脑机接口临床应用提速：专家详解三大实施路径与突破点

当前，随着脑机接口领域技术不断取得突破性进展，相关诊疗设施、服务能级提升等正在成为业内人士的关注热点。

在14日举办的首届上海蓝生脑科学与脑机接口国际论坛（下称“论坛”）上，多位国内外脑科学专家围绕脑机接口技术的具体应用展开探讨；他们认为，脑机接口技术已在疾病诊疗、脑功能调控、神经促醒等方面惠及患者，其中如何与AI等数字化工具深度融合、从更多维度解析神经信息，是下一步的关键方向。

从研究到应用

中国科学院院士、同济大学原校长裴钢在论坛上称，目前来看，脑机接口有望重塑神经疾病的诊疗范式，但这迫切需要加强基础研究与临床转化的深度融合，“应打通从研究到应用的创新链条，并且进一步打通医院与社会、医生与患者之间的接口，紧贴临床实践去解决患者急需。”

另一个重要问题是，如何将脑机接口技术真正转变成为标准化、可实施的临床方案？

第一财经了解到，2026年1月，一份由中华医学会神经外科学分会组织神经医学临床专家撰写的《植入式脑机接口临床应用路径管理中国专家共识》正式对外发布。该共识明确了植入式脑机接口（iBCI）在临床上的应用路径、完整流程，并设计了不良事件处置方案和退出机制等。

“iBCI技术在临床的应用需要设计一套规范化管理方法，来管理包括‘临床应用的适应证分型’‘受试者纳入与排除标准’‘全周期下的临床应用路径’等诸多事项。”该共识起草团队之一、国家神经系统疾病医疗中心脑机接口转化研究中心执行副主任杨艺在会上介绍称。

杨艺表示，iBCI的临床应用需要针对脊髓损伤、脑卒中、ALS（肌萎缩侧索硬化症）等患者制定具体术前评估、手术植入、术后训练及长期随访方案；同时，个体化电极的选择、多模态影像定位、闭环康复训练等也至关重要，“脑机接口技术从研究到应用背后，应该为神经功能障碍患者的功能重建，来提供更规范的医疗保障。”

复旦大学附属华山医院神经内科主任医师朱国行表示，现阶段，脑机接口技术在临床应用上的主要价值是“医疗康复”，尤其是帮助高位截瘫患者通过控制机械臂、外骨骼等来实现自主进食、移动等，其背后的核心功能则是脑电信号的采集与分析。

朱国行进一步称，目前主流的EEG（Electroencephalogram，脑电图）电极控制下的脑机接口设备仍然存在一些不足，如低信噪比与伪影干扰、复杂意图解码困难、业内缺乏通用脑电信号解码大模型等。

朱国行表示，未来，经纳米材料修饰过的电极、柔性且可拉伸的电极等，或将成为脑机接口设备研发领域的新方向。除了临床应用外，非植入式脑机接口设备还可以通过分析EEG信号的变化，为认知科学、睡眠促进等场景提供设备支持。

神经促醒正在成为临床应用的又一大重点方向。同济大学附属脑科医院神经外科副主任卢云鹤也以一项临床试验为例称，针对46名持续性意识障碍患者，采取系统性、阶梯式的疗法策略（即脑脊液管理-脊髓电刺激调节神经回路-闭环功能补偿）后，在最终12个月的随访中，患者意识改善率达到67.4%，“这有望为意识障碍持续较长时间的患者，提供一条全新的精准意识恢复临床路径。”

AI技术如何赋能

AI与脑机接口的结合正在展现出巨大的应用潜力。

在华东理工大学数学学院副院长金晶看来，现阶段，脑机接口在交互应用的过程中存在功能单一（不同交互对象要设置不同系统）、范式受限（依赖于预先设定的指令和布局）、智能化低（无法完成更复杂任务）等问题。

金晶称，因此需要在脑机接口设备（BCI）运行中植入AI大语言模型，建立面向目标场景的脑机交互模块，使BCI更具灵活性，更贴近实用价值；同时，深度集成混合现实，构建虚实结合无外设控制框架，为可移动的BCI提供稳定的实施基础。

阿里巴巴千问健康运营负责人赵存忠认为，一方面，AI技术的参与，可以提升脑机接口设备或产品在神经信号智能解码、干预方案等方面的动态优化能力；另一方面，脑机接口则为AI提供神经层面的精准数据与干预通路，让健康管理从“体表生理指标管理”延伸至“中枢神经层面的精准调控”，实现了健康管理的深度升级。

赵存忠举例道，比如在神经康复领域，AI技术赋能下的脑机接口设备可以将解码的运动意图传递给外骨骼等辅助设备，该设备就可以带动肢体完成功能运动，实现上肢等肢体的运动功能恢复，同时记录训练数据、评估康复效果，形成“训练-评估-调整”的康复闭环。

“再比如，在神经疾病管理领域，AI技术则可以针对帕金森等神经退行性疾病，通过闭环脑机接口动态感知病理神经信号，并且自动调节深部脑刺激（DBS）参数，实现震颤、运动迟缓等症状的精准抑制，提升干预效果。”赵存忠说。

美国芝加哥大学医学中心综合卒中中心联合主任Fernando Goldenberg则提出用AI方法来驱动脑科学领域的临床决策，包括心脏骤停后缺氧缺血性脑损伤（HIBI）预测、自发性脑出血（ICH）相关预测，并得出患者血压管理关键结论以及穿透性脑损伤（PBI）评分等，“上述影像类预测模型的核心价值，在于可以将影像转化为时间序列数据，而非单一报告，这可以帮助医生更早识别脑疾病患者病情恶化的情况，让治疗与病情轨迹更匹配。”