神经科学
机器学习替代模型有望通过预测神经对电刺激的激活反应来帮助优化深部脑刺激（DBS）的应用，同时尽可能减少计算代价与准确性之间的权衡。既往研究已开发出具有高精度的人工神经网络（ANN）和卷积神经网络（CNN）替代模型，用于预测在一部分DBS编程配置下，细胞外电刺激对单个有髓轴突的激活情况。此外，包括极端梯度提升（XGBoost）在内的更传统机器学习方法，也已被有效用于周围神经单纤维激活预测。
我们在既往工作的基础上，将ANN、CNN和XGBoost方法扩展并比较于显著更广泛的电极编程配置集合，包括：单极、双极、三极、四极、多单极，以及多种方向性电极情形。训练采用的数据集由植入式DBS电极的有限元模型以及合成生成轴突的多隔室电缆模型共同生成。我们在患者特异性组织电导率场中，利用源自群体平均连接组数据的白质通路对这些机器学习预测器进行了评估，比较了其在临床相关范围内刺激幅值和脉宽条件下，对刺激激活阈值及通路募集情况的预测表现。
我们的ANN和CNN模型能够以较低误差成功预测几乎所有电极配置下的神经纤维激活，从而扩展了我们先前预测模型的适用范围。结果还显示了XGBoost模型的关键局限性，并表明在方向性电极更复杂的静电场条件下，CNN表现更优。
感谢您关注并帮助传播bioRxiv。
注意：请求您的电子邮箱地址仅用于将您识别为本文发送者。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.12.724686v1?rss=1
🏷️ 深部脑刺激 机器学习替代模型 单纤维激活预测 卷积神经网络 XGBoost