腦機啟偵|AI把昏迷“大腦”重新模擬了一遍，找到了新的喚醒靶點

來自加州大學洛杉磯分校、Casa Colina Hospital and Centers for Healthcare、列日大學、RIKEN Center for Brain Science、德州大學西南醫學中心等團隊，在《Nature Neuroscience》發表了研究論文《Adversarial AI reveals mechanisms and treatments for disorders of consciousness》。這項工作想解決一個非常關鍵的問題：當一個人陷入昏迷、植物狀態或最小意識狀態時，腦內到底是哪些環路出了問題？更進一步，能不能據此找到更好的干預靶點？

很多關于意識障礙的研究，往往停留在“觀察到差異”這一步。比如我們知道某些腦區活動變弱了，某些頻段變慢了，但這些變化究竟是原因、結果，還是伴隨現象，往往很難說清。因為真正的問題不只是“看到什么變了”，而是“哪條環路一改動，意識水平就會跟著掉下去”。而這篇研究的特別之處，就在于作者把深度學習和可解釋的腦網絡模型放在一起，讓 AI 不只是識別意識狀態，還反過來逼近那些可能真正導致意識喪失的機制。

AI學會分辨“清醒腦”和“無意識腦”

研究的第一步，是先訓練幾個深度卷積神經網絡，讓它們從腦電或局部場電位里判斷一個腦處于多大程度的“有意識”狀態。作者收集了超過68萬個10秒神經電生理片段，數據來自人類、猴子、老鼠和蝙蝠，覆蓋皮層、丘腦和蒼白球等多個區域，還用了急性昏迷、慢性意識障礙、健康清醒、麻醉失去意識等多種狀態。

這一步并不是簡單做一個“清醒/昏迷”二分類，而是盡量讓模型學到一個連續的意識水平。結果顯示，這些網絡確實能比較穩定地區分不同狀態：在皮層數據里，AI 預測值會隨著患者 GCS、CRS-R 評分變化而變化；在獨立測試中，它也能把清醒者和心臟驟停后昏迷患者、麻醉猴、麻醉大鼠區分開。更重要的是，它對“鎖定綜合征”患者和健康人的預測沒有明顯差異，這說明模型抓到的更像是意識相關信號，而不只是運動輸出能力。

圖1 AI先學會從皮層、丘腦和蒼白球信號中識別意識水平

AI開始“反向逼問”腦環路該怎么改才會變成昏迷

如果只是訓練一個分類器，那它仍然只是“會看圖識圖”。這篇研究真正往前走的一步，是把這些識別器變成了“判官”，再配上一個可解釋的神經場模型做“生成器”。這個生成器不是普通黑箱神經網絡，而是一個基于已知解剖連接構建的丘腦—皮層—基底節平均場模型，里面有皮層興奮/抑制神經元、丘腦投射核、丘腦網狀核、紋狀體 D1/D2 通路、外側和內側蒼白球、丘腦下核等成分。

作者的做法很像一種“對抗式進化”：讓生成模型不斷修改參數，產生新的模擬腦信號；再讓前面訓練好的 AI 來判斷，這些信號像不像真實大腦、像不像清醒狀態、會不會更像癲癇。經過反復優化后，模型先學會生成“像真的清醒腦”，再進一步被推向“像真的昏迷腦”。這樣一來，哪些參數一改就會讓模型更像意識障礙，就會被自動暴露出來。

圖2 AI判別器與可解釋腦網絡模型被放進同一個閉環中

意識障礙并不是單點失靈，而是整條中環路一起被拖垮

當作者讓模型從“清醒腦”逐漸走向“無意識腦”時，模型自動重現了很多臨床上常見的意識障礙腦電樣式，比如廣泛慢波、burst suppression 等。更關鍵的是，哪些連接參數和“意識水平下降”最相關，被系統地排了出來。

其中一部分結果和經典的mesocircuit hypothesis 很一致：皮層到丘腦、皮層到紋狀體、紋狀體到蒼白球這些通路變弱，會讓意識水平下降；皮層和丘腦投射神經元放電減少，而蒼白球外側、丘腦網狀核等抑制相關節點活性升高，也都對應更低的意識水平。換句話說，這個模型并不是隨便找到了幾個統計學相關項，而是把過去關于意識障礙的“中環路理論”重新在數據驅動框架里跑了一遍。

但更有意思的是，它還額外找到了幾條以前沒那么被重視的線索，其中最突出的有兩條：一條是皮層抑制性中間神經元之間的耦合增強，另一條是紋狀體 D2 通路到外側蒼白球（GPe）的連接選擇性受損。這兩條，后來都被作者拿真實數據做了驗證。

圖3 從模型里冒出來的“昏迷機制”并不只是一處損傷

皮層里的抑制網絡可能在無意識狀態下越抱越緊

在模型分析里，一個最醒目的預測是：皮層內抑制性神經元到抑制性神經元的連接增強，與意識下降顯著相關。表面上看，這有點反直覺。因為很多人會先想到“意識差，是不是因為興奮不夠了”。但這里提示的是，問題可能不只是興奮少了，而是抑制網絡內部變得更緊、更同步，進一步壓縮了正常的信息流動空間。

作者隨后分析了急性創傷性昏迷患者切除腦組織的單核 RNA 測序數據，重點看皮層 PV+ 抑制性中間神經元。結果發現，VGF 和 SCG2 這兩個與 PV+→PV+ 突觸形成有關的基因，在昏迷患者中顯著上調。并且這種上調更像是發生在 PV+ 細胞這個特定群體里，而不是整個皮層所有細胞一起上去。作者還在嚴重缺血性腦卒中的大鼠數據里看到了類似方向的變化。

這意味著，意識障礙可能不僅是“信號弱了”，也可能是皮層局部抑制網絡發生了重塑，使得大腦更容易陷入低復雜度、低靈活性的狀態。對于理解為什么有些昏迷腦看上去并不是完全“靜默”，而是被某種異常同步活動困住，這條線索很有啟發。

圖4 昏迷相關腦組織中，PV抑制神經元的突觸生成相關基因出現上調

基底節間接通路受損可能比想象中更關鍵

另一條被模型明確指出的機制，是紋狀體 D2 神經元到外側蒼白球的間接通路變弱。這條通路在傳統意識障礙理論里并不是完全陌生，但過去很難直接說明它到底有多關鍵。

作者用51名意識障礙患者的擴散張量成像數據去檢驗這個預測，結果發現：與最小意識狀態或已從最小意識狀態中恢復的患者相比，植物狀態患者左側紋狀體到GPe的結構連接更弱，右側也有同方向趨勢；并且這條連接強度還和CRS-R評分相關。相對地，紋狀體到GPi的連接并沒有出現同樣的下降。

這個結果很重要，因為它把“基底節參與意識”從比較籠統的表述，推進到了更細的一層：不是所有紋狀體輸出都一樣，D2→GPe這條間接通路可能特別脆弱，也特別關鍵。模型里給出的解釋是，這條路一旦削弱，會導致GPe失去正常制約，進一步壓低丘腦活動，最終把皮層帶入更不利于意識維持的狀態。

圖5 植物狀態患者的紋狀體到外側蒼白球連接更弱，和模型預測一致

丘腦下核可能是被低估的干預靶點

光解釋機制還不夠，這篇研究還往前多走了一步：既然模型已經能模擬“昏迷腦”，那可不可以直接在模型里試不同腦區的深部腦刺激，看哪種方案最可能把系統往“更有意識”的方向推回去？

作者把不同頻率、不同靶點的DBS都在模擬腦里掃了一遍。結果顯示，低頻刺激丘腦投射核會有一些改善，高頻刺激GPe也有一定作用，但最強、最穩定的提升出現在高頻刺激丘腦下核（STN）。這個結果挺出人意料，因為在意識障礙領域，STN并不是最常被首先想到的經典靶點。

隨后，作者又拿真實人的EEG做了一個初步驗證。他們分析了6名接受DBS的頸性肌張力障礙患者，比較刺激開和關時的皮層EEG，經AI檢測后發現：刺激腹外側丘腦、zona incerta沒有明顯效果，但STN 130 Hz刺激會讓AI預測的意識水平上升。當然，這些患者本來就是清醒的，所以這里不能直接等同于“恢復意識”，但至少說明STN刺激確實把腦動力學往一種更“清醒樣”的方向推了。

圖6 在模型預測和真人 EEG 中，丘腦下核高頻刺激都表現出更強的“

圖6 在模型預測和真人 EEG 中，丘腦下核高頻刺激都表現出更強的“促清醒”潛力

這篇工作的亮點，不只是提出了幾條新機制，而是它示范了一種新的研究路徑：先用大規模真實腦信號訓練“會分辨意識”的 AI，再把這個 AI 反過來接到一個可解釋的腦網絡模型上，逼著模型生成更像清醒、也更像昏迷的腦動力學，最后再從參數變化里提煉出生物學假設，并用真實影像、轉錄組和電生理數據去驗證。

這比單純做相關分析更進一步。因為很多時候，我們能看到昏迷患者腦電變慢、復雜度下降、丘腦皮層交流減少，但難說這些改變誰先誰后。這里作者試圖建立的是一種“從表型反推環路”的框架。它不一定一步到位給出最終答案，但至少把“AI只是分類工具”推進成了“AI也能參與機制發現和干預篩選”。

當然，這項工作離真正改寫臨床還早。它的生成模型雖然比普通黑箱強得多，但仍然是平均場模型，很多細胞類型、層級結構和具體核團分化沒有被完整展開。作者自己也提到，像丘腦網狀核、丘腦下核等關鍵部位，缺乏直接電生理約束；皮層部分也還是相對粗粒度的興奮/抑制框架。轉錄組結果說明了相關基因表達變化，但還不能直接等同于突觸數量真的增加；DTI結果提示連接受損，但也還不能替代真正的細胞類型特異性驗證。

但也正因為如此，這篇研究留下了很值得追問的方向：意識障礙究竟是不是一種“網絡被鎖死”的狀態？如果是，那么未來治療也許不只是去“激活一個腦區”，而是要想辦法把整個系統從異常穩定的低復雜度動力學里推出來。STN會不會成為新的DBS靶點？皮層抑制網絡的重塑能不能被逆轉？這些問題，現在第一次有了一個可以系統試錯的框架。

這項研究最重要的意義，不只是讓AI更會判斷“有沒有意識”，而是開始讓AI幫我們追問——意識為什么會消失，又能從哪里被重新喚醒。

論文信息：

https://www.nature.com/articles/s41593-026-02220-4

來源 | Nature Neuroscience、Al4Neuro

浙大科技園啟真腦機智能產業化基地是在浙大控股集團領導下，由浙江大學科技園發展有限公司與杭州未來科技城管委會共建，圍繞腦機智能產業主體，輻射腦機+生命健康、腦機+智能制造、腦機+新一代信息技術、腦機+新材料等領域的專業化特色產業基地，由杭州啟真未來科技發展有限公司負責全面運營。

基地依托浙江大學在腦機智能方面的學科優勢，以腦機智能作為核心科技支撐，貫徹浙江大學國家大學科技園“有組織科技成果轉化、有靶向科技企業孵化、有體系未來產業培育”的服務體系，致力于打造腦機智能領域具備成果顯示度、區域影響力的產業化高地。