Archives of toxicology 这篇综述通过检索PubMed/MEDLINE、Web of Science和Scopus（2000-2026年）并补充OECD、FDA、EMA、EFSA和EPA的指导文件，梳理了毒理学中AI从基于规则的专家系统到深度学习、大语言模型和多模态架构的发展，指出图神经网络、多任务深度学习等在药物性肝损伤、hERG心脏毒性和Ames致突变性等基准研究中表现出有竞争力的性能，同时外部验证报告不一致、端点特异性模型泛化困难以及大语言模型幻觉带来监管风险，结论是AI模型可增强但尚不能替代实验毒理学。
这篇综述通过检索PubMed/MEDLINE、Web of Science和Scopus（2000-2026年）并补充OECD、FDA、EMA、EFSA和EPA的指导文件，梳理了毒理学中AI从基于规则的专家系统到深度学习、大语言模型和多模态架构的发展，指出图神经网络、多任务深度学习等在药物性肝损伤、hERG心脏毒性和Ames致突变性等基准研究中表现出有竞争力的性能，同时外部验证报告不一致、端点特异性模型泛化困难以及大语言模型幻觉带来监管风险，结论是AI模型可增强但尚不能替代实验毒理学。
这篇综述通过检索PubMed/MEDLINE、Web of Science和Scopus（2000-2026年）并补充OECD、FDA、EMA、EFSA和EPA的指导文件，梳理了毒理学中AI从基于规则的专家系统到深度学习、大语言模型和多模态架构的发展，指出图神经网络、多任务深度学习等在药物性肝损伤、hERG心脏毒性和Ames致突变性等基准研究中表现出有竞争力的性能，同时外部验证报告不一致、端点特异性模型泛化困难以及大语言模型幻觉带来监管风险，结论是AI模型可增强但尚不能替代实验毒理学。
这篇综述通过检索PubMed/MEDLINE、Web of Science和Scopus（2000-2026年）并补充OECD、FDA、EMA、EFSA和EPA的指导文件，梳理了毒理学中AI从基于规则的专家系统到深度学习、大语言模型和多模态架构的发展，指出图神经网络、多任务深度学习等在药物性肝损伤、hERG心脏毒性和Ames致突变性等基准研究中表现出有竞争力的性能，同时外部验证报告不一致、端点特异性模型泛化困难以及大语言模型幻觉带来监管风险，结论是AI模型可增强但尚不能替代实验毒理学。