清醒大脑中胞内记录真值揭示的系统性锋电位分类错误

现有的尖峰分类（spike sorting）真值数据几乎完全来自麻醉或体外制备。然而，最可能对尖峰分类构成挑战的现象（尖峰重叠与爆发）取决于脑状态，并且在清醒脑中有所不同。因此，来自现有基准的错误估计可能无法迁移到清醒记录，而清醒脑中的错误类型在很大程度上仍未被刻画。为解决这一问题，我们在清醒小鼠中利用成对近胞外-胞外电生理技术生成了一个真值数据集（16个神经元），并发现尖峰分类性能，尤其是召回率，低于传统基准可能暗示的水平。总体而言，假阴性随爆发等内在生理因素急剧增加，而假阳性则与外在因素（如推测的尖峰重叠）关联更强。为量化内在与外在因素对错误的贡献，我们对每个观测到的近胞外波形预测了相应的胞外波形。在表现最佳的分类器中，我们估计约一半的假阳性可归因于轻信地尝试解析推测的重叠。爆发和推测的重叠各自单独出现时，均与约加倍的假阴性率相关；而当二者同时出现时，假阴性率增加约七倍。这些共现情况约占典型神经元假阴性的40%，尽管它们仅占其尖峰的约五分之一。因此，尖峰分类器最需要依赖波形不变性假设来解析重叠的时刻，恰恰是爆发使该假设最不成立的时刻。我们还估计，四分之三的假阴性已被检测到，但被分配给了其他单元。这些尖峰并未被干净地过度拆分：事后合并并无成效，因为精确率的损失是召回率增益的三倍。由于爆发和尖峰重叠经常共现，按波形相似性对尖峰进行分类并通过事后合并修复结果，不太可能在最具科学意义的情境中充分平衡精确率与召回率。也就是说，尽管爆发和尖峰重叠可能仅涉及少数尖峰，但由此产生的分类错误可能不成比例地扭曲对神经元群体动力学的解释。因此我们得出结论：对分类器输出进行不确定性量化至关重要。

中文由 AI 翻译，仅供参考，以原文为准。