Page 57 - 《中国医疗器械杂志》2026年第2期
P. 57

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

                                                    综     合     评    述



              构与注意力功能的协同性。基于这一理念，BI-                            基于预测编码理论的网络架构展现出层级结构与
                               [39]
                    [38]
                                                                                             [48]
              AVAN 与CP-ViT 等模型被进一步引入类脑的                         功能模式的高度对齐。PredNet 与预测编码网络
              “核心–外围”结构设计，将中央注意力路由与周                            （predictive coding network, PCN） 采用局部递归
                                                                                                [49]
              边多通道特征提取有机结合，显著提升了多模态任                            结构和层间双向连接，显式模拟了视觉皮层中自下
              务的处理精度与能效表现。此外，关于大脑皮层褶                            而上的感知流与自顶而下的预测–误差信号交互机
              皱特性的研究表明，脑沟与脑回在形态特征、结构                            制。此类架构不仅实现了前馈与反馈的信息整合，
              连接和功能活动方面存在系统性差异，这揭示了可                            还使网络具备了在时间动态下的自监督预测能力。
                                                    [40]
              用于信息路由的“中心–边缘”组织原则 。基于                                此外，受丘脑–皮层通信机制启发的ThalNet模
              这一发现，有研究将该原则作为注意力稀疏路由                             型构建了由多个循环模块与中央“路由向量”组成
              的先验知识，提出了“中心–边缘”引导的视觉                             的网络结构，模拟丘脑在信息调度与中继方面的功
                                                                                                           [50]
              Transformer模 型 （ core-periphery-guided  ViT,  CP-  能，实现了模块之间的动态信息共享与路由优化 。
              ViT）。该模型在多种视觉任务和医学影像数据集                           此类架构支持网络自组织形成层级与反馈连接，体
                                                [41]
              上实现了性能与可解释性的同步提升 。                                现了结构–功能紧耦合，同时增强了对多尺度信息
                  另外，基于Hopfield联想记忆的前馈–吸引子                      的整合能力与建模稳定性。
              混合网络在CNN架构中嵌入了联想记忆模块，通                                值得注意的是，近年来兴起的数字孪生大脑
              过特征空间的模式聚合，实现了对皮层功能柱内特                            （virtual brain twin, VBT）提出了一种创新计算框
              定感知类别的泛化表征，从而增强了特征的稳定性                            架：通过将个体结构连接数据注入可解释的神经动
                           [42]
              与抗干扰能力 。进一步地，连续时域中的RNN-                           力学模型，并与fMRI/EEG等功能时序数据进行对
              CNN动态系统在CNN中引入了局部循环反馈与时                           齐，实现了“结构–功能”耦合关系的可计算化与
              序建模能力，将网络视为可微分的动力系统，有效                            可检验化。这一进展为类脑网络的结构设计与性能
              提升了在时空耦合任务中的稳定性与泛化性能 。                            评估提供了重要的可解释性约束 。
                                                                                              [51]
                                                        [43]
                  除传统ANN外，也有研究从脑结构–功能耦合                             综合上述研究可见，通用生物神经系统启发的
              的角度对SNN进行了优化。进化式脑启发神经架构                           建模研究主要可归纳为结构启发、功能启发以及结
              搜索（evolutionary brain-inspired neural architecture  构–功能耦合建模三个维度。为便于对相关研究进
              search, EB-NAS） 通过抽象大脑功能模块，以五                     行系统梳理，表 1 对前三个维度的代表性工作进行
                              [44]
              类典型神经回路（兴奋型前馈/抑制型前馈、反                             了总结，并进一步前瞻性地归纳了以生物神经系统
              馈、侧抑制和互抑制）的组合为基础，进化出可跨                            学习机制与特性为启发的第四维度建模范式。该方
              模块自由连接的长程通路。在多目标进化搜索框架                            向作为结构与功能耦合建模的重要补充，将在下一
              下，该方法同时优化模型准确率与能效，最终获得                            节中展开讨论。
              了兼具生物合理性与高性能的SNN架构。                                     表1   类脑ANN模型的多维度分类与代表实例
                  近期研究还将多模态融合方法引入GNN，推                           Tab.1  Multi-dimensional classification and representative examples of
                                                                              brain-inspired ANN models
              动了结构–功能双模态图学习框架的发展。LI等                      [45]
                                                                 分类维度       分类水平           代表实例        相关引用
              提出了一种基于结构连接（structural connectivity,                                                     文献编号
              SC）预测功能连接（functional connectivity, FC）                                       M-P模型         12
              的图表示学习模型。该模型采用图卷积编码器模拟                                                      感知器模型          13
              神经信号的传播过程，实现了从解剖结构到功能状                                                         DNN         14
              态的映射。在此基础上，M-GCN等模型变体进一                                      神经元水平             SNN         15
                                                                                          SEW-ResNet     18
              步融合了SC、FC与时序信息，通过多通路架构或
                                                                                             HNN         20
              注意力机制有效捕捉不同模态之间的互补关系，显                              结构
                                                                                             CTM         21
              著提升了认知状态识别与临床表型预测的性能 。
                                                         [46]
                                                                                             CNN         22
              与此同时，胶囊网络（CapsNet）借助动态路由机                                                    NeuCube       23
              制模拟皮层功能单元之间的信息整合过程，实现了                                        网络拓扑           CP-CNN        24
              微观结构与功能语义的一致性映射 。                                                             CORnet       25
                                             [47]
                  在更贴近生物视觉皮层的建模研究中，一系列                                                     SW-HGL        26


                                                             171
   52   53   54   55   56   57   58   59   60   61   62