基于机器学习的运动损伤预警模型

doi:10.12307/2025.234

中国组织工程研究 ›› 2025, Vol. 29 ›› Issue (2): 409-418.doi: 10.12307/2025.234

• 组织构建综述 tissue construction review • 上一篇下一篇

基于机器学习的运动损伤预警模型

魏梦力1，2，钟亚平1，2，桂辉贤1，周易文1，关烨明1，余绍华1

1武汉体育学院体育大数据研究中心，湖北省武汉市 430079；2湖北省运动与健康创新发展研究中心，湖北省武汉市 430079

收稿日期:2024-01-15 接受日期:2024-02-19 出版日期:2025-01-18 发布日期:2024-05-25
通讯作者: 钟亚平，博士，教授，博士生导师，武汉体育学院体育大数据研究中心，湖北省武汉市 430079；湖北省运动与健康创新发展研究中心，湖北省武汉市 430079
作者简介:魏梦力，男，1995年生，湖北省襄阳市人，汉族，武汉体育学院在读博士，主要从事运动控制理论与实践相关研究。
基金资助:
国家社科基金后期资助重点项目(22FTYA001)；国家体育总局决策咨询研究项目(2023-B-19)；湖北省高等学校省级教学研究项目(2022395)

Sports injury prediction model based on machine learning

Wei Mengli1, 2, Zhong Yaping1, 2, Gui Huixian1, Zhou Yiwen1, Guan Yeming1, Yu Shaohua1

1Sports Big Data Research Center of Wuhan Sports University, Wuhan 430079, Hubei Province, China; 2Hubei Sports and Health Innovation and Development Research Center, Wuhan 430079, Hubei Province, China

Received:2024-01-15 Accepted:2024-02-19 Online:2025-01-18 Published:2024-05-25
Contact: Zhong Yaping, PhD, Professor, Doctoral supervisor, Sports Big Data Research Center of Wuhan Sports University, Wuhan 430079, Hubei Province, China; Hubei Sports and Health Innovation and Development Research Center, Wuhan 430079, Hubei Province, China
About author:Wei Mengli, PhD candidate, Sports Big Data Research Center of Wuhan Sports University, Wuhan 430079, Hubei Province, China; Hubei Sports and Health Innovation and Development Research Center, Wuhan 430079, Hubei Province, China
Supported by:
Later-stage Key Project of the National Social Science Foundation, No. 22FTYA001; Decision-Making Consultation Research Project of General Administration of Sport of China, No. 2023-B-19; Hubei Provincial Education Reform Project, No. 2022395

摘要/Abstract

摘要：

文题释义：
机器学习：是实现人工智能的核心技术，即让计算机模拟人类学习行为，从而获得人类智能，进而升级为智能体，从而替代人类思维决策的方法。
运动损伤预警：通过跟踪与运动损伤风险密切相关的信息或数据，进而预测运动损伤风险的工作过程。

背景：运动医学界广泛呼吁采用机器学习技术高效处理庞大、冗杂的运动数据资源，构建智能化的运动损伤预警模型，以实现运动损伤的精准预警。对此类研究成果进行综合归纳与评述，对把握预警模型改进方向，指导中国损伤预警模型构建工作均具有重要意义。
目的：系统梳理基于机器学习技术的运动损伤预警模型相关研究，为中国运动损伤预警模型构建工作提供借鉴。
方法：对中国知网、Web of Science和EBSCO数据库进行文献检索，主要检索机器学习技术和运动损伤相关文献，最终纳入61篇运动损伤预警模型相关文献进行分析。
结果与结论：①在纳入文献的外部风险特征指标中，缺乏比赛场景类指标，后续需进一步完善相关特征指标的纳入工作，以进一步丰富模型训练的数据集维度；此外，运动损伤预警模型的纳入特征权重方法以过滤法为主，需强化嵌入法及包裹法等权重方法的运用，以增强多风险因素交互效应的分析。②在模型主体训练方面，模型主体训练算法多以监督式学习算法为主，此类算法对样本标注信息的完整度有较高要求，应用场景易受限，后期可增加无监督式与半监督式算法的应用。③在模型性能评估优化方面，现研究主要采用了HoldOut交叉与k-交叉两种验证方式评估模型性能，模型的AUC值范围(0.76±0.12)，灵敏度范围(75.92±11.03)%，特异度范围(80.03±4.54)%，F1分数值范围(80.60±10.63)%，准确度范围(69.96±13.10)%，精确度范围(70±14.71)%，数据增强与特征优化为最常见的模型优化操作。当前运动损伤预警模型准确度及精确度均约为70%，预警效果良好，但模型优化操作较单一，多采用数据增强方法提升模型性能，需强化对模型算法、超参数的调整，以进一步提升模型性能。④在模型特征提取方面，纳入的内部风险特征指标多以人体测量学、训练负荷、训练年限和损伤史等指标为主，缺乏运动恢复类指标与身体机能类指标。
https://orcid.org/0000-0001-8451-185X(魏梦力)；https://orcid.org/0000-0002-3010-5001(钟亚平)
中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

关键词: 运动损伤, 损伤预警, 损伤预防, 智能预警, 机器学习, 深度学习, 人工智能, 体育运动

Abstract: BACKGROUND: The sports medicine community has widely called for the use of machine learning technology to efficiently process the huge and complicated sports data resources, and construct intelligent sports injury prediction models, enabling accurate early warning of sports injuries. It is of great significance to comprehensively summarize and review such research results so as to grasp the direction of early warning model improvement and to guide the construction of sports injury prediction models in China.
OBJECTIVE: To systematically review and analyze relevant research on sports injury prediction models based on machine learning technology, thereby providing references for the development of sports injury prediction models in China.
METHODS: Literature search was conducted on CNKI, Web of Science and EBSCO databases, which mainly searched for literature related to machine learning techniques and sports injuries. Finally, 61 articles related to sports injury prediction models were included for analysis.
RESULTS AND CONCLUSION: (1) In terms of external risk feature indicators, there is a lack of competition scenario indicators, and the inclusion of related feature indicators needs to be further improved to further enrich the dimensions of the dataset for model training. In addition, the inclusion feature weighting methods of the sports injury prediction model are mainly based on filtering methods and the use of embedding and wrapping weighting methods needs to be strengthened in order to enhance the analysis of the interaction effects of multiple risk factors. (2) In terms of model body training, supervised learning algorithms become the mainstream choice. Such algorithms have higher requirements for the completeness of sample labeling information, and the application scenarios are easily limited. Therefore, the application of unsupervised and semi-supervised algorithms can be increased in the later stage. (3) In terms of model performance evaluation and optimization, the current studies mainly adopt two verification methods: HoldOut crossover and k-crossover. The range of AUC values is (0.76±0.12), the range of sensitivity is (75.92±11.03)%, the range of specificity is (0.03±4.54)%, the range of F1 score is (80.60±10.63)%, the range of accuracy is (69.96±13.10)%, and the range of precision is (70±14.71)%. Data augmentation and feature optimization are the most common model optimization operations. The accuracy and precision of the current sports injury prediction model are about 70%, and the early warning effect is good. However, the model optimization operation is relatively single, and data augmentation methods are often used to improve model performance. Further adjustments to the model algorithm and hyperparameters are needed to further improve model performance. (4) In terms of model feature extraction, most of the internal risk profile indicators included are mainly based on anthropometrics, training load, years of training, and injury history, but there is a lack of sports recovery and physical function indicators.

Key words: sports injury, injury warning, injury prevention, intelligent warning, machine learning, deep learning, artificial intelligence, sports

中图分类号:

魏梦力, 钟亚平, 桂辉贤, 周易文, 关烨明, 余绍华. 基于机器学习的运动损伤预警模型[J]. 中国组织工程研究, 2025, 29(2): 409-418.

Wei Mengli, Zhong Yaping, Gui Huixian, Zhou Yiwen, Guan Yeming, Yu Shaohua. Sports injury prediction model based on machine learning[J]. Chinese Journal of Tissue Engineering Research, 2025, 29(2): 409-418.

图/表（结果） 7

BUTLER等[10]基于长期的临床经验，于1980年提出了基于膝关节交叉韧带损伤评估测试方案，在该方案的启发下，运动损伤风险预警工作逐步得到广泛的开展。运动防护师逐步以临床经验为指导，设计特定的测试活动，以人工筛查运动员身体结构、肌肉骨骼强度和柔韧性等方面存在的损伤隐患。COOK等[11]综合以往的各类测试，

提出了功能运动筛查测试，提出了更高效、精准的测评方案。然而，人工测评对诊断医师的临床经验要求高，导致此类测试的稳健度难以保证。HULIN等[13]指出，可以采用统计学手段，基于测试数据构建运动损伤预警模型，从而量化运动损伤风险，以解决人工测评精度易受主观经验影响的问题。基于HULIN等[13]观点，OPAR等[14]采用统计学方法，基于足球运动员的腘绳肌离心力量数据与腘绳肌损伤率建立了线性相关模型。随着可穿戴设备、计算机视觉、精微传感器和GPS定位等先进运动数据采集技术的完善，越来越多与运动损伤风险关联的数据指标被实时跟踪记录，线性模型无法处理多因素间的非线性交互效应，其缺陷亦愈发明显。SHORTLIFFE等[9]指出可加快机器学习等人工智能技术的应用，以快速处理冗余、复杂的数据，提升运动损伤预警模型的速度与精度。POL等[16]论述了基于机器学习技术预测运动损伤风险的基本业务流程、主要业务内容及操作原则。具体时间脉络见图3。各运动损伤预警方法的对比总结见表1。

2.1 运动损伤机器学习预警模型产生背景、应用优势和构建流程在早期实践工作中，运动员的损伤风险评估主要以运动医师开展定期的专项身体测试(如膝交叉韧带功能抽屉测试与功能运动筛查测试)，从而人工筛查运动员身体结构、肌肉骨骼强度及柔韧性等方面存在的损伤隐患，

以综合研判运动员的损伤风险[10-11]。然而人工判断的精度易受主观经验的影响，且预测反馈滞后，难以满足运动损伤预警需求，因此运动医学界尝试探索可快速量化运动损伤风险的方法。随着循证医学的发展，运动医学界尝试采用统计学手段量化运动员损伤风险，线性分析模型逐步用于揭示各损伤风险因素与运动员损伤率的线性关系，进而统计推断运动员的损伤风险[12]。HULIN等[13]构建了橄榄球运动员训练负荷与运动损伤率的线性回归模型。如OPAR等[14]基于精英级足球运动员的腘绳肌离心力量数据与腘绳肌损伤率建立了线性相关模型。线性模型实现了运动损伤风险的量化评估，有效降低了主观经验错误的风险，提升了运动损伤预警工作的精度与速度。但是，随着可穿戴设备、计算机视觉、精微传感器和GPS定位等先进运动数据采集技术的完善，越来越多与运动损伤风险关联的数据指标被实时跟踪记录，线性模型无法处理多因素间的非线性交互效应的缺陷亦愈发明显[15]。如POL等[16]认为运动损伤本质上是一个复杂的动态事件，该事件的形成受运动员机能状态、训练负荷水平、场地环境等多维因素影响，且各因素间存在复杂的交互作用，线性回归模型难以处理如此复杂的数据关系，因此其预测运动损伤风险的效力有限。
机器学习是一种基于统计学和计算机科学的人工智能技术，通过使用算法和数据构建模型，并自动化推理和预测，从而使机器能够自主学习和优化，进而将人类综合复杂思维能力赋予机器，替代人类执行部分决策活动，以减少决策工作中可能产生的人为错误。机器学习模型注重从大规模数据集中识别出数据运行模式和规律，从而高效处理复杂的多因素交互效应，以预测未来的结果或行为。近年来，运动医学界呼吁采用机器学习技术对高密度、多元异构的运动数据样本进行深度信息挖掘，并分析指标间复杂、非线性的关系，以建立预测精度更高、反馈速度更快的运动损伤智能预警模型，从而替代专家诊断工作[9]。
根据“学习数据”是否拥有标注信息可将机器学习模型分为监督式学习与无监督式学习和半监督式学习3类。所谓“标注”指可直接反映机器学习目标的关键数据指标。例如，运动疲劳程度、运动负荷和比赛天气对运动损伤率的影响，其中的“运动损伤率”即标注。监督学习模型要求学习样本包含完整的标注信息，从给定的训练数据集中学习出一个函数，再将该函数运用于新的数据集来预测结果。无监督学习模型则无需学习样本标注信息，侧重于在大量数据中寻找潜在的规律，将相似的事物归为一类。半监督学习模型是介于监督式与无监督式中的一种机器学习方式，可利用少量的标注数据和大量的未标注数据进行训练和分类[17]。
基于机器学习的运动损伤预警模型的构建需完成如下步骤[18]：①模型特征提取：收集与运动损伤风险密切相关的指标数据集(如身体关节的力量与活动度、训练负荷、疲劳程度、损伤史等)，并对数据指标进行清理、去噪、归一化、特征纳入与权重等预处理，从而提炼出与预测结果变量相关的特征指标；②模型主体训练：根据预警的损伤类型，与纳入的特征指标类别，选择合适的预警算法，建立模型训练所需的数据集，从而训练模型主体；③模型评估优化：使用测试数据验证模型的性能，以确定模型是否可以有效地预测运动损伤风险，并对模型进行优化，以提高运动损伤预警模型的性能，见图4。
鉴于运动损伤机器学习预警模型的建立需完成模型特征提取、模型主体训练和模型评估优化3个环节，因此文章将从以上3个方面对现有研究成果进行梳理与归纳，总结现有研究在各模型构建环节的共性与问题，为中国运动损伤预警模型的构建工作提供理论指导。
2.2 基于机器学习的运动损伤预警模型的特征提取
2.2.1 运动损伤预警模型特征指标纳入种类任何事物都具有其独特的特征，这是事物被区分的基本前提。如一个人的身高、体质量和相貌均具有较强的个体特征，这是其区别于他人的前提。人类智能的形成便是在了解事物特征的基础上，识别事物属性的过程。因此，如何让计算机识别未知事物的特征，从而判断事物的属性，是实现机器智能的先决条件。特征提取的首要内容便是选取可代表事物特点的数据指标输入至计算机，随后设计各指标的阈值，当计算机获取了相关指标数据后，便可根据预先设计的阈值，判断事物的属性[19]。以跑步常见的过度使用性损伤为例，造成该损伤的主要相关指标为运动负荷量，那么该指标便是预测跑步过度使用性损伤风险的主要特征指标[17-18]。
运动损伤病因学理论指出，运动损伤的成因主要可分为内部风险因素及外部风险因素两类[20]。其中，内部风险因素指与人体自身训练适应相关的因素，如人体测量信息、运动素质及运动损伤史等，内部风险因素是决定运动员是否具有损伤倾向的关键原因。外部风险因素指与训练环境、训练过程密切相关的因素，如训练场地的照明情况与配备的安全措施、是否佩戴运动装备、天气条件、训练与比赛负荷等，外部风险因素更多担任了一种损伤诱导的角色，只有当运动员内部风险因素作用使其具有损伤倾向时，外部风险因素才可能对其损伤的发生产生诱导作用，使得运动员变成易受外界刺激影响的高损伤风险群体[21-22]。
现有的机器学习模型基本参照了运动损伤病因学理论，纳入了诸多与损伤密切相关的预测特征指标[26-41]。如表2显示，主要纳入的特征指标类别有人体测量信息(年龄、性别、身体形态；n=14，87.5%)、运动素质(柔韧

性、肌肉力量、平衡能力；n=8，50%)、训练负荷(n=4，25%)、损伤史(n=4，25%)、训练年限(n=4，25%)、睡眠质量(n=1，6.2%)、个体遗传信息(n=1，6.2%)、学业表现(n=1，6.2%)。从总体上看，模型特征指标纳入种类多为内部风险特征指标，外部风险特征指标仅纳入了训练负荷一项，内外部风险指标纳入比例严重失衡。对已纳入的特征指标具体分析发现，在内部风险指标方面，还较缺乏运动恢复类(如营养摄入、睡眠质量、恢复放松手段等)与身体机能类(能量代谢、疲劳程度等)等重要指标的纳入。在外部风险指标方面，缺乏与比赛场景相关的特征指标(如比赛天气、比赛负荷、比赛场地材质、比赛地形等)，而上述指标均已被证实与运动损伤风险具有密切联系，相关特征指标的缺失将限制模型预警性能的进一步提升。因此，后期需进一步完善运动损伤机器学习预警模型的纳入特征指标种类，尤其是外部风险类特征指标的纳入，以获取更为完整的运动损伤预警信息。
2.2.2 运动损伤预警模型的特征指标权重在真实的运动环境中，各类损伤风险因素的影响力并非是固定的，而是会随着时间推移产生动态及非线性变化。例如，运动员们在每天重复的训练中，其暴露的外部风险因素(如比赛地形、天气条件、训练负荷)通常大体相似，但随着运动员生理机能上的适应(如肌肉力量提升、疲劳恢复速度提高)，外部风险因素的作用会下降，即产生所谓的风险因素补偿效应[21]。因此在预警运动损伤时，采用线性相关或回归分析来发掘风险因素与运动损伤间的关联，从而评估各风险因素的权重时，必然会受风险因素补偿效应的影响而产生预警误差，因此需以自组织视角审视各风险因素与运动损伤间的潜在联系，分析各因素间的交互效应，以提炼运动损伤风险变化机制，从而实现运动损伤的精准预警[22]。相较于传统统计模型，机器学习模型的特征权重突出高阶非线性的统计分析方法的应用，以分析与预测结果密切相关的特征指标间动态、非线性的交互作用过程，从而挖掘庞杂、多维数据中潜在的数据规律，进而保证运动损伤预警模型的精准性与稳健性。
当前基于机器学习的运动损伤预警模型的特征指标权重方法主要有3大类[23]：一是基于过滤法(filter)，即根据各种统计检验中的分数以及相关性评估各特征指标的权重系数，常见方法有基尼系数、相关性分析、卡方分析、符号秩检验和最小二乘法等；二是基于嵌入法(embedded)，即在模型训练过程中直接考虑各特征指标的重要性，常见方法有SHAP图、正则化逻辑回归和套索分析等；三是基于包裹法(wrapper)，即利用实际的机器学习模型来评估特征子集的效果，从而选择出最佳特征子集，常见方法有遗传算法、正向选择和反向选择等。不同的损伤类型，相应的风险预测的特征指标亦不同，因此研究者们所采取的特征权重方法亦存在差异。基于此，文章系统梳理了相关案例，以试图总结基于机器学习的运动损伤预警模型的特征权重方法特点。现有研究显示，研究者采用最多的特征权重评价方式为正向选择(n=4，25%)，其次分别为基尼系数下降幅度(n=1，6.2%)、套索分析(n=1，6.2%)、最小二乘法(n=1，6.2%)、SHAP概要图(n=1，6.2%)、非线性相关分析(n=1，6.2%)、线性相关分析(n=1，6.2%)、Wilcoxon符号秩检验(n=1，6.2%)、卡方检验(n=1，6.2%)、Fishers精确检验(n=1，6.2%)、正则化逻辑回归(n=1，6.2%)，见表2。
基于上述总结发现，现有研究多采用过滤法权重运动损伤预警模型纳入的特征指标，占总研究比例的43.4%，其次是嵌入法(24.8%)，包裹法占比最低(12.5%)。相较于嵌入法与包裹法，过滤法通常应用在模型主体训练之前，因此在权重特征指标方面具有速度快、可处理高密度数据等应用优势，但不足之处在于，过滤法更注重明确各特征指标与预测变量间的非线性关系，在量化各特征指标间的交互作用的能力较弱[24-25]，这一定程度上不利于深度分析运动损伤风险因素补偿效应，将限制运动损伤预警模型性能的进一步提升。嵌入法与包裹法可以很好地兼顾多损伤风险因素间交互作用的分析，更符合运动损伤预警模型的构建需求，因此后期在开展运动损伤预警模型构建研究时，可积极推进嵌入法与包裹法应用于运动损伤预警模型的特征指标权重工作。
2.3 基于机器学习的运动损伤预警模型的主体训练机器学习模型的主体训练主要涉及训练集规模设置和训练算法选择两方面内容，以上内容关乎模型的准确性和泛化能力。训练集规模越大，模型越能够学习到训练集的特点和规律。当训练集规模不足时，模型容易发生过拟合(overfitting)，即模型过于复杂、过度匹配训练集数据，导致在新数据上表现不佳。相反，如果数据集过大，会导致模型泛化能力的下降(即在训练集上表现良好，但在测试集上表现糟糕)，因此准备合理的训练集规模尤为重要[42]。此外，算法选择对模型性能至关重要，按照机器学习方式，机器学习算法也分为监督式、无监督式及半监督式3类，不同的算法适用于不同的问题和数据类型，关乎模型的精度与泛化能力间的平衡，需根据实际问题与数据类型合理选择模型训练算法。
在运动损伤预警模型的训练集规模方面，参考现有标准发现[43]，在文章纳入的文献中，大样本训练集
(观测记录次数≥1 000)占比25%、中等样本训练集(100≤观测记录次数< 1 000)占比62.5%、小样本训练集(观测记录次数< 100)占比12.5%。在预警模型构建算法选择方面，主要采用的算法有支持向量机(n=7，43.7%)、随机森林(n=6，37.5%)、决策树(n=5，31.2%)、神经网络(n=3，18.7%)、逻辑回归(n=1，6.2%)。监督式算法为运动损伤机器学习预警模型的主流训练算法，占总研究文献的87.5%，无监督式算法占37.5%，半监督式算法占12.5%。基于上述分析认为，运动损伤机器学习预警模型的主体训练工作有如下特点：①现研究多基于中等样本训练集开展模型主体训练，大样本训练或小样本训练较少；②监督式学习算法为主流的模型主体训练算法，其中以支持向量机、决策树算法应用最为常见，见表3。
基于当前研究在模型主体训练方面的共性特点，分析认为现有研究还存在如下不足：①模型主体训练过于倚重监督式学习算法，需强化半监督与无监督式学习算法的应用。监督式学习算法虽然可依据数据的标注信息

快速提取数据规律，并基于数据规律对新样本数据进行预测，使得训练出的模型具备较高的预测精度与泛化能力。但在实际体育场景中，很难获取具有完整标注信息的高质量数据[44]，因此监督式算法的实际应用场景易受限，而半监督式学习与监督式学习对数据标注信息要求低，且可从无标注信息的数据中提取关键预测特征指标，在一定程度上可弥补监督式学习的应用劣势，更贴合实际体育场景的数据采集分析需求，因此后期可进一步突出应用半监督学习与无监督学习算法训练模型主体；②模型主体训练样本规模单一，训练样本多为中等规模，缺乏小样本、大样本模型的训练实践。相对于小样本训练集，中等样本训练集有更多的样本示例，因此可更好地帮助模型把握数据分布特征，避免出现过度拟合的情况。而相对于大样本训练集，中等样本训练集更容易获取，训练出的模型稳定性更佳[45]。因此，在训练模型主体时，中等样本集通常被认为是兼顾模型预测精确性与稳定性的合理选择。但是，采用中等样本开展模型主体训练并不符合所有运动项目的需求，例如对于数据资源较为丰富的项目(如足球和橄榄球)，开展大样本训练易提取出更多的预测特征指标，所得模型的泛化能力更强。而对于数据资源匮乏的运动项目，亦可通过小样本学习技术，降低数据的噪声与不一致性，也可取得不错的预测效果。因此，需基于运动项目数据资源的现状，因势利导地设置合适的模型主体训练样本规模。
2.4 基于机器学习的运动损伤预警模型的评估优化运动损伤预警模型的优化需经历两大环节：一是对模型性能进行验证与评估，从而明确模型存在的问题；二是对模型进行优化操作，即对模型参数、算法、结构进行调整，以增强模型的预警性能。在早先基于统计学习技术的运动损伤预警模型的研究中，研究者多采用留一法(Leave one out crossvalidation，LOOCV)验证模型性能，即将数据集分成训练集和测试集，通过对比测试集的实际值和模型预测值的误差来评估模型的预警能力，通常采用的模型评估指标主要为R2值、P值等，模型优化操作的主要方法为特征优化，即增加或降维纳入的预测特征指标。相较于统计学模型，用于构建机器学习模型的数据样本大部分由机器自动采集并处理，可用于训练的样本量通常较大[46]。因此，相较于传统的统计学模型，机器学习模型验证评估更注重在数据上的通用性和泛化能力，以避免模型对训练数据过拟合的情况。机器学习模型验证评估主要采用交叉验证方法，将数据集分成训练集、验证集和测试集，通过比较验证集的实际预测值和模型预测值的误差来评估模型的泛化能力，其常用的模型评估指标主要有准确度、AUC值、精确度、灵敏度和F1分数等。在模型优化操作方面，机器学习模型除了常规的特征优化外，还采用数据增强、算法置换及超参数调整等操作方法[45-46]。
不同的损伤类型，用于训练预警模型的数据种类亦不同，因此在运动损伤预警模型构建过程中，不同研究者对模型评估与优化的方法亦具有差异，文章试图梳理现有成果，总结当前运动损伤预警模型评估优化工作的共性特点，为中国相关研究提供借鉴。首先，在模型性能评估方面，现有研究主要采用了HoldOut交叉与k-交叉两种验证方式，分别占总研究文献的56.25%、43.75%，最常采用的性能评价指标为AUC(n=12，75%)，其次是灵敏度(n=8，50%)、特异度(n=6，37.5%)、F1分数(n=5，31.2%)、准确度(n=3，18.75%)及精确度(n=3，18.75%)。其次，在模型性能方面，AUC值范围(0.76±0.12)，灵敏度范围(75.92±11.03)%，特异度(80.03±4.54)%，F1分数值范围(80.60±10.63)%，准确度范围(69.96±13.10)%，精确度范围(70.00±14.71)%。再次，在预警模型的优化操作方面，数据增强占总研究文献的43.75%，特征优化占比43.75%，算法置换占比18.75%，超参数调整占比18.75%，见表4。
基于上述分析，发现如下研究信息：①现有模型的预测性能仍有较大提升空间。如分析结果显示，现有运动损伤预警模型的准确度、精确度均在70%左右，后期可对模型进一步优化，提升模型的预警性能。②在模型优化操作方面，现研究主要通过改善模型训练数据集质量，从而提升模型预警性能，如增加训练样本量、剔除样本缺失值等数据增强方法，从而降低模型过拟合的可能性，或采用特征优化方法，对预测特征指标进行降维、标准化、归一化处理，提升特征指标的预测效度，而对模型训练算法与模型超参数进行优化调整的研究较少。然而，后两种方法在提升模型鲁棒性与泛化能力方面具有重要意义，基于大量的算法置换或超参数调试，将有效降低运动损伤预警模型陷入局部最优解的风险，以维持模型不同损伤场景下的预测精度，因此后期研究需重视采用多样化的模型优化操作，从而全面提升模型性能。

参考文献

[1] REYNOLDS P. Agency for healthcare research and quality: extramural support for rehabilitation activities. Am J Phys Med Rehabil. 2005;84(12):1034-1035.
[2] YTTERSTAD B. The harstad injury prevention study: the epidemiology of sports injuries. An 8 year study. Br J Sports Med. 1996;30(1):64-68.
[3] WHITELEY R. ‘Moneyball’ and time to be honest about preseason screening: it is a sham making no inroads on the 1 billion dollar injury costs in baseball. Br J Sports Med. 2016;50(14):835-836.
[4] THORBORG K, KROMMES KK, ESTEVE E, et al. Effect of specific exercise-based football injury prevention programmes on the overall injury rate in football: a systematic review and meta-analysis of the FIFA 11 and 11+ programmes. Br J Sports Med. 2017;51(7):562-571.
[5] 钟亚平,刘鹏.基于RBF神经网络算法的田径运动损伤预警模型研究[J].计算机应用与软件,2014,31(6):48-51.
[6] ZADEH A, TAYLOR D, BERTSOS M, et al. Predicting sports injuries with wearable technology and data analysis. Inf Syst Front. 2021;23(2):1023-1037.
[7] RAJULA HSR, VERLATO G, MANCHIA M, et al. Comparison of conventional statistical methods with machine learning in medicine: diagnosis, drug development, and treatment. Medicina (Kaunas). 2020;56(9):455-465.
[8] MAJUMDAR A, BAKIROV R, HODGES D, et al. Machine learning for understanding and predicting injuries in football. Sports Med Open. 2022; 8(1):73-83.

[9] SHORTLIFFE EH, SEPÚLVEDA MJ. Clinical decision support in the era of artificial intelligence. J Am Med Dir Assoc. 2018;320(21):2199-2200.
[10] BUTLER DL, NOYES FR, GROOD ES. Ligamentous restraints to anterior-posterior drawer in the human knee. A biomechanical study. J Bone Joint Surg Am. 1980;62(2):259-270.
[11] COOK G, BURTON L, HOOGENBOOM BJ, et al. Functional movement screening: the use of fundamental movements as an assessment of function-part 1. Int J Sports Phys Ther. 2014;9(3):396-409.
[12] ADAMHULME, FINCH C. From monocausality to systems thinking: a complementary and alternative conceptual approach for better understanding the development and prevention of sports injury. Int J Epidemiol. 2015;2(1):1-12.
[13] HULIN BT , GABBETT TJ , BLANCH P, et al. Spikes in acute workload are associated with increased injury risk in elite cricket fast bowlers. Br J Sports Med. 2014;48(8):708-712.
[14] OPAR DA, WILLIAMS MD, TIMMINS RG, et al. Eccentric hamstring strength and hamstring injury risk in Australian footballers. Med Sci Sports Exerc. 2015;47(4):857-865.
[15] CLAUDINO JG, CAPANEMA DO, SOUZA TV, et al. Current approaches to the use of artificial intelligence for injury risk assessment and performance prediction in team sports: a systematic review. Sports Med Open. 2019;5(1):1-12.
[16] POL R, HRISTOVSKI R, MEDINA D, et al. From microscopic to macroscopic sports injuries. Applying the complex dynamic systems approach to sports medicine: a narrative review. Br J Sports Med. 2019;53(19):1214-1220.
[17] SARKER IH. Machine learning: algorithms, real-world applications and research directions. SN Comput Sci. 2021;2(3):1-21.
[18] VAN EETVELDE H, MENDONCA LD, LEY C, et al. Machine learning methods in sport injury prediction and prevention: a systematic review. J Exp Orthop. 2021;8(1):27-42.
[19] KOKKOTIS C, MOUSTAKIDIS S, PAPAGEORGIOU E, et al. Machine learning in knee osteoarthritis: a review. Osteoarthr Cartil Open. 2020;2(3):100069.
[20] BAHR R. Understanding injury mechanisms a key component of preventing injury in sport. Br J Sports Med. 2005;39(6):324-329.
[21] MEEUWISSE WH, TYREMAN H, HAGEL B, et al. A dynamic model of etiology in sport injury: the recursive nature of risk and causation. Clin J Sport Med. 2007;17(3):215-219.
[22] WINDT J, GABBETT TJ. How do training and competition workloads relate to injury? The workload—injury aetiology model. Br J Sports Med. 2016;51(5): 428-435.
[23] BITTENCOURT NFN, MEEUWISSE WH, MENDON ALD, et al. Complex systems approach for sports injuries: moving from risk factor identification to injury pattern recognition—narrative review and new concept. Br J Sports Med. 2016;50(21):1309-1314.
[24] PUDJIHARTONO N, FADASON T, KEMPALIEHR AW, et al. A review of feature selection methods for machine learning-based disease risk prediction. Front Bioinform. 2022;27(2):1-17.
[25] SAROJ A, MONALI B, BISWAJIT P. Review on feature selection and classification using neuro-fuzzy approaches. Int J Appli Evolu Comput. 2016;7(4):28-44.
[26] MCCULLAGH J, WHITFORT T. An investigation into the application of artificial neural networks to the prediction of injuries in sportInt. J Sport Health Sci. 2013;7(7):1356-1360.
[27] WHITESIDE D, MARTINI DN, LEPLEY AS, et al. Predictors of ulnar collateral ligament reconstruction in major league baseball pitchers. Am J Sports Med. 2016;3(1):1-8.
[28] CAREY DL, CROSSLEY KM, WHITELEY R, et al. Modeling training loads and injuries: the dangers of discretization. Med Sci Sports Exerc. 2018;50(11):1-8.
[29] LÓPEZ V, ALEJANDRO, AYALA F, et al. Preventive model for muscle injuries: a novel approach based on learning algorithms. Med Sci Sports Exerc. 2018;50(5):915-927.
[30] ALESSIO R, LUCA P, PAOLO C, et al. Effective injury forecasting in soccer with GPS training data and machine learning. Plos One. 2018;13(7):1-15.
[31] RUDDY JD, SHIELD AJ, MANIAR N, et al. Predictive modeling of hamstring strain injuries in elite australian footballers. Med Sci Sports Exerc. 2018;50(5):906-914.
[32] AYALA, FRANCISCOLOPEZ V, ALEJANDROGAMEZ M, et al. A preventive model for hamstring injuries in professional soccer: learning algorithms. Int J Sports Med. 2019;40(5):1-27.
[33] RODAS G, OSABA L, ARTETA D, et al. Genomic prediction of tendinopathy risk in elite team sports. Int J Sports Physiol Perform. 2019;15(4):1-7.
[34] LUU BC, WRIGHT AL, HAEBERLE HS, et al. Machine learning outperforms logistic regression analysis to predict next-season nhl player injury: an analysis of 2322 players from 2007 to 2017. Orthop J Sports Med. 2020; 8(9):1-8.
[35] OLIVER B, FA C, MDSC D, et al. Using machine learning to improve our understanding of injury risk and prediction in elite male youth football players. J Sci Med Sport. 2020;23(11):1044-1048.
[36] ROMMERS N, RSSLER R, VERHAGEN E, et al. A machine learning approach to assess injury risk in elite youth football players. Med Sci Sports Exerc. 2020;52(8):1745-1751.
[37] CASTELLANOS J, PHOO CP, ECKNER JT, et al. Predicting risk of sport-related concussion in collegiate athletes and military cadets: a machine learning approach using baseline data from the care consortium study. Sports Med. 2020;51(3):567-579.
[38] TABORRI J, MOLINARO L, SANTOSPAGNUOLO A, et al. A machine-learning approach to measure the anterior cruciate ligament injury risk in female basketball players. Sensors. 2021;21(9):3141-3158.
[39] RAHLF AL, HOENIG T, STÜRZNICKEL J, et al. A machine learning approach to identify risk factors for running-related injuries: study protocol for a prospective longitudinal cohort trial. BMC Sports Sci Med Rehabil. 2022; 14(1):1-11.
[40] JAUHIAINEN S, KAUPPI JP, KROSSHAUG T, et al. Predicting acl injury using machine learning on data from an extensive screening test battery of 880 female elite athletes. Am J Sports Med. 2022;5(11):2917-2924.
[41] BOGAERT S, DAVIS J, VAN RS. Impact of gender and feature set on machine-learning-based prediction of lower-limb overuse injuries using a single trunk-mounted accelerometerhe. Sensor. 2022;22(11):2860-2877.
[42] Charilaou P, Battat R. Machine learning models and over-fitting considerations. World J Gastroenterol. 2022;28(5):605-607.
[43] RAJPUT D, WANG WJ, CHEN CC. Evaluation of a decided sample size in machine learning applications. BMC Bioinformatics. 2023;24(1):48-65.
[44] VONDRICK C , PATTERSON D , RAMANAN D. Efficiently scaling up crowdsourced video annotation: a set of best practices for high quality, economical video labeling. Int J Comput Vis. 2013;101(1):184-204.
[45] VABALAS A, GOWEN E, POLIAKOFF E. Machine learning algorithm validation with a limited sample size. PLoS One. 2019;14(11):1-20.
[46] DEIST TM, PATTI A, WANG Z, et al. Simulation-assisted machine learning. Bioinformatics. 2019;35(20):4072-4080.
[47] GABBETT TJ. The training-injury prevention paradox: should athletes be training smarter and harder? Br J Sports Med. 2016;50(5):273-280.
[48] CHAMBERS R, GABBETT TJ, COLE MH, et al. The use of wearable microsensors to quantify sport-specific movements. Sports Med. 2015; 45(7):1065-1081.
[49] WEHBE GM, GABBETT TJ, HARTWIG TB, et al. Reliability of a cycle ergometer peak power test in running-based team sport athletes: a technical report. J Strength Cond Res. 2015;29(7):2050-2055.
[50] GALLO T, CORMACK S, GABBETT T, et al. Characteristics impacting on session rating of perceived exertion training load in Australian footballers. J Sports Sci. 2015;33(5):467-475.
[51] KALKHOVEN JT, WATSFORD ML, IMPELLIZZERI FM. A conceptual model and detailed framework for stress-related, strain-related, and overuse athletic injury. J Sci Med Sport. 2020;23(8):726-734.
[52] TOOHEY LA, DREW MK, FORTINGTON LV, et al. An updated subsequent injury categorisation model (SIC-2.0): data-driven categorisation of subsequent injuries in sport. Sports Med. 2018;48(9):2199-2210.
[53] SHRIER I, STEELE RJ, ZHAO M, et al. A multistate framework for the analysis of subsequent injury in sport (M-FASIS). Scand J Med Sci Sports. 2016; 26(2):128-139.
[54] SHRIER I, STEELE RJ. Classification systems for reinjuries: a continuing challenge. Br J Sports Med. 2014;48(18):1338-1339.
[55] KIEFER AW, KUSHNER AM, GROENE J, et al. A Commentary on real-time biofeedback to augment neuromuscular training for ACL injury prevention in adolescent athletes. J Sports Sci Med. 2015;14(1):1-8.
[56] BIRÓ A, CUESTA-VARGAS AI, SZILÁGYI L. AI-assisted fatigue and stamina control for performance sports on IMU-generated multivariate times series datasets. Sensors (Basel). 2023;24(1):132-139.
[57] WILKERSON GB, GUPTA A, COLSTON MA. Mitigating sports injury risks using internet of things and analytics approaches. Risk Anal. 2018;38(7):1348-1360.
[58] HULIN BT, GABBETT TJ, JOHNSTON RD, et al. Wearable microtechnology can accurately identify collision events during professional rugby league match-play. J Sci Med Sport. 2017;20(7):638-642.
[59] CUI J, DU H, WU X. Data analysis of physical recovery and injury prevention in sports teaching based on wearable devices. Prev Med. 2023;173:107589.
[60] JOHNSON WR, MIAN A, LLOYD DG, et al. On-field player workload exposure and knee injury risk monitoring via deep learning. J Biomech. 2019;93:185-193.
[61] CHAWLA S, ESTEPHAN J, GUDMUNDSSON J, et al. Classification of passes in football matches using spatiotemporal data. ACM Trans Spat Algorithms Syst. 2017;3(2):1-30.

引言

长期、规律性地参与运动训练活动可有效提升运动员的身体机能，促进其形成良好竞技状态，进而夺取比赛优胜[1]。然而，长期参与运动训练所产生的疲劳累积，亦会给运动员带来相当大的损伤风险，进而产生肌肉关节疼痛、肌力下降和关节不稳等问题，将严重影响运动员赛场表现，甚至结束其运动生涯[2]。从社会层面来看，运动损伤造成了巨大的医疗资源浪费[3-4]。因此，科学有效地预防运动损伤，对延长运动员职业生涯、纾解医疗资源压力均具有重大意义。
目前学界认为，运动损伤预防的关键在于明确与运动损伤形成密切相关的风险因素，进而跟踪风险因素的变化，捕获运动损伤发生的时间窗，以提前实施损伤预防措施[5]。因此，采集与运动损伤风险密切相关的指标数据，并构建精准的损伤预警模型，一直是预防医学与生物医学工程领域研究的重要内容。诸多学者采用统计学手段，分析各预测指标与运动损伤风险之间的关系，并构建统计学模型，从而实现运动员损伤风险的量化预测。然而，随着研究的逐步深入，统计学模型亦逐步暴露出了一些问题，限制了运动损伤预警模型的进一步发展。伴随着可穿戴式运动设备涌现与数字化训练场馆的建设，生产了海量的运动员训练与损伤数据资源，虽然这为科学预测运动损伤风险提供了数据支持，但由于该数据资源存在体量大、价值密度低和数据类型多元等问题，对数据处理的算法和算力提出了较高的要求，而统计学习模型通常使用传统的参数推断方法，需要对固定数量的参数进行估计，当处理大规模数据时，模型的复杂度会显著提升，反馈速度会显著下降[6-7]。
传统的统计学习模型多数是基于线性模型或者假设数据服从某种分布，当数据具有非线性关系或高维特征时，可能会出现过拟合及欠拟合等问题，模型的预测精度会显著下降。随着以机器学习为代表的人工智能技术的发展，数据、算法和算力加持的“智能时代”已悄然来临。相较于传统的统计学模型，机器学习模型具有并行计算的能力，可加速处理海量运动数据，降低训练模型所需要的时间和资源，且在面对多元、异构的数据时，机器学习模型可依托特征选择和降维技术减少数据维度，从而降低模型训练的复杂度[7]。此外，机器学习模型能够捕捉和处理非线性、高维的数据模式，例如构建神经网络以自适应方式发掘各维度数据间的非线性交互作用，从而提炼出潜在的数据变化规律，进而提升模型的预警精
度[8]。基于机器学习模型的应用优势，运动医学界广泛呼吁采用机器学习技术高效处理庞大、冗杂的运动数据资源，提炼与运动损伤风险高度相关的预测信息，构建智能化的运动损伤预警模型，从而精准捕捉运动损伤发生的“时间窗”，实现运动损伤的精准预警[9]。
目前学界已基于机器学习技术广泛开展了运动损伤预警模型的构建工作，但尚未有研究对该领域进行全面的归纳与评述，导致此类研究还存在如下问题：①当前研究未能阐述此类模型构建的理论基础与构建原理，导致此类模型构建的流程缺乏统一的理论指导；②当前研究多为实际的构建案例，并未总结各案例所采用的指标特征类型、训练算法、评估方式等方面的共性特征，从而提出一个普适性的技术框架，导致在具体的模型构建业务中缺乏客观的实践参照；③现有研究未能总体上分析运动损伤机器学习预警模型的不足，总结此类模型未来完善的重点。基于此，文章将系统梳理相关研究成果，总结运动损伤机器学习预警模型的构建原理、应用优势与构建流程，并对现有案例的操作过程进行详细剖析，从而为中国运动损伤预警工作提供理论与实践指导。
中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

材料方法

讨论

3.1 既往他人在该领域研究的贡献和存在的问题现有对运动损伤机器学习预警模型的研究中，研究者多基于前瞻性研究设计，预先设计模型的构建指标与训练算法，以此开展数据采集、特征提取、模型构建和模型评估工作，并构建了较为精准的损伤预警模型。但现有研究缺少对此类模型构建原理、构建流程与构建参数设置的系统总结，导致各类研究者预设的模型纳入特征指标与评估算法缺乏参考，多基于主观经验设计，易导致模型设计精度受主观错误影响。其次，由于运动损伤的类型多，不同的损伤类型，其损伤的成因亦不同[47-50]，现有研究多是对某一类型损伤开展模型的构建工作，因此模型带有一定的特异性，单一案例总结无法提出普适性的技术实现框架，无法更系统、更深入地推进运动损伤机器学习预警模型的发展。
3.2 作者综述区别于他人他篇的特点该综述通过对近年运动损伤机器学习预警模型构建研究文献的梳理，较为清晰地总结了模型构建的基础理论及原理、技术实现框架，并基于机器学习模型构建流程的新视角，详细梳理并总结了各类损伤预警模型的参数设置与验证评估方式的共性特征与不足，为后期研究既提供了宏观的原理阐释，又提供了具体的操作指导。得到了如下重要结论：在模型特征提取方面，现有模型的纳入特征种类不完善，在纳入的内部风险特征指标中，以人体测量学、训练负荷、训练年限及损伤史等指标为主，缺乏运动恢复类指标与身体机能类指标。在纳入的外部风险特征指标中，缺乏比赛场景类指标。此外，模型纳入特征权重方法主要为过滤法，需强化嵌入法、包裹法等权重方法的运用，以增强多风险因素交互效应的分析。在模型主体训练方面，模型主体训练算法较单一，多以监督式学习算法为主，此类算法对样本标注信息的完整度有较高要求，应用场景易受限，后续研究可增加无监督与半监督算法的应用。在模型性能评估优化方面，当前运动损伤预警模型准确度、精确度均在70%左右，预警效果良好，但模型优化操作较单一，多采用数据增强方法提升模型性能，需强化对模型算法、超参数的调整，以进一步提升模型性能。
3.3 综述的局限性 ①文章以技术视角出发，以机器学习模型的构建流程为综述线索，对此类模型的特征提取、主体训练及评估优化进行了总结，未列举具体的模型案例进行深入剖析，导致结果呈现不够具体和直观；②文章系统阐述了运动损伤机器学习预警模型构建的技术框架，然而随着机器学习技术的发展，逐步演变出深度学习与生成式学习等新技术类型，文章所阐述的技术框架并不适用于后者；③运动损伤机器学习预警模型构建属于集运动医学、运动防护学和计算机科学等学科知识的交叉型研究工作，运动损伤机器学习预警模型的构建充分借鉴了运动损伤病因学模型的理论[51-54]，但文章并未深度论述两类模型的交融关系，会导致文章成果不利于非医学类建模技术人员的理解，因此后期研究可进一步对二者关系进行深入探讨，以强化文章的可理解度。
3.4 综述的重要意义文章首先梳理了运动损伤预警模型的发展脉络，阐述了基于机器学习技术的运动损伤预警模型的应用优势。随后系统阐释了运动损伤机器学习预警模型的主要构建理论及原理，梳理了其构建环节及其作用，并构建了此类模型的技术实现框架图，为进一步开展此类模型构建工作奠定了理论指导基础。其次，基于机器学习模型的技术实现框架，从模型特征提取、模型主体训练、模型评估优化3个方面，对当前研究文献报告的建模参数进行提取与分析，从实操方面指出了当前研究的共性与不足。在此基础上，指出未来需进一步完善此类研究的重点任务。
3.5 课题专家组对未来的建议未来运动损伤机器学习预警模型研究可从以下方面进一步开展。
3.5.1 强化情景感知，实现多场景数据采集分析多维、高密度数据资源是构建高性能运动损伤预警模型的基础[55-57]。然而受限于采集手段，现有模型研究中缺乏如天气、营养、睡眠及比赛中的对抗事件等与损伤密切相关的风险特征指标，限制了损伤预警模型性能的进一步提升。随着计算机视觉、智能传感等情境感知技术的发展，跨越物理和数字世界的隔阂，为多场景数据采集提供了支持，模型构建者可基于“情境-活动-事件-数据”4个层面[58]，实现运动员日常生活、训练及比赛的全过程和全方位的数据采集与跟踪，从单一特征聚合数据层的融合分析方式逐渐迈向支持高维空间映射的特征层融合分析[59]，深度挖掘与损伤风险关联的风险因素，丰富不同模态数据与损伤风险之间的复杂映射关系[60]，为构建更复杂、更智能、更精准的运动损伤预警模型奠定坚实的数据基础。
3.5.2 优化建模方式，增强模型的多情境适用性当前运动损伤预警模型多采用监督式算法训练，虽然监督式模型在预警精度与预警速度方面具有优势，但其需要样本具有完整的标注信息。在动态的体育运动中，数据缺失、数据离散现象十分常见，很难获取大量已经确定标注信息的数据样本[61]。因此，监督式学习算法在一定程度上限制了更高阶、更复杂的运动损伤预警模型的发展，相比之下无监督式学习算法或半监督式学习算法可能更适合运动损伤预警模型的构建，不需要标注数据，便可自主学习，从大量未知数据中发现规律。因此，需要进一步强化无监督或半监督等建模算法在运动损伤预警模型中的应用，以提高模型的准确性和适应性。
3.5.3 完善优化操作，全面提升模型的预警性能现有研究中多从改善模型训练数据集质量的角度出发，开展模型性能优化工作，而较忽视对模型训练算法置换与超参数调整，这将严重限制模型鲁棒性与泛化能力的提升，影响不同损伤场景下模型预警的稳定性与精准性。后期研究需综合运用多样化的模型优化手段，完善模型优化操作流程，从模型训练数据质量提升、模型算法置换验证及模型超参数调整等多个方面，全面提升模型性能，以增强不同损伤场景下模型预警的稳健性。
中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

基于机器学习的运动损伤预警模型

Sports injury prediction model based on machine learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 7

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	李加根, 陈跃平, 黄柯琪, 陈尚桐, 黄川洪. 线粒体自噬视域下的类风湿关节炎：多机器学习算法构建预测模型及验证并免疫调控分析[J]. 中国组织工程研究, 2025, 29(在线): 1-15.
[2]	王咪, 马书杰, 刘杨, 齐瑞. 缺血性脑卒中铁死亡特征基因NFE2L2的鉴定与验证[J]. 中国组织工程研究, 2025, 29(7): 1466-1474.
[3]	刘雅妮, 杨静欢, 陆慧慧, 易玉芳, 李智翔, 欧阳福, 吴璟莉, 魏兵. 纤维肌痛综合征生物标记物的筛选及免疫细胞浸润分析[J]. 中国组织工程研究, 2025, 29(5): 1091-1100.
[4]	杨彬, 陶广义, 杨顺, 许俊杰, 黄俊卿. 人工智能在脊髓神经损伤与修复领域研究热点的可视化分析[J]. 中国组织工程研究, 2025, 29(4): 761-770.
[5]	杨定燕, 余振球, 杨中愉. 急性心肌梗死与中性粒细胞相关潜在生物标志物的机器学习分析[J]. 中国组织工程研究, 2025, 29(36): 7909-7920.
[6]	江启煜, 曾慧妍. 基于人工智能和组学数据驱动的中药潜在机制新型分析预测方法[J]. 中国组织工程研究, 2025, 29(35): 7552-7561.
[7]	陈莹, 郭晓婧, 莫雪妮, 马威, 武尚志, 李相玲, 谢婷婷. 缺血性脑卒中诊断性生物标志物解析及靶向铜死亡相关基因的实验验证[J]. 中国组织工程研究, 2025, 29(35): 7562-7570.
[8]	巩月红, 王梦君, 任航, 郑辉, 孙佳佳, 刘军鹏, 张飞, 杨建华, 胡君萍. 机器学习联合生物信息学筛选与自噬相关的肺纤维化关键基因及实验验证[J]. 中国组织工程研究, 2025, 29(35): 7679-7689.
[9]	方颖, 张延伟, 利晞, 颜培栋, 毕苗. 基于深度学习改进的膝骨关节炎自动诊断方法[J]. 中国组织工程研究, 2025, 29(35): 7511-7518.
[10]	李靖, 路广琦, 庄明辉, 崔莹, 俞张镜泽, 孙馨悦, 马明明, 朱立国, 于杰. 基于机器学习构建中青年人群颈椎失稳临床预测模型[J]. 中国组织工程研究, 2025, 29(33): 7203-7210.
[11]	王思敏, 张德洲, 赵静, 王超群, 李琨, 陈杰, 白雪, 赵海龙, 张少杰, 马渊, 郝韵腾, 杨洋, 李志军, 史君, 王星. 人工智能与颈椎图像识别：应用前景与挑战[J]. 中国组织工程研究, 2025, 29(33): 7231-7240.
[12]	田宇诗, 付强, 李冀. 急性心肌梗死相关线粒体基因的生物信息学鉴定与验证[J]. 中国组织工程研究, 2025, 29(31): 6697-6707.
[13]	宋浩然, 张玉强, 谷娜, 智晓东, 王伟. 基于Citespace对人工智能在骨创伤研究的可视化分析[J]. 中国组织工程研究, 2025, 29(3): 493-502.
[14]	张子瑜, 陈龙豪, 盛威, 吕涵哲, 沈颖, 王炳豪, 吕智桢, 吕立江 . 人工智能应用于腰椎间盘突出症诊疗：推动诊治手段向规范化、高效化、精准化[J]. 中国组织工程研究, 2025, 29(29): 6269-6276.
[15]	王嘉孺, 张瑛, 杨永, 祁文, 肖华业, 马秋平, 杨连招, 罗自维, 何雅青, 张江银, 韦嘉雯, 孟媛, 谭思连. 基于机器学习脑卒中功能恢复及预后预测模型的系统评价[J]. 中国组织工程研究, 2025, 29(29): 6317-6325.