神经网络
Parent: ai_keywords
神经网络
核心定义
神经网络是一类受生物神经系统启发的计算模型，由大量相互连接的节点（人工神经元）构成，通过调整连接权重从数据中学习复杂映射关系。在人工智能领域，它指多层前馈或递归架构（如CNN、RNN、Transformer）；在神经科学中，则指大脑中由突触连接的神经元集群所构成的动态信息处理网络。二者通过共同的数学抽象（激活函数、权重更新）实现交叉赋能。
关键技术点
-
人工神经元与激活函数
模仿生物神经元“全或无”放电特性，使用加权求和后经非线性变换（ReLU、Sigmoid、Tanh）输出，打破线性限制，使网络能逼近任意函数。 -
多层层级与深度学习
通过堆叠隐藏层形成深层架构，逐层提取从低级边缘到高级语义的特征。深度可增加表征能力，但需应对梯度消失/爆炸（Batch Normalization、残差连接）。 -
反向传播与梯度下降
利用链式法则计算损失函数对各权重的梯度，并沿负梯度方向调整参数。优化器（Adam、SGD）控制学习步长，是端到端训练的核心引擎。 -
生物启发的突触可塑性
人工神经网络中“权重更新”对应生物中的长时程增强（LTP）/长时程抑制（LTD）。脉冲神经网络（SNN）采用脉冲时间依赖可塑性（STDP）实现时间编码，更接近脑计算。 -
模型可解释性
医学应用中需突破“黑箱”瓶颈。技术包括：注意力权重可视化、类激活图（Grad-CAM）定位病灶区域、神经科学引导的稀疏连接正则化，以提升临床可信度。
医学/神经科学应用场景
基于卷积神经网络（CNN）的阿尔茨海默病（AD）早期诊断
首都医科大学宣武医院神经内科研究团队利用3D-ResNet处理多模态脑MRI（T1、DTI），自动提取海马体萎缩、皮层厚度变薄及白质纤维束完整性等生物标志物。模型在ADNI数据库中T1影像分类准确率达89.5%，且通过Grad-CAM热图高亮海马CA1区及内嗅皮层——病理学上最早期受累区域。该技术已部署至临床辅助决策系统，用于轻度认知障碍（MCI）向AD转化的预测（AUC≥0.93），显著缩短传统人工评定时间。同步结合脑电图（EEG）时频特征与图神经网络（GNN）分析功能连接异常，为个性化干预提供量化依据。
