基于外周神经组织切片自动分割的神经调控混合模型构建及其应用价值研究

　　本研究开发了一种基于VGG16-UNet的深度学习框架，通过自动分割外周神经组织切片（如HE、TB、OsO4染色）快速重建神经束拓扑结构，显著提升神经电刺激混合模型（Hybrid Modeling）的构建效率与预测精度，为下一代神经接口（Neural Interfaces）与生物电子医学（Bioelectronic Medicine）应用提供关键技术支撑。

　　

Highlight

本研究重点评估了自动分割技术对神经束拓扑重建质量及其在计算模型中预测神经纤维募集的可靠性，揭示了其在跨神经类型和组织染色泛化能力方面的突破性进展。

Materials and methods

研究流程如图2所示：首先构建猪迷走神经、坐骨神经和阴部神经的组织切片数据集（采用甲苯胺蓝TB、苏木精-伊红H&E和四氧化锇OsO₄染色），并进行人工标注（图2A）。选用VGG16-UNet架构进行自动分割，通过多组训练-测试集设计验证模型对不同神经类型和染色技术的泛化能力（图2B-C）。

Results

我们首先评估了自动分割重建神经束拓扑的质量，证实VGG16-UNet对未见过的神经类型和染色技术具有优异泛化性能（详见3.1节）。其次，测试了基于自动分割几何结构的神经纤维募集预测精度（3.2节）。最后探究了人工与自动分割间纤维募集预测差异的影响因素（3.3节）。

Discussion

本研究提出并评估了VGG16-UNet在神经组织切片自动分割中的应用，重点关注其跨神经类型、染色技术的泛化能力及在计算模型中的实用性。特别量化了自动与人工分割在募集阈值和选择性预测中的误差。

结果表明，该模型仅需少量样本微调即可适应新域（如未训练过的染色或神经类型）。自动分割与人工标注在神经束数量和几何形态上高度一致（Dice系数>0.9），且误差主要集中于小面积神经束。

更重要的是，自动分割构建的混合模型能高精度预测纤维募集（误差<0.5%阈值电流），其性能波动主要源于神经束边界局部差异而非整体拓扑失真。这一发现证实了自动分割在神经调控建模中的直接实用性。

Conclusion

我们提出的深度学习框架显著加速了电刺激混合模型的构建流程。通过VGG16-UNet架构与迁移学习策略，实现了跨神经类型和组织染色的高效泛化。自动分割结果在神经束计数、几何形态及纤维募集预测中均与人工标注高度吻合，为大规模利用组织学数据推动神经接口设计提供了关键技术路径。