受生物启发的类神经形态可解释AI协同：实现透明且低碳的医疗智能

为人类与地球打造更智能的医院技术

医院正借助人工智能来解读心脏信号、识别危险心律并辅助医生决策。但当今强大的算法往往如同黑箱，而且依赖能耗巨大的图形处理器，这既与气候目标相悖，又给电力有限的诊疗环境带来压力。本文提出了一种新型心脏监测系统，力求既能让临床人员理解系统判断，又显著提高能效，为更安全、低碳的数字医疗提供可行路径。

现有医疗AI为何不足

现代医疗AI在读取X光片或检测异常心跳等任务上可以与专家抗衡甚至超越。然而，许多模型依赖大型数据中心或高端GPU，这些设备持续消耗数百瓦的功率。在重症监护室中，一套基于GPU、全天运转的系统每年可能消耗超过2000千瓦时。同时，这些模型通常很少解释其得出结论的方式，使医生和监管者难以信赖。现有的可解释性工具虽能提供帮助，但往往本身需要大量额外计算，进一步增加能耗和延迟。

一种受大脑启发、更加温和的计算路线

作者探索了类神经形态计算，这类硬件与算法模拟生物神经元使用短促电尖峰交流而非连续信号的方式。在他们的NEXAI‑Health框架中，输入的心电图（ECG）信号被转换为稀疏的脉冲流（spike trains），信息主要由脉冲发生的时刻承载，而非密集的数值。此事件驱动的设计意味着计算只在必要时发生，相比于在每个时间步都处理信号变化与否的传统芯片，可能大幅降低能耗。

在该框架内，团队构建了用于对MIT‑BIH心律失常数据库心跳进行分类的脉冲神经网络。他们设计的编码使大约只有16%的潜在脉冲事件实际触发，在保留医学上重要特征（例如主要心跳峰的形状和心搏间的时间间隔）与避免多余活动之间取得平衡。仿真表明，这种稀疏的脉冲表示在保持高诊断信息量的同时，可显著减少硬件需要执行的运算量。

让机器决策更易被信赖

为了解决黑箱问题，作者将一种称为积分梯度（integrated gradients）的可解释性技术改编用于脉冲列而非传统数值输入。在实践中，这会为每个心跳生成热图，突出哪些时间点对系统决策影响最大。关键在于，他们将可解释性直接织入模型运行中，而不是事后附加，并根据能量预算调节解释的细致程度：当电力充足时，系统使用更多中间步骤以获得高保真解释；当能量受限时，则退而采用较粗但仍有信息量的摘要。测试中，这些解释与ECG的临床重要区域（如尖锐的中心峰和恢复波）高度一致，在可信度的定量衡量上也取得了较高分数。

围绕真实世界能量限制进行设计

除了模型本身，论文还勾画了可持续部署的更大生态系统。该系统将类神经形态引擎与简单的太阳能模型和电池耦合，然后采用一种调度算法，根据临床紧迫性和可用能量决定运行哪些病人监测任务。在对10万多个带标注心跳的仿真中，该框架达到了约95%的诊断准确率——略优于强大的深度学习基线——同时也将仿真延迟和内存占用削减到可适配于普通边缘设备的水平。作者估算与基于GPU的系统相比可显著节能，但他们强调这些数字是基于公开的类神经形态芯片规格的预测，而非实际测量值。

这对未来医疗意味着什么

对非专业读者而言，关键结论是这项工作更像一份蓝图，而非一个成品。研究显示，至少在软件仿真中，受大脑启发的模型能够准确解读心脏信号，提供对医生友好的可视化解释，并有可能在能耗上远低于当前主流AI。然而，作者明确指出他们尚未构建或测试实体的类神经形态设备，也未进行临床试验。要真正实现透明且低碳的医疗AI，后续工作必须将这些设计移植到真实的类神经形态芯片上，验证实际功耗，并证明其在病床边的安全性与可靠性。

引用: Sungheetha, A., R., R.S., Balusamy, B. et al. Biologically inspired neuromorphic-XAI synergy for transparent and low-carbon healthcare intelligence. Sci Rep 16, 10049 (2026). https://doi.org/10.1038/s41598-026-39515-2

关键词: 类神经形态计算, 可解释人工智能, 心电图心律失常, 节能医疗, 低碳诊断