摘要背景:机器学习与医用金属材料的结合,弥补传统实验和计算模拟的低效性和高成本的不足,通过分析大量数据快速准确地预测金属材料特性,优化材料设计和性能,提高医学应用的安全性和效率.目的:总结并归纳机器学习在医用材料特性中的研究进展及不足.方法:由第一作者通过计算机检索中国知网、PubMed、X-MOL和Web of Science数据库2013年1月至2023年4月的相关文章.中文检索词为"医用金属材料机器学习,医用钛合金,医用镁合金,医用金属材料性能",英文检索词为"machine learning medical metal materials,medical stainless steel alloy,medical cobalt-chromium alloy,medical titanium alloy,medical magnesium alloy",最终纳入70篇相关文献进行归纳总结.结果与结论:①随着传统实验和计算模拟方法所产生的大量数据的可获取性提高,机器学习作为材料设计方法的引入为材料科学研究开辟了新的范式.②机器学习工作流主要分为4个部分:数据收集及预处理、特征工程、模型选择及训练和模型评估,每个环节不可缺少.③医用金属材料分为:不锈钢共基合金、钴铬合金、钛合金和镁合金.针对不锈钢共基合金,机器学习预测其力学性能,要提高机器学习的泛化能力;针对钴铬合金,机器学习预测其力学性能,可得出钴铬合金为髋关节植入物的最佳材料;针对钛合金,机器学习预测其力学性能,可选择出力学性能最优异的植入物;针对镁合金,机器学习预测其耐腐蚀性和力学性能,集成模型可准确预测镁合金的力学性能,随机森林模型可预测镁合金作为血管支架时的最优元素含量.④机器学习在医用材料领域存在一定局限性,如模型相对滞后、数据未能标准化及泛化性较低;未来研究解决此类问题应充分利用深度学习和分割算法技术,使用统一标准数据,改善模型提高泛化能力.