期刊：Water Research（IF12.8，中科院1区TOP）

DOI：10.1016/j.watres.2026.126790

时间：2027.1.1

研究背景

新兴污染物（ECs）PPCPs、PFAS、内分泌干扰化学物和微塑料等，在水环境中频繁检出，可沿食物链传递蓄积，导致心血管、肝、肾和神经等多器官毒性。心血管系统高度敏感，是环境健康研究的重点。传统毒性评估遵循“体外细胞→斑马鱼→小鼠”分级框架，但各层次均依赖人工识别、标注感兴趣区域，耗时、费力、主观性强，严重制约了大规模数据的获取。近年来，深度学习等AI技术的发展，为毒性评估提供了新路径。

关键发现

本综述梳理了AI深度学习在细胞、斑马鱼和小鼠等心血管毒性评估中的研究进展，并提出LLM驱动的环境风险评估智能体框架：

深度学习模型：深度学习模型已从低维分析与分类发展至高维、多参数表型分析，能够整合单细胞动态变化、器官水平功能及三维结构重建，精准提取毒性终点指标，正从经验判断走向标准化、可重复的智能量化；

AI+细胞：深度学习可实现心肌细胞收缩功能和钙瞬变动力学的自动化分析，将传统人工选视野、逐孔成像、手动测量形态与搏动参数的主观视觉评估，转化为客观、高维、高精度的表型分析，为污染物毒性初筛提供了快速、低成本工具;

AI+斑马鱼：借助高内涵成像系统和大规模图像数据，ZVSegNet、HRNet等算法可实现心室自动分割和心率量化；FAC、FS、SV、EF等复杂动态心功能参数也可通过运动分析自动提取，斑马鱼自动分析提升了高通量药物与毒性筛选能力；

AI+小鼠：基于U-Net等架构的深度学习模型，可精确分割心脏超声或MRI图像，自动计算EF、心室质量、壁厚等关键毒性指标。小鼠心脏MRI分析传统上依赖专家逐帧勾画，成本高、周期长、伦理要求严格且变异大；AI实现了左、右心室容积、射血分数、心肌质量等参数的自动化分割与量化，提高效率、客观性和可重复性，Dice系数超过0.90；

LLM智能体框架：提出LLM驱动的环境风险评估智能体，可自主规划实验流程、部署深度学习图像分析工具、整合细胞—斑马鱼—小鼠多层级毒性数据，并生成可解释、标准化的风险报告，桥接碎片化实验层级与计算分析，推动传统毒理学从经验驱动的顺序式流程，转向一体化、知识驱动的决策支持范式。

研究意义

· 提出从深度学习表型分析到LLM编排风险评估的技术路线图，为水体新兴污染物心血管毒性的高通量筛查与智能风险评估提供了新范式。