Page 58 - 《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

续表 物（model organism）的神经系统为参照，这些物
相关引用 种因其神经结构清晰、遗传背景明确及实验操作性
分类维度 分类水平 代表实例
文献编号
强等优势，被广泛应用于揭示复杂神经机制的内在
Transformer 29
注意力机制 规律。
CBAM 32
在回路映射层面，经典模式生物线虫（C.
E2E Memory 33
Network elegans）的完整连接组已被用于构建感知–整合–运
功能 记忆机制
MeMViT 34 动功能对齐的稀疏网络结构。该模型在不依赖额外
BI-Replay 35
先验参数的情况下，展现出良好的能效、归纳能力
多模态融合 36 [52-53]
认知和情绪机制 与迁移性能 。更原始的涡虫，其双侧神经索的
BELiM 37
对称结构可映射为网络的分支拓扑，为基础拓扑生
BI-AVAN 38
基于Transformer 成提供了可操作的建模模板 。此外，基于猕猴腹
[54]
CP-ViT 39
侧视觉通路分层结构构建的ANN，在物体识别与
基于CNN RNN-CNN 43
位置预测等任务中强化了模型层级与脑区之间的对
基于SNN EB-NAS 44
[55]
图表示学习模型 45 应关系 。
结构–功能 基于GNN M-GCN 46 从宏观仿生视角来看，基于线虫反感嗅觉回路
耦合 CapsNet 47 构建的仿生网络具备状态调节能力，提升了模型的
[56]
PredNet 48 适应性与模块化控制水平 ；果蝇嗅觉系统稀疏编
基于预测编码
PCN 49 码机制启发了输入空间压缩策略，有助于提高
基于丘脑– 表征的能效与判别力 ；而斑马鱼、小鼠及灵长类
[57]
皮层通信 ThalNet 50
的大脑连接普遍呈现小世界性、稀疏性与模体
数字孪生大脑 VBT 51
（Motif）模式等特征 。这些特征已被引入基于
[58]
Hebbian学习 61
真实连接组数据构建的CNN架构（如MouseNet）
Oja规则 62
学习规则 中 ，用以模拟真实神经系统的模块化计算、层级
[59]
BCM 63
分工与能效权衡机制，从而显著提升参数效率，并
STDP 64
在图像识别任务上取得了优异表现。同时，在神经
SBP 65
PEPITA 66 回路结构模体研究中，Motif-GNN 通过利用高频连
替代反向传播机制 FA 67 接模式构建具备局部拓扑感知的特征传播机制，在
局部损失函数设计 68 结构稀疏与噪声干扰环境下表现出更强的鲁棒性 。
[60]
预测编码框架 69 综上所述，如表2所示，各类模式动物在微观
EWC 70 回路与宏观拓扑层面所呈现的结构–功能耦合特
学习机制 持续学习 SI 71
与特性 性，为跨物种类脑建模提供了多层次的结构与功能
情境门控 72
对齐思路，有效推动了网络架构优化与功能实现之
迁移学习 73
间的深度融合。
元学习 74
表2 模式生物神经结构–功能耦合启发概览
少样本学习 75
Tab.2 Overview of structure-function coupling inspirations from model
课程学习 76 organisms
泛化学习 自监督学习 77 启发 模式生物 启发机制来源 相关引用
GAN 78 角度 文献编号
BAN 79 线虫 完整神经连接图 52, 53
回路
模仿学习 80 涡虫 涡虫双侧神经索的对称结构 54
映射
强化学习 81 猕猴 腹侧视觉通路 55
线虫 线虫反感嗅觉回路 56
3.2 模式生物神经系统启发的耦合建模
果蝇 嗅觉系统稀疏编码机制 57
动物神经系统普遍展现出结构与功能的紧密耦 宏观
仿生 其他动物
合特性，为类脑神经网络的设计提供了可量化、可 （斑马鱼、小鼠 小世界性、稀疏性与 58
Motif模式
重建的生物学基础。目前，已有许多模型以模式生 和灵长类）
172