针对现有自由活动动物微型显微镜成像时程短、模态单一，难以支撑中枢神经系统疾病长时程研究的局限，本研究开发了基于云平台的多对比度微型显微系统CloudScope，可实现24小时以上的连续多参数神经监测，同步获取神经元活动、脑血流、脑血容量、血管氧合及细胞动态等多维信息。该系统支持全球远程操作，可应用于自然行为解析、癫痫病理演化、脑肿瘤微环境动态表征等多个场景，并结合深度学习实现个体特异性的行为预测，为中枢神经系统疾病的发生发展机制研究建立了全新的长时程在体成像范式。

该研究由Janaka Senarathna、Darren Yang、Julia Brill等作者完成，通讯作者为Arvind P. Pathak，论文题为 A cloud-based miniscope for neurosurveillance of brain health and disease in freely behaving animals，于2026年4月被接收，发表于学术期刊Nature Methods。

重要发现
01云架构多对比度微型成像系统的技术构建
CloudScope采用物联网云架构，通过无线网络连接云端服务器，支持全球范围内的远程参数设置、实时成像观测与数据采集，也可组成多设备阵列实现高通量并行实验。系统头载端重量低于3.5g，可稳定佩戴于自由活动小鼠头部，成像视场可达3×3mm²，空间分辨率约5.5至7μm。

在光学成像设计上，系统整合三种对比度机制，通过共用成像光路实现同一视场下的多参数同步采集：蓝色与绿色发光二极管作为激发光源，结合截止波长510nm的长通滤光片实现绿色荧光成像，用于观测神经元钙活动与荧光标记细胞；绿色光源同时支撑内源光信号成像，利用血红蛋白的特征光吸收反演脑血容量、血氧饱和度等血流动力学参数；近红外激光二极管作为照明源，通过激光散斑衬比成像定量计算脑血流速度。系统采用柔性线路与细导线连接光源，配合可调焦的机械结构与头载底座，在保证成像稳定性的同时降低动物佩戴负担。

为突破长时程成像的技术瓶颈，系统设计了序列循环采集模式，按预设周期切换不同成像通道，配合间隔断电机制，有效避免图像传感器过热与荧光光漂白，可维持24小时以上的稳定成像。数据本地存储与断网续采机制进一步保障了长时程实验的数据完整性。

CloudScope 系统可对自由活动健康小鼠开展长达 24 小时远程神经动态监测

02长时程神经数据支撑个体特异性行为预测
研究基于24小时连续采集的神经元活动数据，构建了融合空间特征提取与时序特征学习的深度学习模型，实现仅使用单只动物的神经成像数据，即可预测其对应的行为状态。

研究将动物行为划分为静息、中等活动、跑动三类单元，以1分钟为单位构建神经元活动数据块输入模型训练。结果显示，基于24小时数据训练的模型在5只实验动物上均取得较高预测准确率，平均单类准确率可达79%至94%。与之相对，仅使用1小时数据训练的模型预测准确率大幅下降，且存在明显分类偏差，证明长时程神经监测数据是实现个体特异性行为预测的核心基础。研究同时通过梯度类激活映射方法，可视化了模型分类依赖的脑区空间特征，为神经活动与行为的关联提供了可解释性依据。

自然行为下血流动力学变化与神经元活动并非始终共定位

在脑肿瘤模型中，研究实现了长达72小时的在体细胞追踪，观测到胶质瘤细胞融合、侵入血管、长距离迁移等多种动态行为，并定量分析了细胞迁移的速度、路径迂曲度等参数。通过对比肿瘤起始期与聚集期的微环境特征，研究发现两个阶段在细胞增殖程度、血管新生形态、血流水平与时间异质性上存在显著差异，可通过多尺度参数实现肿瘤阶段的在体区分，且不同阶段的脑血流变化均与动物活动水平保持相关。

脑肿瘤演进的神经动态监测

肿瘤起始与聚集阶段脑肿瘤微环境的活体表征

创新与亮点
本研究突破了传统自由活动动物微型显微镜成像时程短、模态单一、无法远程操作的核心局限，解决了长时程成像中传感器过热、荧光光漂白等技术瓶颈，首次构建了云端架构的多对比度微型神经成像系统。系统采用商用开源组件搭建，大幅降低使用门槛，支持分时共享成像模式，可有效减少实验动物用量。

该技术在光学生物医疗领域具备明确应用价值：在癫痫研究中可完整捕捉发作与恢复全周期动态，为抗癫痫药物筛选与药效评估提供长时程量化指标；在脑肿瘤研究中可实现大视场下细胞与血管动态的在体表型，为肿瘤演化机制研究与靶向药物测试提供在体实验平台；云端架构同时支持全球科研协作，为神经科学与中枢神经系统疾病研究提供了普惠性的长时程成像工具。

总结与展望
CloudScope系统实现了自由活动动物的长时程多模态神经监测，兼具远程操作、多对比度成像、低成本开源的核心特性，为中枢神经系统生理与病理机制研究提供了全新的成像范式。未来可通过拓展成像视场、增加成像通道、整合多模态传感、嵌入实时智能分析等方向优化升级，进一步拓展其在更多疾病模型与转化研究中的应用场景。

DOI:10.1038/s41592-026-03111-z.