原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，试图整理一大堆独一无二、手工制作的“树木”。有些树枝像椒盐卷饼一样扭曲，有些则高大笔直，还有些像雨伞一样向四周伸展。在神经科学领域，这些“树木”就是神经元，而它们的形状至关重要，因为神经元的形状决定了它如何处理信息。
问题在于，对这些神经元进行分类，就像让一群人仅凭一张模糊的照片来猜测狗的品种。有些专家说：“那是金毛寻回犬”，而另一些人则说：“不，那是拉布拉多犬。”这种判断是主观的、不一致的，而且很难证明谁是对的。其他人曾尝试测量树的特定部分（例如树枝的长度），但这就像仅凭鞋码来识别一个人——它忽略了整体图景。
新方案：“超级分类”机器
本文介绍了一种新的智能计算机系统，旨在公平、清晰地对这些神经元“树木”进行分类。不妨将其想象成一名侦探，使用三副不同的放大镜来检查每一个神经元：
- 拓扑透镜：这副透镜观察树的“骨架”。它忽略具体的曲线，专注于大局：有多少主干分支？它们是否自我回环？这就像查看地铁线路图以了解线路的整体结构，而忽略具体的站点。
- 图论透镜：这副透镜将神经元视为一个社交网络。它观察树枝之间如何相互连接。谁在与谁“交谈”？它绘制了细胞不同部分之间的关系图。
- 传统透镜：这是老派的方法，测量具体的距离和角度，就像木匠测量一块木头一样。
它是如何工作的
该系统不依赖单一视角，而是将这三者结合起来。这就像拥有一支专家团队，其中一位是地图阅读者，一位是关系咨询师，还有一位是木匠。他们共同观察同一个神经元，并投票决定其类型。
本文将该系统与一组已经对数千个神经元进行标注的人类专家进行了测试。结果如何？计算机的准确率与人类几乎完美匹配。这证明，要真正理解神经元的“个性”（即其类型），你既需要观察其整体形状（全局结构），也需要了解其微小树枝的连接方式（局部细节）。
“是什么”背后的“为什么”
通常，深度学习计算机就像黑箱：你输入数据，得到一个标签，但你完全不知道计算机为何做出该选择。本文的系统则不同。它自带一本“解释手册”。
利用一种名为“可解释人工智能”的特殊工具，该系统能够指出具体是哪根树枝或哪个连接让它做出了“这是 A 型神经元”的决定。这就像老师不仅给你考试的正确答案，还标出教科书中证明该答案正确的具体句子。这填补了计算机数学与神经科学家对生物学理解之间的鸿沟。
核心结论
作者们构建了一个开源、透明的工具，能够客观地对神经元进行分类。通过结合数学、网络分析和传统测量，他们创造了一把神经元形状的“罗塞塔石碑”。这使得科学家们能够有信心地比较来自不同实验室甚至不同物种的神经元，因为他们都清楚，大家都在使用同一套明确的规则来定义是什么让一个细胞独一无二。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。