神經科學
機器學習替代模型有望通過預測神經對電刺激的啟用反應來幫助優化深部腦刺激（DBS）的應用，同時儘可能減少計算代價與準確性之間的權衡。既往研究已開發出具有高精度的人工神經網絡（ANN）和卷積神經網絡（CNN）替代模型，用於預測在一部分DBS編程配置下，細胞外電刺激對單個有髓軸突的啟用情況。此外，包括極端梯度提升（XGBoost）在內的更傳統機器學習方法，也已被有效用於周圍神經單纖維啟用預測。
我們在既往工作的基礎上，將ANN、CNN和XGBoost方法擴展並比較於顯著更廣泛的電極編程配置集合，包括：單極、雙極、三極、四極、多單極，以及多種方向性電極情形。訓練採用的數據集由植入式DBS電極的有限元模型以及合成生成軸突的多隔室電纜模型共同生成。我們在患者特異性組織電導率場中，利用源自群體平均連接組數據的白質通路對這些機器學習預測器進行了評估，比較了其在臨床相關範圍內刺激幅值和脈寬條件下，對刺激啟用閾值及通路募集情況的預測表現。
我們的ANN和CNN模型能夠以較低誤差成功預測幾乎所有電極配置下的神經纖維啟用，從而擴展了我們先前預測模型的適用範圍。結果還顯示了XGBoost模型的關鍵侷限性，並表明在方向性電極更復雜的靜電場條件下，CNN表現更優。
感謝您關注並幫助傳播bioRxiv。
注意：請求您的電子電郵地址僅用於將您識別為本文發送者。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.12.724686v1?rss=1
🏷️ 深部腦刺激 機器學習替代模型 單纖維啟用預測 卷積神經網絡 XGBoost