能等领域的创新突破，也源于老年疾病（如阿尔茨海默症和帕金森病）诊断需求的日益增长[25]。

综上所述，成像EngMed利用电磁、超声、热等手段来加深我们对疾病机制的理解，推动现有技术的进步以及开发用于拓宽临床应用的新技术（图2）。

3.2 器官EngMed

3.2.1 血管EngMed

CVD是全球健康的主要威胁。据世界卫生组织（WHO）统计，2016年CVD导致的死亡人数为1790万，占当年全球总死亡人数（5690万）的近三分之一[26]。2019年我国CVD患者达3.3亿，每年CVD致死人数超过400万，相应总死亡率在过去15年里上升了48.06% [27]。应对这一挑战需要加强对CVD的理解、控制和治疗[28]。血管年龄是一个基于动脉结构和功能评估心血管风险的概念，十多年来一直被用于预测CVD风险[29]。如2008年发表在《循环》杂志上的Framingham 10年风险评估方法，利用年龄、性别、胆固醇水平[或体重指数（BMI）]、血压、糖尿病病史和吸烟史等参数，估算相对于实际年龄的血管年龄[30]。这一工具有助于CVD的预防、早期干预和管理，但也带来了挑战。血管年龄评估不仅需要获取和分析各尺度、多层次和高通量的人群血管健康数据，还需要全面了解血流动力学、血管微观结构和力学特性以及生化信息之间的关系。这要求医学、物理学、生物化学和生物信息学深度融合。

血管EngMed的相关科学研究涵盖多个领域：①通过开发新型功能材料和设备，获取并分析多尺度、多物理场的血管信息。该研究思路将分子工程与多模态分子成像和高灵敏度生物分子检测相结合。②通过理论建模和数值计算，将生理和分子生物学信息整合到血管图像中，从而对血管信息进行分析和建模。③血管信息临床应用技术涉及借助大量临床样本数据存储和深度挖掘，开发用于心脑血管疾病诊疗的临床决策支持系统。这一过程与病理信息的模型验证和优化相结合。例如，基于铁元素的纳米材料可增强磁共振血管成像效果，如超顺磁性氧化铁增强磁共振血管成像（Fe-MRA）能够实现全面的血管成像（图3）。与同类产品相比，基于铁的纳米材料具有血浆半衰期短、剂量低等优势。目前，国外Fe-MRA的标准剂量为4 mg∙kg-1。相比之下，磁性纳米氧化铁（Rexon®）的剂量为3 mg∙kg-1，确保了更高的安全性。Fe-MRA与血管造影的金标准——数字减影血管造影（DSA）——高度一致，目前正在进行临床试验。本研究因有助于心脑血管疾病的早期预测，而具有显著的社会影响，可能减少过早死亡的情况。

3.2.2 骨EngMed

骨组织工程处于医学创新的前沿，为材料研究、加工技术和骨愈合策略开辟了新方向。骨缺损是一种普遍存在的临床挑战，其特点是手术复杂、治疗周期长且伴随众多并发症。临床医生在促进骨缺损快速有效修复方面面临重大障碍。当前的治疗方式主要涉及手术干预，其中骨移植和可植入材料已成为当代临床实践中应对骨缺损和促进修复的关键策略[31]。然而，供体发病率高、免疫排斥风险高、疾病传播率高以及失败率高等缺点，限制了自体/异体移植的临床应用。相比之下，组织工程骨移植物凭借多种材料优势和可行的制造工艺在修复骨缺损方面显示出巨大潜力[32]。尽管骨科组织工程领域已有大量研究，但在恢复原生组织结构和功能方面仍缺乏有效的治疗方案。骨的组成、组织和力学行为的复杂性使得寻找合适的生物材料以实现最佳再生效果具有挑战性[33]。

3D生物打印技术备受关注，已成为推动骨工程医学发展的关键技术。此技术通过计算机辅助设计创建个性化、模拟相同尺寸和形状要求的3D模型，提高了术前诊断和骨缺损修复的手术规划精度[34]。例如，Xue等[35]使用3D模型和3D打印技术进行术前精确预弯，以实现血管化更好的腓骨移植，用于下颌骨缺损的修复和重建。他们重建了患者缺损部位的3D模型，并使用3D打印制作了一个用于设计和准备移植腓骨的模型。这种方法使外科医生能够在实际手术中复制模拟的手术结果，从而优化手术效果并缩短手术时间。

除了3D打印技术外，骨组织修复和再生医用材料的开发在骨工程医学中也至关重要。在医用材料表面构建所需微/纳米结构的工程方法已被证明能有效刺激骨组织修复和新骨形成所必需的生物过程。Wang等[36]报道了一种“支架工程”策略，即将高活性的单原子铁催化剂集成到3D打印的生物活性玻璃支架中，用于治疗骨肉瘤，这一支架同时具有抗菌和修复骨缺损的生物活性。工程化支架显著促进了骨传导性和骨诱导性，这有助于骨肉瘤的治疗和骨缺损的修复[36]。因此，显而易见，材料科学和临床医学领域迅速发展的跨学科合作，对于成功协同解决骨科疾病诊断和治疗中的临床问题至关重要。

3.3 生物工程医学

3.3.1 细胞EngMed

作为生命的基本单位，细胞拥有高度精确且复杂的系统，通过工程手段为医疗技术开辟了新领域。细胞EngMed运用细胞和分子生物学的理论和方法，进行基因操作和大规模细胞培养，可应用于临床疾病诊断、治疗和药物开发。

细胞EngMed中最先进且研究最广泛的技术是用于癌症治疗的免疫细胞工程。嵌合抗原受体T细胞（CAR-T）疗法通过基因修饰人类T细胞来精确靶向作用并消除肿瘤细胞，是这一方法的典型代表[38]。CAR-T疗法已证明，通过工程手段可以有效重定向强大的细胞免疫反应[39‒40]。当前的研究重点是提高CAR-T细胞疗法的特异性、安全性和持久性，这对于临床转化至关重要。例如，模块化CAR-T（modCAR-T）引入了适配体，可增强抗原识别的特异性并调节T细胞活化状态，从而产生双重效果，这有可能减少肿瘤逃逸[41]。目前，针对各种药物的临床试验正在进行中。

此外，干细胞研究在细胞EngMed中发挥着举足轻重的作用，在细胞治疗、疾病建模、药物开发和人造器官的制造方面展现出巨大潜力[42]。基因编辑、3D打印和生物材料技术的进步推动了干细胞研究的突破。然而，我国干细胞的临床应用和产业化仍处于初级阶段，仍面临伦理争议、标准不一致以及基础研究与临床实施之间的鸿沟等挑战[43]。干细胞研究还依赖于医学、生命科学、工程学和材料科学等多学科技术的深度融合和技术突破，以期实现人类疾病中组织修复和器官再生的目标。

3.3.2 微生物EngMed

微生物，包括细菌和真菌，在人体内形成共生微生态系统，与人类健康密切相关。近年来，利用微生物EngMed进行疾病诊断和治疗已成为热门研究课题。微生物EngMed采用合成生物学技术，通过基因工程改造微生物，赋予它们新的特定功能，以用于肿瘤诊断、药物递送和伤口修复[44‒45]。

关于细菌诱导肿瘤消退的发现最早可追溯至19世纪。近年来，微生物EngMed已被应用于合成生物学领域，以提高细菌癌症疗法的疗效和安全性。例如，通过同时突变msbB和嘌呤生物合成相关基因PurI，构建了减毒鼠伤寒沙门氏菌（Salmonella typhimurium）VNP20009菌株。此菌株表现出高安全性，能靶向作用小鼠体内的肿瘤并抑制其生长[46]；然而，一项I期临床试验并未显示出肿瘤抑制效果[47]。近年来，研究人员采用多种方法增强VNP20009的肿瘤定植和治疗效果，包括在细菌膜上表达抗原以增加黏附性、设计对肿瘤环境有响应的基因回路以及分泌抗肿瘤因子。除肿瘤治疗外，Cooper等[48]还改造了伯纳特不动杆菌（Acinetobacter burnetii），使其能够识别突变的肿瘤KRAS DNA，用于检测胃肠道癌变（图4）。

微生物EngMed在治疗代谢性疾病方面已展现出广阔的应用前景。例如，苯丙酮尿症（PKU）是一种遗传性代谢紊乱，由于苯丙氨酸羟化酶（PAH）基因突变，导致膳食中的苯丙氨酸（Phe）无法转化为酪氨酸，从而引发癫痫和智力障碍等严重健康问题。目前的治疗方法包括终身饮食限制。Synlogic公司的研究人员将编码Phe解氨酶和L-氨基酸脱氨酶的基因整合到大肠杆菌Nissle 1917的基因组中，创建了一种能够在人体胃肠道中消耗Phe的菌株[49‒50]。

慢性伤口缺氧会损害细胞修复过程，导致组织坏死、细菌感染、血管生成减少以及伤口愈合延迟[51]。藻类可以通过光合作用消耗二氧化碳和水，从而产生氧气。因此，Chen等[52]利用蓝藻菌制备皮肤贴片，为糖尿病患者伤口提供氧气。此外，小球藻和活芽孢杆菌产生的氢气可缓解慢性伤口炎症。活芽孢杆菌通过呼吸作用消耗海藻酸钙水凝胶珠中的氧气，从而使小球藻能够通过光合作用快速产生氢气[53]。这种可实时产生氢气的伤口辅助剂解决了当前伤口辅助修复过程中氢气运输时溶解度低和寿命短的问题。

3.4 数据EngMed

数据EngMed是一个植根于现代医学和生命科学理论的跨学科领域。它融合了先进的AI以及大数据、云计算和机器学习（ML）等相关工程技术。数据EngMed旨在通过利用人类生命和疾病特征，开发智能诊断、治疗方法和临床应用。近年来，互联网、大数据、可穿戴设备和AI等技术在医疗保健领域的应用显著扩大。这些创新为医疗专业人员提供了强大的工具和新的见解，以诊断、治疗和监测临床疾病[54‒56]。自2016年以来，我国科学技术部、国家卫生健康委员会以及其他相关部门出台了政策，支持“互联网+智慧医疗”的快速发展。这标志着从传统的以医院为中心的医疗模式向以患者为中心、信息互联、数据驱动的医疗模式的转变[57]。

3.4.1 医疗大数据

在大数据时代，医疗活动（如医疗治疗、医学研究和健康管理）不断产生大量的医疗数据，包括电子健康记录、临床治疗、医学影像和多组学数据。这些数据涵盖微观到分子和基因层面，具有广泛的研究和临床应用价值，是医学进步的基础资源。

大数据分析在各个领域均有广泛的应用，如大规模基因研究、公共卫生、个性化精准医疗和新药开发。基因组学通过利用基因测序和信息技术构建庞大的数据库，取得了显著进展[58]。例如，由美国国家癌症研究所（NCI）支持的监测、流行病学和最终结果（SEER）临床数据库，汇集了美国癌症登记处的癌症发病率、患病率和生存数据。这一数据库覆盖了约30%的美国人口，是研究人员深入研究人口特征、人群癌症分布模式以及地理因素对癌症影响的重要资源。这些见解对于推进癌症研究和临床实践至关重要[59]。我国大数据与医疗实践的结合侧重于辅助诊断、患者虚拟助手和医学图像分析，而药物开发则相对滞后。鉴于大数据集成的规模和复杂性，其有效应用需要多学科多技术协作，包括大规模数据存储、计算、生物统计学、数学建模、信息安全、数据库管理和数据挖掘等技术[60]。临床医生的参与对于充分发挥大数据在医疗应用中的潜力至关重要。

3.4.2 AI数据工程

AI技术正加速融入传统生物医学、医疗保健、药物开发等行业。传统BME相对更关注单一设备的数据收集和分析，而数据EngMed则更多地涉及数据融合，并且从分子到个体和群体层面都是模型驱动的，为医生提供更多的临床决策支持[57]。药学、影像学、病理学、护理和公共卫生管理都可以与AI相结合，其应用包括智能药物开发、辅助诊断和治疗、语音识别和语义理解、健康管理以及医院管理[61‒63]。

准确预测蛋白质的三维结构对于理解其在健康和疾病中的作用至关重要。因此，开发实现这一目标的方法对于新药的发现具有重要意义。预测蛋白质三维结构最具代表性的工具是AlphaFold，它仅基于蛋白质D 氨基酸序列就能通过AI网络方法准确预测蛋白质三维结构（图5）[64‒65]。这一突破有望推动基础研究和药物研发，从而实现更有效的疾病治疗和预防策略。未来，基于AI的蛋白质结构预测工具有望简化早期药物开发流程，优化临床前试验，促进药物再利用，并有可能在造福患者的同时减少时间和经济成本。

AI技术在医学影像领域的发展与应用也备受关注。约80%的临床数据以图像形式存储，而大多数疾病的检查与诊断都需要参考这些医学图像。基于AI深度学习（DL）模型的医学图像处理技术能够凭借感知与认知能力识别医学图像，挖掘重要信息，并为经验不足的放射科医生提供帮助。此外，ML能够整合大量图像数据和临床信息，并训练AI系统，使其具备诊断疾病的能力。这有助于降低漏诊率，并为疾病辅助诊断与大规模筛查系统的深度融合提供有效的交互方法[66‒67]。DL通过卷积神经网络（CNNs）和其他复杂算法的应用，彻底改变了医学图像分析。这些算法能够快速且精确地检测、分割、跟踪和分类解剖结构，从而支持临床决策并提高工作流程效率[68‒69]。许多研究已报道了深度学习在医学成像中的应用。例如，早期肺部恶性肿瘤和癌前病变难以通过传统诊断操作（如医学成像）进行识别，从而导致错过手术治疗的最佳时机。研究人员提出了一种新型混合智能诊断框架，这是一种基于深度融合特征的可靠网络，用于快速准确地检测和分类肺部CT图像中的恶性肿瘤细胞和良性肿瘤细胞[57]。

通过信息化医疗和医学研究数据，将大数据、AI和其他信息技术与医学相结合，能够实现有效且准确的临床诊断、精确预测治疗效果，提升医疗技术和医疗服务效率，并有效赋能医生、增强医疗设备，从而更好地为患者服务。表1 [37,70‒76]根据EngMed的内涵总结了一些转化成果。

4 EngMed教育

4.1 EngMed学科教育

EngMed是一个跨学科领域，它将数字技术和工程技术融入医学理论和实践。其主要目标是将基础医学知识与临床应用无缝结合，从而提升医疗质量和效率，同时促进医疗实践的创新。尽管EngMed的概念相对较新，但顶尖医疗机构早已在这一领域实施了先进的教育实践。因此，通过深入分析和提炼，从这些成熟的实践和经验中汲取洞察至关重要。EngMed的主要研究方向（图6）包括以下方面。

（1）医疗信息与智能技术。EngMed利用智能技术探索医疗信息，为临床诊断提供基础见解。其子学科包括光学和超声成像、图像处理、疾病生物标志物识别、风险预测模型开发、队列研究、生物信息学算法以及人工智能模型。

（2）重大疾病诊疗工程。开发重大疾病诊疗一体化技术是EngMed的另一个关键方面。这涉及血管健康与信息工程、骨骼网络与重塑、肿瘤诊断及治疗工程等专业分支。

（3）多疾病关联与细胞诊疗。构建多种相关疾病的模型以及开发涉及细胞和微生物的疗法是EngMed的核心内容。分支学科包括多疾病关联模型、干细胞、过继性细胞疗法以及涉及细菌和病毒的治疗。

（4）医疗AI。利用数字化医疗数据、研究数据、患者资料和大数据来揭示潜在的关系和模式至关重要。这有助于临床医生做出准确的临床诊断，预测治疗成本和疗效，并整合患者的基因数据以实现个性化治疗。分析人口健康数据还能预测疾病暴发和有效的成本降低策略。关键学科包括医疗大数据治理、通用医疗模式、智能医疗机器人、智能医疗管理以及智能药物研发。这些领域涵盖了数字医学以及医疗与工业领域的融合，有望通过跨学科合作与创新彻底改变医疗保健行业。

4.2 研究生教育

为了推动EngMed的发展，有效地培养人才和组织团队至关重要。EngMed相关学科的教育应秉持“拥抱现代化、全球化和面向未来发展”的原则，以“为国家培养人才”为主要目标。其目的是培养临床科学家、临床工程师和医学物理学家；培养能够驾驭工程技术、切实从事临床医学工作并实现医工学科无缝融合的复合型高端专业人才。

EngMed的教育策略应优先培养具有创新性和批判性思维的人才。他们应掌握EngMed及相关学科的基础理论，并能够进行独立研究；他们应探索疾病机制，开创新的诊断和治疗原则，以应对临床医学和疾病预防中的实际挑战；他们应开发创新材料、制剂或仪器，并通过跨学科合作推进新型临床应用技术。

EngMed促进跨学科合作，特别是在自然科学、工程学（包括心理学等社会科学）与临床医学的融合方面。医疗机构应开展专项研究探索相关人员的组织和管理机制。鼓励科研人员与临床专业人员紧密合作，将提高诊断和治疗的标准，并提升解决实际临床问题的能力。应通过优化现有医学教育模式、加强科学与工程之间的跨学科融合、培养研究能力以及创新新的教学和培训体系，大力重视EngMed的专业教育。采用“边做边学”等方法，以从职业生涯的早期阶段培养和造就一批杰出的EngMed青年人才。

5 BME与EngMed间的差异

要理解BME与EngMed之间的关系，就需要认识到它们之间的相似之处和区别。BME整合了物理学、化学、数学、计算科学和工程学，以研究从分子到器官的生命现象。它创造知识并开发创新的生物制剂、材料、工艺、植入物、设备和信息学方法。BME有助于疾病的预防、诊断、治疗、康复和健康改善。BME和EngMed都是跨学科领域，在多个领域存在重叠[13,70]，但每个领域在研究、开发和人才培养方面都有其独特的重点和特点。关键差异如下（图7）。

（1）重点与范围。BME旨在通过全面研究和开发，在科学和工程领域内进行创新，涉及材料、制剂、设备、仪器和信息学方法。然而，EngMed则与临床专家紧密合作，以推进疾病研究。它整合现有技术，开发新材料、新设备以及新型的诊断与治疗方法，从而直接应对预防和临床医学中的实际挑战。这种以应用为中心的方法显著提升了医学领域的诊断和治疗水平。

（2）研究目标。BME主要研究用于人类和其他生物体的材料、制剂、设备、系统，以及信息学方法，侧重于与生命系统的交互。相比之下，EngMed主要关注人类生物学和疾病，遵循生命和医学研究范式。它整合先进的技术成果来解决实际问题，并基于这些进步开发相关的临床应用，不断开发适用的材料和技术。

（3）从业者角色。BME专业人员通常从事研发、生产、管理及相关领域的工作，需要具备特定的教育背景、知识和技能。相反，EngMed专业人员主要在医疗机构及相关研发单位工作，他们需要来自医学教育的跨学科知识和技能，特别是需要具有能够将新兴技术全面应用于解决人类健康和疾病挑战的能力。

理解这些区别有助于更清晰地认识这两个领域是如何通过创新、研究和临床应用，为推动医疗保健发展做出独特贡献的。

6 结论

回顾近年来EngMed领域的成长与成熟，令人倍感鼓舞。众多投身该领域的研究者为此做出了巨大贡献，EngMed的创新也在持续推进。EngMed领域虽然已取得诸多进展，但仍是一个新兴的研究领域。鼓励跨学科合作，尤其是科学、工程学（包括社会科学，如心理学）与临床医学之间的合作，对于推动EngMed的进一步发展至关重要。这种融合对于推动有利于患者护理和医疗实践的发现和创新也至关重要。此外，建议研究人员优先考虑实际的临床挑战。与临床专业人员的有效合作将提高诊断和治疗方法的品质和疗效。通过将研究目标与实际的临床需求相结合，EngMed可以在改善医疗成果方面取得有意义的进展。我们希望EngMed能够继续受到关注并获得强有力的支持，以在医学研究和实践的革新中充分发挥潜力。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Moradali MF, Rehm BHA. Bacterial biopolymers: from pathogenesis to advanced materials. Nat Rev Microbiol 2020;18(4):195‒210. . 10.1038/s41579-019-0313-3
[2]

Liu F, Peng J, Feng Y, Ma Y, Ren Y, Sun P, et al. An ethnobotanical study on the medicinal herb practices of the gelao ethnic minority in north Guizhou, China: an exploration of traditional knowledge. Front Pharmacol 2023;14:1217599. . 10.3389/fphar.2023.1217599
[3]

Karim AS, Brown DM, Archuleta CM, Grannan S, Aristilde L, Goyal Y, et al. Deconstructing synthetic biology across scales: a conceptual approach for training synthetic biologists. Nat Commun 2024;15(1):5425. . 10.1038/s41467-024-49626-x
[4]

Bischof J, Fletcher G, Verkade P, Kuntner C, Fernandez-Rodriguez J, Chaabane L, et al. Multimodal bioimaging across disciplines and scales: challenges, opportunities and breaking down barriers. npj Imaging 2024;2:5. . 10.1038/s44303-024-00010-w
[5]

Li S, Su K, Li P, Sun Y, Pan Y, Wang W, et al. Public availability of information from officially accredited medical schools in China. BMC Med Educ 2022;22:414. . 10.1186/s12909-022-03491-8
[6]

Wang W. Medical education in china: progress in the past 70 years and a vision for the future. BMC Med Educ 2021;21(1):453. . 10.1186/s12909-021-02875-6
[7]

Pecchia L, Pallikarakis N, Magjarevic R, Iadanza E. Health technology assessment and biomedical engineering: global trends, gaps and opportunities. Med Eng Phys 2019;72:19‒26. . 10.1016/j.medengphy.2019.08.008
[8]

Chao HT, Liu L, Bellen HJ. Building dialogues between clinical and biomedical research through cross-species collaborations. Semin Cell Dev Biol 2017;70:49‒57. . 10.1016/j.semcdb.2017.05.022
[9]

Cram N, Groves J, Foster L. Technology assessment—a survey of the clinical engineer’s role within the hospital. J Clin Eng 1997;22(6):373‒82. . 10.1097/00004669-199711000-00012
[10]

Weininger S, Jaffe MB, Rausch T, Goldman JM. Capturing essential information to achieve safe interoperability. Anesth Analg 2017;124(1):83‒94. . 10.1213/ane.0000000000001351
[11]

Hallak JE, Crippa JA, Quevedo J, Roesler R, Schröder N, Nardi AE, et al. National science and technology institute for translational medicine (INCT-TM): advancing the field of translational medicine and mental health. Braz J Psychiatry 2010;32(1):83‒90. . 10.1590/s1516-44462010000100016
[12]

Gu N. Engineering medicine. J Nanjing Univ, Nat Sci 2023;59(6):915‒8. Chinese.
[13]

Baturalp TB, Bozkurt S, Baldock C. The future of biomedical engineering education is transdisciplinary. Phys Eng Sci Med 2024;47:779‒82. . 10.1007/s13246-024-01442-9
[14]

Kettenbach J, Wong T, Kacher D, Hata N, Schwartz RB, et al. Computer-based imaging and interventional MRI: applications for neurosurgery. Comput Med Imaging Graphics 1999;23(5):245‒58. . 10.1016/s0895-6111(99)00022-1
[15]

Huy TQ, Tue HH, Long TT, Duc-Tan T. Deterministic compressive sampling for high-quality image reconstruction of ultrasound tomography. BMC Med Imaging 2017;17(1):34. . 10.1186/s12880-017-0206-8
[16]

Martin E, Jeanmonod D, Morel A, Zadicario E, Werner B. High-intensity focused ultrasound for noninvasive functional neurosurgery. Ann Neurol 2009;66(6):858‒61. . 10.1002/ana.21801
[17]

Huang Y, Jiang L, Li R. Development and new trends of medical ultrasound imaging technology. Mod Instrum Med Treat 2021;027(003):83‒8. Chinese.
[18]

Lazebnik RS, Desser TS. Clinical 3D ultrasound imaging: beyond obstetrical applications. San Francisco: Diagn Imaging; 2007.
[19]

Unsgård G, Solheim O, Lindseth F, Selbekk T. Intra-operative imaging with 3D ultrasound in neurosurgery. Acta Neurochir 2011;109:181‒6. . 10.1007/978-3-211-99651-5_28
[20]

Benoit B, Hafner T, Kurjak A, Kupesić S, Bekavac I, Bozek T. Three-dimensional sonoembryology. J Perinat Med 2002;30(1):63‒73. . 10.1515/jpm.2002.009
[21]

Li Y, Cui J, Li C, Zhou H, Chang J, Aras O, et al. 19F MRI nanotheranostics for cancer management: progress and prospects. ChemMedChem 2022;17(4): e202100701. [22] BlochKM, KordingF, TögerJ. Doppler ultrasound cardiac gating of intracranial flow at 7T. BMC Med Imaging 2020;20(1):128. . 10.1002/cmdc.202100701
[22]

Cui Y, Zhang C, Qiao K, Wang L, Yan B, Tong L. Study on representation invariances of CNNs and human visual information processing based on data augmentation. Brain Sci 2020;10(9):602. . 10.3390/brainsci10090602
[23]

Ahn H, Song GJ, Jang SH, Lee HJ, Lee MS, Lee JH, et al. Relationship of FDG PET/CT textural features with the tumor microenvironment and recurrence risks in patients with advanced gastric cancers. Cancers 2022;14(16):3936. . 10.3390/cancers14163936
[24]

Yang Y, Qiu L. Research progress on the pathogenesis, diagnosis, and drug therapy of Alzheimer’s disease. Brain Sci 2024;14(6):590. . 10.3390/brainsci14060590
[25]

D’Acquisto MP, Krause D, Klaassen-Mielke R, Trampisch M, Trampisch HJ, Trampisch U, et al. Does residential exposure to air pollutants influence mortality and cardiovascular morbidity of older people from primary care? BMC Public Health 2023;23:1281. . 10.1186/s12889-023-16166-w
[26]

Xu Y, Meng L. Deconstruction of risk prediction of ischemic cardiovascular and cerebrovascular diseases based on deep learning. Contrast Media Mol Imaging 2022;2022(1):8478835. . 10.1155/2022/8478835
[27]

Writing Comm Report Cardiovasc Hlt. Report on cardiovascular health and diseases in China 2019: an updated summary. Biomed Environ Sci 2022;35(7):573‒603.
[28]

Zuo Y, Chen S, Tian X, Wang P, Wu S, Wang A. Association of vascular aging with cardiovascular disease in middle-aged Chinese people: a prospective cohort study. JACC: Asia 2023;3(6):895‒904. . 10.1016/j.jacasi.2023.07.014
[29]

D’Agostino RB, Vasan RS, Pencina MJ, Wolf PA, Cobain M, Massaro JM, et al. General cardiovascular risk profile for use in primary care: the framingham heart study. Circulation 2008;117(6):743‒53. . 10.1161/circulationaha.107.699579
[30]

Deng L, Yan Y. Research status and progress of biomaterials for bone repair and reconstruction. Chinese J Repar Reconstr Surg 2018;32(7):815‒20. Chinese.
[31]

Wang H, Cheng H, Tang X, Chen J, Zhang J, Wang W, et al. The synergistic effect of bone forming peptide-1 and endothelial progenitor cells to promote vascularization of tissue engineered bone. J Biomed Mater Res A 2018;106(4):1008‒21. . 10.1002/jbm.a.36287
[32]

Chae S, Cho DW. Biomaterial-based 3D bioprinting strategy for orthopedic tissue engineering. Acta Biomater 2023;156:4‒20. . 10.1016/j.actbio.2022.08.004
[33]

Dimitriou R, Jones E, McGonagle D, Giannoudis PV. Bone regeneration: current concepts and future directions. BMC Med 2011;9:66. . 10.1186/1741-7015-9-66
[34]

Xue J, Qiu J, Yang S, Pang B, Xia N, Jia M, et al. Clinical application of digital three-dimensional reconstruction combined with 3D printing in precise reconstruction of mandibular defects with vascularized fibula transplantation. J Precis Med 2018;33(1):45‒50.
[35]

Wang L, Yang Q, Huo M, Lu D, Gao Y, Chen Y, et al. Engineering single-atomic iron-catalyst-integrated 3D-printed bioscaffolds for osteosarcoma destruction with antibacterial and bone defect regeneration bioactivity. Adv Mater 2021;33(31):2100150. . 10.1002/adma.202100150
[36]

Bao X, Mao Y, Si G, Kang L, Xu B, Gu N. Iron oxide nanoparticles: a promising approach for diagnosis and treatment of cardiovascular diseases. Nano Res 2023;16(11):12453‒70. . 10.1007/s12274-023-6158-0
[37]

Hu T, Kumar AR, Luo Y, Tay A. Automating CAR-T transfection with micro and nano-technologies. Small Methods 2023;8(8):2301300. . 10.1002/smtd.202301300
[38]

Eshhar Z, Waks T, Gross G, Schindler DG. Specific activation and targeting of cytotoxic lymphocytes through chimeric single chains consisting of antibody-binding domains and the gamma or zeta subunits of the immunoglobulin and T-cell receptors. Proc Natl Acad Sci USA 1993;90(2):720‒4. . 10.1073/pnas.90.2.720
[39]

Brentjens RJ, Santos E, Nikhamin Y, Yeh R, Matsushita M, La Perle K, et al. Genetically targeted T cells eradicate systemic acute lymphoblastic leukemia xenografts. Clin Cancer Res 2007;13(18):5426‒35. . 10.1158/1078-0432.ccr-07-0674
[40]

Darowski D, Kobold S, Jost C, Klein C. Combining the best of two worlds: highly flexible chimeric antigen receptor adaptor molecules (CAR-adaptors) for the recruitment of chimeric antigen receptor T cells. MAbs 2019;11(4):621‒31. . 10.1080/19420862.2019.1596511
[41]

Kim Y, Jeong J, Choi D. Small-molecule-mediated reprogramming: a silver lining for regenerative medicine. Exp Mol Med 2020;52(2):213‒26. . 10.1038/s12276-020-0383-3
[42]

Wang Y, Yang J, Han X, Hu S, Yin W, Lei W. Stem cells lead the biomedical revolution. Chin J Nat 2020;42(2):7. Chinese.
[43]

Xu H, Xiong S, Chen Y, Ye Q, Guan N, Hu Y, et al. Flagella of tumor-targeting bacteria trigger local hemorrhage to reprogram tumor-associated macrophages for improved antitumor therapy. Adv Mater 2023;35(38):e2303357. . 10.1002/adma.202303357
[44]

Wang W, Xu H, Ye Q, Tao F, Wheeldon I, Yuan A, et al. Systemic immune responses to irradiated tumours via the transport of antigens to the tumour periphery by injected flagellate bacteria. Nat Biomed Eng 2022;6(1):44‒53. . 10.1038/s41551-021-00834-6
[45]

TosoJF,GillVJ,HwuP, Marincola FM,RestifoNP,SchwartzentruberDJ, etal.Phase I study of the intravenous administration of attenuated Salmonella typhimurium to patients with metastatic melanoma. J Clin Oncol 2002;20(1):142‒52. . 10.1200/jco.2002.20.1.142
[46]

Low KB, Ittensohn M, Le T, Platt J, Sodi S, Amoss M, et al. Lipid A mutant Salmonella with suppressed virulence and TNFα induction retain tumor-targeting in vivo. Nat Biotechnol 1999;17(1):37‒41. . 10.1038/5205
[47]

Cooper RM, Wright JA, Ng JQ, Goyne JM, Suzuki N, Lee YK, et al. Engineered bacteria detect tumor DNA. Science 2023;381(6658):682‒6. . 10.1126/science.adf3974
[48]

Puurunen MK, Vockley J, Searle SL, Sacharow SJ, Phillips III JA, Denney WS, et al. Safety and pharmacodynamics of an engineered E . coli Nissle for the treatment of phenylketonuria: a first-in-human phase 1/2a study. Nat Metab 2021;3(8):1125‒32. . 10.1038/s42255-021-00430-7
[49]

Vockley J, Sondheimer N, Puurunen M, Diaz GA, Ginevic I, Grange DK, et al. Efficacy and safety of a synthetic biotic for treatment of phenylketonuria: a phase 2 clinical trial. Nat Metab 2023;5(10):1685‒90. . 10.1038/s42255-023-00897-6
[50]

Yang Z, Ren K, Chen Y, Quanji X, Cai C, Yin J. Oxyge-generating hydrogels as oxygenation therapy for accelerated chronic wound healing. Adv Healthc Mater 2024;13(3):2302391. . 10.1002/adhm.202302391
[51]

Chen H, Cheng Y, Tian J, Yang P, Zhang X, Chen Y, et al. Dissolved oxygen from microalgae-gel patch promotes chronic wound healing in diabetes. Sci Adv 2020;6(20):eaba4311. . 10.1126/sciadv.aba4311
[52]

Chen H, Guo Y, Zhang Z, Mao W, Shen C, Xiong W, et al. Symbiotic algae-bacteria dressing for producing hydrogen to accelerate diabetic wound healing. Nano Lett 2022;22(1):229‒37. . 10.1021/acs.nanolett.1c03693
[53]

Xu Y, Meng L. Deconstruction of risk prediction of ischemic cardiovascular and cerebrovascular diseases based on deep learning. Contrast Media Mol Imaging 2022;2022(1):8478835. Retraction of: Xu Y, Meng L. Contrast Media Mol Imaging 2023;2023(1):9841945. . 10.1155/2022/8478835
[54]

Wang P, Zhang Z, Lin R, Lin J, Liu J, Zhou X, et al. Machine learning links different gene patterns of viral infection to immunosuppression and immune-related biomarkers in severe burns. Front Immunol 2022;13:1054407. . 10.3389/fimmu.2022.1054407
[55]

Syrjala KL. Opportunities for improving oncology care. Lancet Oncol 2018;19(4):449. . 10.1016/s1470-2045(18)30208-0
[56]

Liu L, Zeng L. Intelligent medicine: data and model—driven medicine and engineering integration. J Med Inform 2023;44(7):1‒8.
[57]

Goldberger AL, Amaral LA, Glass L, Hausdorff JM, Ivanov PC, Mark RG, et al. PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation 2000;101(23):E215‒20. . 10.1161/01.cir.101.23.e215
[58]

Daly MC, Paquette IM. Surveillance, epidemiology, and end results (SEER) and SEER-Medicare databases: use in clinical research for improving colorectal cancer outcomes. Clin Colon Rectal Surg 2019;32(1):61‒8. . 10.1055/s-0038-1673355
[59]

Sanchez-Pinto LN, Luo Y, Churpek MM. Big data and data science in critical care. Chest 2018;154(5):1239‒48. . 10.1016/j.chest.2018.04.037
[60]

Horng S, Liao R, Wang X, Dalal S, Golland P, Berkowitz SJ. Deep learning to quantify pulmonary edema in chest radiographs. Radiol Artif Intell 2021;3(2): e190228. . 10.1148/ryai.2021190228
[61]

MoorM, BanerjeeO, AbadZSH, KrumholzHM, LeskovecJ, TopolEJ, et al. Foundation models for generalist medical artificial intelligence. Nature 2023;616(7956):259‒65. . 10.1038/s41586-023-05881-4
[62]

Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med 2019;25(1):70‒4. . 10.1038/s41591-018-0240-2
[63]

Senior AW, Evans R, Jumper J, Kirkpatrick J, Sifre L, Green T, et al. Improved protein structure prediction using potentials from deep learning. Nature 2020;577(7792):706‒10. . 10.1038/s41586-019-1923-7
[64]

Jumper J, Evans R, Pritzel A, Green T, Figurnov M, Ronneberger O, et al. Highly accurate protein structure prediction with AlphaFold. Nature 2021;596(7873):583‒9. . 10.1038/s41586-021-03819-2
[65]

Lambin P, Rios-Velazquez E, Leijenaar R, Carvalho S, van Stiphout RGPM, Granton P, et al. Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer 2012;48(4):441‒6. . 10.1016/j.ejca.2011.11.036
[66]

Tomaszewski MR, Gillies RJ. The biological meaning of radiomic features. Radiology 2021;298(3):505‒16. . 10.1148/radiol.2021202553
[67]

Suzuki K. Overview of deep learning in medical imaging. Radiological Phys Technol 2017;10(3):257‒73. . 10.1007/s12194-017-0406-5
[68]

Tsuneki M. Deep learning models in medical image analysis. J Oral Biosci 2022;64(3):312‒20. . 10.1016/j.job.2022.03.003
[69]

Zhang H, Li L, Liu X, Jiao J, Ng CT, Yi J, et al. Ultrasmall ferrite nanoparticles synthesized via dynamic simultaneous thermal decomposition for high-performance and multifunctional T1 magnetic resonance imaging contrast agent. ACS Nano 2017;11(4):3614‒31. . 10.1021/acsnano.6b07684
[70]

Li M, Liu Y, Chen J, Liu T, Gu Z, Zhang J, et al. Platelet bio-nanobubbles as microvascular recanalization nanoformulation for acute ischemic stroke lesion theranostics. Theranostics 2018;8(18):4870‒83. . 10.7150/thno.27466
[71]

Guo G, Ma Y, Guo Y, Zhang C, Guo X, Tu J, et al. Enhanced porosity and permeability of three-dimensional alginate scaffolds via acoustic microstreaming induced by low-intensity pulsed ultrasound. Ultrason Sonochem 2017;37:279‒85. . 10.1016/j.ultsonch.2017.01.016
[72]

Zhang L, Qin Z, Sun H, Chen X, Dong J, Shen S, et al. Nanoenzyme engineered neutrophil-derived exosomes attenuate joint injury in advanced rheumatoid arthritis via regulating inflammatory environment. Bioact Mater 2022;18:1‒14. . 10.1016/j.bioactmat.2022.04.018
[73]

Fu L, Li L, Bian Q, Xue B, Jin J, Li J, et al. Cartilage-like protein hydrogels engineered via entanglement. Nature 2023;618(7966):740‒7. . 10.1038/s41586-023-06037-0
[74]

Zhang A, Xiao Z, Liu Q, Li P, Xu F, Liu J, et al. CaCO3-encapuslated microspheres for enhanced transhepatic arterial embolization treatment of hepatocellular carcinoma. Adv Healthc Mater 2021;10(19):e2100748. . 10.1002/adhm.202100748
[75]

Zhou J, Li M, Chen Q, Li X, Chen L, Dong Z, et al. Programmable probiotics modulate inflammation and gut microbiota for inflammatory bowel disease treatment after effective oral delivery. Nat Commun 2022;13(1): 3432. . 10.1038/s41467-022-31171-0
AI Summary AI Mindmap
PDF (9803KB)

2782

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉