“思想的形態是什么？”這個問題正在推動神經科學的一場革命，這一革命被稱為高通量神經回路重建或連接組學（Galili等人，2022年；Beyer等人，2022年）。盡管前景廣闊且最近取得了進展，但許多挑戰仍然阻礙著連接組學在更廣泛范圍內的應用（Beyer等人，2022年；Kumar等人，2025年）。一些剩余的障礙包括對神經元類型的分類、多模態神經元數據的整合以及大規模數據集的標準化。研究表明，大腦和身體中的細胞類型在分子、形態、生理和功能方面表現出多樣的特性（Zeng，2022年；Peng等人，2021年；Andriatsilavo和Hassan，2025年）。雖然基于轉錄組學的神經元分類方法最近顯著擴展了可用的方法范圍，但描述大腦結構的特征（如神經元類型在腦區的分布、形態和突觸連接）最有可能解釋大腦的信息處理能力（Zeng，2022年；Khalil等人，2022年）。根據Zeng（2022年）的觀點，要使細胞類型的定義具有意義，必須將其與細胞的功能聯系起來，因此轉錄組學細胞類型分類系統必須與解剖學和功能信息相結合，以評估其有效性并確定適當的粒度級別。

目前，僅通過全腦范圍內的單神經元形態重建才能全面捕捉神經元的軸突投射模式并定義投射神經元類型（Zeng，2022年；Gao等人，2022年；Peng等人，2021年）。形態測量學還有助于識別神經毒性物質對神經發育的影響（Gill和Kumara，2021年）。除了上述應用外，文獻中還包含一些研究，這些研究通過細胞形態測量分析提供了關于年齡相關變化（Stoji?等人，2021a年）、可塑性（Lv等人，2025年）、發生過程（Porceddu等人，2024年）甚至不同物種和腦區之間神經元比較分析的見解（Khalil等人，2022年）的見解。形態測量特征可以作為理解細胞水平結構差異如何影響大腦活動的重要標志，并有助于解釋行為和認知功能的變異性，無論是在生理狀態還是病理狀態下。因此，系統地分析這些形態測量特征在計算中的表示方式對于應對神經元類型分類的一些挑戰至關重要。

盡管對神經回路的研究已經進行了一個多世紀（Cajal，1899年），但我們對神經元類型的理解仍然存在顯著差距：究竟存在多少種不同的神經元類型？為了解決這個問題，國際努力如“人類大腦項目”（Mahfoud，2021年）和“BRAIN計劃”（Insel等人，2013年）將神經元分類列為優先事項之一。從根本上說，神經元類型是一個可驗證的假設，相似性表明功能上的等價性（Zeng，2022年；Mukamel和Ngai，2019年）。根據這一邏輯，具有相同解剖特征的神經元屬于同一類型，執行相同的功能。因此，從數字重建中獲得的定量神經元特征對于進行解剖學比較和細胞形態測量分析至關重要（Leite等人，2024年）。這些重建結果可以在全球可訪問的存儲庫中找到，例如NeuroMorpho.Org（Ascoli等人，2007年）和Allen Cell Types（Hawrylycz等人，2012年）。最近，神經元分類領域發生了重大范式轉變，采用了基于形態測量特征的自動定量方法（Zhao等人，2022年）。監督學習和無監督學習（ML）模型在這種背景下都變得非常重要。這些方法提供了一種系統且客觀的方法來識別不同的神經元類型，提供了定量和無偏的分析。與傳統方法相比，這些方法提供了對神經元復雜性的更精細和詳細的理解，從而實現了更精確的分類（Batabyal等人，2020年）。

本文進行了一項系統文獻回顧（SLR），審查了來自各種數字圖書館的大量論文。經過仔細選擇和評估后，確定了一組最終的研究，作為提取信息和綜合結果的基礎。在陳述研究目標之前，需要先澄清一些術語。在本文中，形態測量特征是指從神經元形態中提取的定量測量值（例如樹突長度、分支數量、分支角度等）；拓撲特征描述了神經元和神經網絡內的空間組織和連接；電生理特征指的是神經元的電學特性，包括靜息電位和動作電位持續時間等參數；最后，形態分類是指基于形態測量特征對神經元進行分類。

基于這些定義，我們的主要目標是研究自動分類神經元形態的方法。此外，我們還研究了文獻中發現的不同神經元表示格式，并對性能指標進行了批判性評估。我們發現了自動化神經元分類中的新興趨勢和模式。我們的綜合分析加深了對所使用計算策略的理解。這項分析提供了關于主要數據來源、形態學數據所屬物種及其解剖位置的見解，以及各種形態類型的信息。為了便于閱讀并符合開放科學原則，我們在GitHub上提供了補充材料¹，包括術語列表以便閱讀、輔助結果、幫助數據可視化的額外圖像以及所使用的數據庫和源代碼。

本文的其余部分組織如下：“研究方法”部分介紹了采用的系統回顧協議。“結果”部分描述了獲得的結果，“討論”部分對這些結果進行了討論。“結論”部分提出了結論和對未來工作的建議。