Page 54 - 《中国医疗器械杂志》2026年第2期

Chinese Journal of Medical Instrumentation 2026年 第50卷 第2期

综 合 评 述

This framework provides a clearer analytical perspective for systematically comparing different brain-
inspired models and integrating multiple mechanisms. Finally, the article summarizes the innovative
applications of brain-inspired ANNs in medical image analysis, emphasizing their potential in
spatiotemporal pattern modeling and highlighting key challenges, such as multimodal fusion. Future
research will focus on deep integration of structure, function, and learning mechanisms, and further
expand the application of brain-inspired intelligence in clinical and other real-world domains.
【Key words】 brain-inspired artificial neural networks(ANNs), multidimensional modeling, medical image analysis

0 引言 脑疾病检测 、脑功能连接识别 [10] 和疾病预测 [11]
[9]
等具体任务中，该类方法能够提供更贴近生物内在
人脑是已知最为复杂的信息处理系统，它由约
机制且具有更高可解释性的解决方案。
860亿个神经元 与数百万亿个突触相互连接 ，共
[1]
[2]
为推动ANN更好地拟合生物系统，亟须从结
同构成一个高度组织化且具备动态调节能力的神经 构、功能、结构–功能耦合及学习机制等多个维
网络。在结构上，该系统展现出层级性与稀疏性等
度，系统梳理类脑ANN的建模思路。本文将沿图1
典型拓扑特征 ；在功能上，该系统支撑着感知、
[3]
主线展开，分别从上述维度综述主流建模策略，并
记忆、注意与推理等一系列复杂认知过程。这些结
补充讨论以模式生物为代表的特殊神经机制带来的
构特征与功能特性紧密耦合 ，共同构成了人类智 启发。最后，本文评估了类脑ANN在医学影像分
[4]
能的生理基础。 析等应用场景中的潜力与面临的挑战。
基于这一认识，人工神经网络（artificial neural 神经元水平
network, ANN）逐步发展，通过模拟神经元之间的 结构启发
网络拓扑
连接与信息处理机制，构建具备表达、学习和泛化
注意力机制
能力的智能系统。从早期的感知器、卷积神经网络
功能启发 记忆机制
（convolutional neural network, CNN），到近年来 认知与情绪机制
[5]
兴起的Transformer 与图神经网络（graph neural 脑启发ANN 通用生物
[6]
network, GNN） ，这些架构均在不同程度上受到 结构–功能耦合启发 回路映射
模式生物
了神经科学的启发。此类启发不仅体现在网络结构 宏观仿生
的设计上，还贯穿学习机制的构建过程。例如， 学习规则 突触可塑性
反向传播
Hebbian学习、脉冲时序依赖可塑性（spike-timing- 学习机制与特性启发 学习特性 持续学习
[7]
dependent plasticity, STDP）、记忆回放 和多时尺 泛化学习
特定生物
度适应等机制，都为人工系统的学习算法提供了重
图1 类脑ANN的多维度建模框架
要的理论与方法借鉴。在这一进程中，类脑人工智 Fig.1 A multi-dimensional modeling framework for brain-inspired
能（brain-inspired AI）的建模呈现出双向探索的路 ANNs
[8]
径 ：一方面，研究者着眼于探究人类与动物神经 1 结构启发建模
系统的普遍规律，旨在构建能够跨任务迁移的通用
智能框架；另一方面，研究者深入挖掘线虫、果 类脑结构启发建模主要从神经元动力学与脑网
蝇、斑马鱼和小鼠等模式生物独特的神经机制，并 络拓扑等视角出发，通过提炼大脑在计算与连接方
将其转化为提升人工系统在复杂任务中适应性与优 面的核心原理，构建从单元到系统的多层次模型。
化能力的关键策略。 此类方法有效提升了ANN在时空信息表征、能效
得益于上述进展，类脑ANN在理论与算法层 及可解释性等方面的性能，同时优化了其结构的层
面不断深化，并在医学影像分析等高需求应用场景 级化、模块化、小世界特性以及跨尺度耦合能力。
中展现出独特价值。例如，在脑影像分析中，类脑 1.1 神经元水平建模
ANN在建模大脑不同区域之间的时空依赖关系、 在神经元层面的结构建模推动下，ANN经历
处理多模态数据融合以及追踪记忆等认知状态的动 了从高度简化到逐步贴近生物真实性的演进过程。
态变化方面，相较于传统模型表现得更加高效。在 1943年，MCCULLOCH和PITTS 依据神经元的
[12]

168