编辑推荐：
为解决 AI 模型在医学影像诊断临床应用中计算资源和功耗大的问题，研究人员开展基于脉冲神经网络（SNN）的疾病诊断研究。结果显示，所提 NMD 框架准确率达 99.22%，功耗降为传统模型千分之一，为医学诊断提供新方向。
在医学领域，医学影像已成为疾病诊断的关键手段，像 X 射线、CT、MRI 等技术，能帮助医生发现心肌疾病、癌症、神经系统疾病等多种严重病症。然而，传统的医学影像诊断依赖专家解读，不仅效率低，还可能受主观因素影响。随着人工智能的发展，神经网络逐渐应用于医学影像诊断，展现出强大的特征识别和异常检测能力，其中卷积神经网络（Convolutional Neural Networks，CNN）在医学影像分类、分割等方面成果显著。
但基于 CNN 等的人工智能诊断方法在临床应用中存在两大难题。一是运行这些模型需要大量的计算资源和功耗，这不仅增加了成本，还限制了其在一些资源有限地区的应用；二是不同成像设备获取的数据分布存在随机性，影响诊断准确性 。为了解决这些问题，来自未知研究机构的研究人员开展了一项关于基于数字医学影像的可持续神经形态疾病诊断框架的研究，该研究成果发表在《Computer Methods and Programs in Biomedicine Update》上。
研究人员提出了一种名为神经形态医学诊断（Neuromorphic Medical Diagnosis，NMD）网络的新型 SNN 框架。为开展此项研究，研究人员采用了多种关键技术方法。在数据处理方面，从多个公开数据集收集三类医学影像数据，针对数据不平衡和数据量不足的问题，使用 PGGAN 生成合成图像扩充数据集，并对图像进行预处理和归一化 。在模型构建上，采用 Leaky-Integrate and Fire（LIF）神经元模型构建网络，通过代理梯度法解决脉冲激活函数不可微的问题，实现反向传播。同时，对比了传统神经网络和所提 SNN 框架在分类性能和功耗上的差异。
研究结果如下：
- 模型训练与合成图像生成：PGGAN 经过训练生成 2000 张合成的 COVID-19 胸部 X 光图像，用于扩充训练集。经典 CNN 和 SNN 模型分别训练 200 个 epoch。
- 分类性能评估：通过混淆矩阵评估模型性能，经典 CNN 模型分类准确率为 99.55%，所提 NMD 框架准确率为 99.22%。同时计算 Precision、Recall、Specificity 和 F-Score 等指标，结果表明 NMD 框架在多类分类任务中表现出色，且各项指标与经典模型差异不大，预测置信度高。通过绘制受试者工作特征曲线（Receiver Operating Characteristic Curve，ROC）评估模型的敏感性和特异性，NMD 框架在区分 COVID-19、肺炎和健康肺部图像方面效果良好。
- 功耗对比：将 9 层第二代卷积网络部署在 CPU 上，其对应 SNN 网络部署在神经形态 Speck 开发板上。实验结果显示，经典模型处理一个测试样本消耗 186J，而神经形态芯片仅消耗 0.192J，功耗降低了 986.75 倍。
研究结论和讨论部分指出，NMD 框架在医学影像诊断中展现出高效性和低功耗的优势。其 99.22% 的高准确率表明，尽管在编码过程中存在信息损失，但仍能达到与第二代神经网络相近的性能 。同时，NMD 框架功耗极低，相比传统模型降低了约 986 倍，这使得它成为一种可持续且节能的诊断工具，有望为现有医学成像设备提供有效的补充。然而，研究也存在一定局限性，如基于封闭数据集，且神经形态模型在传统 GPU 模拟器上训练，限制了对 SNN 优势的深入研究。未来需要开展临床研究，进一步验证该框架在实际医疗场景中的性能。总体而言，这项研究为克服第二代神经网络在医学影像诊断中的高计算和高能耗问题提供了解决方案，推动了神经网络在医学成像系统中的应用，具有重要的理论和实践意义。
