摘要：

可穿戴设备使心电、光电容积脉搏波等生理信号的日常采集更加便捷，也为心血管疾病的早期筛查和长期健康管理提供了新的机会。如何从这些信号中提取具有医学意义的指标，并验证其临床价值，是人工智能数字生物标志物研究的核心问题。本报告将介绍生理信号分析从人工特征到基础模型的发展，结合千万级心电数据训练的ECGFounder、AnyPPG等基础模型，阐述大规模预训练、跨模态知识迁移与数字生物标志物挖掘的方法。以心血管衰老评估、疾病机会性筛查和预后预测为例，展示常规生理信号中超出传统测量指标的健康信息，以及相关标志物在独立队列中的验证。进一步结合家用AI心电仪的房颤识别和大语言模型辅助报告解读研究，讨论数字生物标志物在居家监测中的应用，以及从模型预测转化为用户可理解、可采取行动的健康信息所面临的问题。

个人简介：

洪申达，北京大学健康医疗大数据国家研究院新体制助理教授、副研究员、博士生导师，北京大学人工智能研究院院长助理，北京市科技新星。博士毕业于北京大学智能科学系，曾于哈佛医学院进行博士后研究。研究方向为生理信号大模型、智能可穿戴及临床转化。主持国家自然科学基金、CCF-智谱大模型创新基金、CCF-腾讯犀牛鸟基金等项目。以第一或通讯作者在NEJM AI、The Lancet Digital Health、npj Digital Medicine、Cell Patterns等期刊和ICLR、ICML、NeurIPS等会议发表论文80余篇，被引超过10000次。担任npj Digital Medicine、Health Data Science等期刊副编辑，KDD、AAAI等会议领域主席。相关成果已取得医疗器械注册证。