新加坡國立大學(xué)、字節(jié)跳動等機構(gòu)合作的技術(shù)成果近期在神經(jīng)生物學(xué)期刊Nature Neuroscience發(fā)布，該研究首次將AI元學(xué)習(xí)(meta learning)方法引入神經(jīng)科學(xué)及醫(yī)療領(lǐng)域，能在有限的醫(yī)療數(shù)據(jù)上訓(xùn)練可靠的AI模型，提升基于腦成像的精準(zhǔn)醫(yī)療效果。

腦成像技術(shù)可直接觀察大腦在信息處理和應(yīng)對刺激時的神經(jīng)化學(xué)變化，理論上，基于腦成像的AI模型可應(yīng)用于預(yù)測個人的一些表征特性，從而促進(jìn)針對個人的精準(zhǔn)醫(yī)療。盡管已有英國生物銀行(UK Biobank)這樣的大規(guī)模人類神經(jīng)科學(xué)數(shù)據(jù)集，但在研究臨床人群或解決重點神經(jīng)科學(xué)問題時，幾十到上百人的小規(guī)模數(shù)據(jù)樣本依舊是常態(tài)。

因此，在精確標(biāo)注的醫(yī)療數(shù)據(jù)量有限的情況下，如何訓(xùn)練出可靠的AI模型，正成為神經(jīng)科學(xué)和計算機科學(xué)領(lǐng)域焦點問題。

研究者們提出，使用機器學(xué)習(xí)領(lǐng)域的元學(xué)習(xí)解決上述難題。

元學(xué)習(xí)是過去幾年最火爆的學(xué)習(xí)方法之一，它希望模型可以在獲取已有知識的基礎(chǔ)上快速學(xué)習(xí)新的任務(wù)。

研究者通過對先前小樣本數(shù)據(jù)分析發(fā)現(xiàn)，個體的認(rèn)知、心理健康、人口統(tǒng)計學(xué)和其他健康屬性等表征特性與大腦成像數(shù)據(jù)之間存在一種內(nèi)在相關(guān)性?；谛颖緮?shù)據(jù)和大數(shù)據(jù)集之間的這種相關(guān)性，研究者提出元匹配(meta-matching)的方法，將大數(shù)據(jù)集上訓(xùn)練出來的機器學(xué)習(xí)模型遷移到小數(shù)據(jù)集上，從而訓(xùn)練出更可靠的模型。

這一新方法已在英國生物銀行和人類連接組計劃(Human Connectome Project)的數(shù)據(jù)集上完成測評，較傳統(tǒng)方法體現(xiàn)出更高的準(zhǔn)確率。

實驗顯示，這項新的訓(xùn)練框架非常靈活，可與任何機器學(xué)習(xí)算法相結(jié)合，在小規(guī)模的數(shù)據(jù)集上，也可有效訓(xùn)練泛化性能好的AI預(yù)測模型。(科技日報記者 劉艷)

關(guān)鍵詞： 腦成像技術(shù) 神經(jīng)科學(xué) 神經(jīng)生物學(xué)