《SCIENCE ADVANCES》：Biophysically constrained learning from healthy neural priors improves motor decoding in pathological cortical networks
编辑推荐：
高性能脑机接口（brain-computer interface, BCI）依赖稳定的神经表征，然而脑功能损伤本质上会破坏标准编码，由此产生根本性的解码悖论。传统数据驱动方法因病理数据稀缺与异质性而难以弥合这一鸿沟。研究人员提出利用健康神经先验，并引入病理感知
高性能脑机接口（brain-computer interface, BCI）依赖稳定的神经表征，然而脑功能损伤本质上会破坏标准编码，由此产生根本性的解码悖论。传统数据驱动方法因病理数据稀缺与异质性而难以弥合这一鸿沟。研究人员提出利用健康神经先验，并引入病理感知一致性训练（Pathology-Aware Consensus Training, PACT）——一种将生物物理约束嵌入健康神经记录以指导神经解码的训练范式。在一项使用高密度皮层脑电图（electrocorticography, ECoG）对浸润运动皮层的胶质瘤患者进行手势分类的任务中，PACT将准确率提升超过10%，有效恢复了运动指令被扭曲的语义几何结构，并使其与健康标准表征重新对齐（相关性从r = 0.66升至r = 0.94）。机制上，PACT诱发了一种涌现的“逆加权”策略：模型自主抑制高功率病理噪声，同时将空间注意重新锚定至功能性代偿区域。该研究为利用健康神经动力学改善受损网络中的解码提供了概念验证，为未来BCI在临床人群中的部署奠定了理论基础。
研究背景与意义
高性能脑机接口（brain-computer interface, BCI）依赖稳定、可解码的神经表征。然而，脑功能损伤会破坏经典编码模式，形成“解码悖论”：最需要功能重建的患者，其神经信号恰恰偏离了传统解码模型所依赖的健康脑假设。与卒中后的局灶坏死不同，浸润性胶质瘤虽保留部分功能连接，却会物理破坏局部环路，造成信号扭曲而非单纯静默，使神经流形发生拓扑畸变。传统数据驱动方法受限于病理数据稀缺和异质性，难以弥合健康与病理脑之间的分布差异；简单混合健康与受损数据往往导致负迁移。因此，研究人员提出假设：在病理信号异质性背后，可能存在一个跨健康与受损皮层保守的运动语义共识流形；并据此发展出病理感知一致性训练（Pathology-Aware Consensus Training, PACT），通过前向一致驱动的方式恢复病态网络中的解码能力。该研究发表于《SCIENCE ADVANCES》，为在受损脑网络中利用健康神经先验改善解码提供了概念验证与理论基础。
研究方法概要
研究队列来自四川大学华西医院的清醒开颅手术，共8例受试者（4例非运动皮层胶质瘤nMCG、4例运动皮层胶质瘤MCG），执行拇指、食指、小指屈曲及复合抓握任务；使用8×8铂铱高密度皮层脑电图（ECoG）电极阵列记录。核心技术路线为：对原始信号进行陷波与4–140 Hz带通滤波，按八个频带提取平方功率包络作为输入；构建PACT框架，由前端域投影模块（domain projector block, DPB）对健康nMCG分支施加可学习连续掩码以模拟病理稀疏性，MCG分支经恒等映射进入EEGNet骨干；采用不对称适应训练，对MCG目标数据进行10倍过采样实现少样本校准；利用空间搜索灯分析、表征相似性分析（representational similarity analysis, RSA）、SHAP归因和线性混合模型（linear mixed model, LMM）进行验证。
研究结果
病理侵袭诱导的信号沉默与拓扑碎片化
通过对原始信号包络与功率谱密度（power spectral density, PSD）的分析，研究人员发现肿瘤核心表现为明显的宽带功率抑制，周围浸润区则出现异常高频、高功率扰动。空间不相似矩阵显示，健康初级运动皮层（M1）原本的高空间特异性在MCG组中显著减弱，肿瘤区域与浸润的辅助运动区表现出病理性高自相关，并与非运动区域高度相似，功能边界被模糊。局部解码性能图显示，nMCG组的高性能节点呈经典聚集模式，而MCG组呈碎片化离散分布，空间自相关显著降低（Moran’s I：0.28对0.42，P = 0.003）。全频谱解码在gamma-2频带（60–90 Hz）出现最大性能差距，nMCG组急剧上升，MCG组增益严重受损，差距超过30%（P < 0.001）。混淆矩阵进一步显示MCG组出现“混乱纠缠”的语义重叠。结论是：病理侵袭不仅引入噪声，更从根本上损害运动表征的空间可分性与高频信息承载能力。
通过破坏性投影实现几何对齐与语义解缠
针对上述空间碎片化与频谱缺陷，PACT采用破坏性投影策略，仅对高保真健康nMCG分支应用DPB，通过可学习连续掩码动态重建并压缩健康流形，模拟病理环境下的特征稀疏性，从而在共识流形上实现两个异质域之间的几何对齐。RSA显示，未对齐基线EEGNet的病理特征与健康参考的Spearman相关仅为r = 0.66，而PACT将其提升至r = 0.94（P = 0.005）。F1宏观平均提升10.8%，且各手势类别均获得一致性提升，而非类别间的权衡取舍。频谱分析显示，PACT在gamma-2带准确率达66.3%，较基线56.3%提升10.0%（P = 0.045，dz = 0.63），且受试者间方差更小。与朴素混合、Deep CORAL和MK-MMD相比，PACT是唯一实现正迁移的方法；将DPB集成至ShallowConvNet和DeepConvNet，准确率分别提升11.25%和7.50%，并展现出更高的数据效率。结论是：面对严重域偏移，恢复内在语义拓扑结构是实现稳健解码的关键。
针对空间离散化的信号均衡与生理显著性重新对齐
为验证算法是否靶向真实功能区，研究人员分析了DPB中的空间掩码分布。结果发现一种“逆加权”策略：掩码权重与通道电生理功率显著负相关，即高权重通道对应低功率信号，低权重通道对应高功率活动区（P < 0.001），形成信号均衡机制。空间热图显示，PACT的注意力呈分布式拓扑，覆盖瘤周区、保留的M1、运动前皮层和体感皮层等区域，而非集中于单一功能核团；这些高注意区与局部解码性能图中的离散信息岛具有良好空间重叠（Dice相似系数为0.50–0.60）。SHAP差异分析显示，肿瘤核心受到显著抑制性调节（肿瘤区对其它区：P < 0.001）；与基线相比，PACT降低了肿瘤区域的权重比例，同时显著提高M1（P = 0.002）和正常脑区（P = 0.046）的归因贡献。结论是：PACT通过信号均衡有效绕过非信息性病理核心，将解码注意力重新锚定到真正携带运动意图的生理结构上。
讨论总结与结论翻译
讨论部分指出，PACT的核心贡献在于将跨域对齐从不适定的重建问题转化为良态的投影问题。在严重不对称域迁移中，通过受控退化寻找域间低维共识，比盲目高维重建更稳健。其逆加权机制与皮层功能重组原理一致，并与术中直接电刺激确定的运动区具有空间重叠。DPB作为轻量前端算子，体现“最小依赖”原则，可即插即用于不同骨干网络，并在gamma-2带实现更高的群体水平稳定性与数据效率。研究局限包括队列规模较小、肿瘤异质性无法进行亚组分析、当前框架属于受试者特异性的少样本离线概念验证而非零样本实时解码；未来需在卒中、创伤性脑损伤等其他局灶损伤中验证。结论部分可翻译为：面对不可逆的物理损伤，人工智能的最佳策略不是通过生成模型强行修复缺失的生物信号，而是主动降低健康表征的维度，以“顺应”残余病理约束。这一从“尝试重建”到“受控退化”的视角转变，不仅解决了空间离散化问题，也为构建兼具稳健性与生理可解释性的下一代临床神经接口提供了通用方法论基础。
