依赖生物物理和替代数字孪生体的神经假体接口优化

用更智能的植入物重连身体

从缓解慢性疼痛到在瘫痪后恢复视觉和运动，与神经对话的微小电器件正在静悄悄地改变医学实践。然而，目前许多这类神经假体系统仍依赖床边的反复试验来调试。本文解释了“数字孪生体”——患者神经和大脑的计算复制品——如何将这种猜测式工作转变为更精确的科学，使植入物更安全、更有效，并更容易为每位患者量身定制。

电如何与神经对话

我们的神经系统是连接大脑、脊髓、器官和四肢的电信号通信网络。现代植入器件通过多种方式接入该网络：用于减轻疼痛或帮助脊髓损伤患者行走的脊髓刺激器；用于缓解帕金森症状的深部脑刺激器；用于恢复部分视力的视网膜和视神经植入物；以及用于恢复触觉或控制肌肉的周围神经装置。每种技术都必须在效果与安全之间取得精细平衡：刺激需要足够强以引发有用的感觉或运动，但又不能太强或方向不当以至于产生副作用，例如迷走神经刺激时出现的嘶哑，或脊髓刺激时令人不适的刺痛感。

构建患者的虚拟副本

由于在人体中直接测试每一种电极设计或刺激模式既不可能也不道德，研究人员转向详细的计算模型。这些“生物物理数字孪生体”利用医学影像和解剖数据来三维重建患者的神经、脊髓、大脑或视网膜。基于物理的方程随后估算电流在组织中的流动、单个神经纤维的反应，以及这些活动如何转化为感觉、肌肉收缩或器官功能的变化。尽管在不同身体部位使用相同的总体框架，但可以针对外周神经、脊髓、视网膜或深部脑核团的独特结构进行调整。

从仿真到优化

一旦数字孪生体能够预测神经对刺激的反应，它就成为改进的试验场。计算机算法可以自动搜索数千种可能的设置，替代人工尝试少量配置，调整可控参数，例如哪些电极处于工作状态、脉冲的强度或脉冲的频率。目标可能是在避免触发疼痛或不期望运动的同时招募尽可能多的有益纤维，或将电场精确聚焦于目标脑区。在某些情况下，这些优化过程还会调整模型本身的隐含参数——比如神经束的内部连线——以使预测的反应与临床观察相匹配。

让繁重计算变得足够快

高度详细的仿真可能很慢，特别是每次更改设置都需要计算电场并模拟数千条神经纤维的放电情况时。为使该过程切实可行，研究人员正在构建“替代”模型：经简化的预测器，它们从大量完整仿真中学习电场模式如何与神经活动相关。有些基于简化的物理模型；另一些使用机器学习，根据一组紧凑特征来分类纤维是否会放电或估计其放电率。更粗粒度的方法追踪组织某些区域或整个大脑的平均活动，这种方法精度较低但足够快，能够探索大的设计空间并将刺激与诸如激活特定脑回路等高层次效应联系起来。

让植入物从数据中学习

即便是最好的数字孪生体也只是近似，且真实患者会随着组织愈合、适应或瘢痕形成而发生变化。为跟上这些变化，许多团队将基于模型的方法与直接从身体反应中学习的“数据驱动”优化相结合。在这种方法中，植入物尝试不同设置，同时传感器记录神经信号、肌电活动、运动、心率甚至患者报告的感觉。诸如贝叶斯优化等统计算法随后提出下一组要测试的设置，在谨慎探索与快速达到有效且舒适的刺激之间取得平衡。未来，生物物理模型和数据驱动学习者可能会结合使用，模型提供智能的起点，而数据驱动层则将其为每位个体微调。

从虚拟实验室走向日常医疗

文章总结指出，数字孪生体及其更快速的替代模型可能深刻改变神经假体设备的设计与使用方式。通过在手术前预测结果、缩小安全且有前景设置的范围并持续适应患者，这些工具可减少对动物实验和繁琐手工调试的依赖。仍有重大障碍需要克服——监管审批、在繁忙诊所中的整合，以及需要预测诸如运动和感觉等有意义的结局而不只是神经激活。不过，作者认为如果在透明的前提下开发和验证，计算建模将成为临床医生的重要伙伴，帮助神经假体技术为神经疾病和损伤患者提供更可靠、个性化的益处。

引用: Verardo, C., Fossati, V., Toni, L. et al. The optimization of neuroprosthetic interfaces relying on biophysical and surrogate digital twins. npj Biomed. Innov. 3, 28 (2026). https://doi.org/10.1038/s44385-026-00076-8

关键词: 神经假体, 数字孪生, 神经刺激, 计算建模, 贝叶斯优化