鳳凰網(wǎng)科技訊 5 月 19 日消息，近期，一項技術(shù)成果在神經(jīng)生物學(xué)頂級期刊 Nature Neuroscience 上發(fā)布。這項研究首次將人工智能領(lǐng)域的元學(xué)習(xí)方法引入到神經(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)是神經(jīng)科學(xué)發(fā)展的一個重要領(lǐng)域，能夠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、從而對疾病的診斷和治療提供重要參照。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，例如，智商、對于某種藥物或某項治療產(chǎn)生的臨床效果等，從而促進針對個人的精準(zhǔn)醫(yī)療，提高社會的醫(yī)療與護理水平。
一個現(xiàn)實的問題在于，雖然現(xiàn)在已經(jīng)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，在研究臨床人群或解決重點神經(jīng)科學(xué)的問題時，幾十到上百人的小規(guī)模數(shù)據(jù)樣本依舊是常態(tài)。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，在神經(jīng)科學(xué)和計算機科學(xué)領(lǐng)域正在成為焦點問題。
在 Nature Neuroscience 發(fā)布的最新研究成果中，研究者們首次提出，使用機器學(xué)習(xí)領(lǐng)域的元學(xué)習(xí)（meta learning）來解決上述難題。元學(xué)習(xí)（meta learning）是一種讓機器學(xué)會更好地學(xué)習(xí)的方法，目的是讓機器面對全新的任務(wù)時能更好地利用在先前的任務(wù)中獲取的“知識”。
研究者通過對先前的小樣本數(shù)據(jù)分析發(fā)現(xiàn)，個體的認知、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)在的相關(guān)性。基于小樣本數(shù)據(jù)和大數(shù)據(jù)集之間的這種相關(guān)性，研究者提出名為元匹配（meta-matching）的方法。這一方法可以將大數(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，以更準(zhǔn)確地預(yù)測新的表型。
這一新方法已經(jīng)在英國生物銀行（UK Biobank）和人類連接組計劃（Human Connectome Project）的數(shù)據(jù)集上完成了測評，測評結(jié)果顯示，新方法相較于傳統(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，可以與任何機器學(xué)習(xí)算法相結(jié)合，在小規(guī)模的數(shù)據(jù)集上，也可以有效地訓(xùn)練泛化性能好的 AI 預(yù)測模型。
Nature Neuroscience 是全球最具影響力的學(xué)術(shù)期刊 Nature 的子刊，也是神經(jīng)生物學(xué)領(lǐng)域最頂級的刊物之一，該雜志發(fā)表的論文涉及神經(jīng)科學(xué)的各個領(lǐng)域，包括分子、細胞、系統(tǒng)、行為、認知和計算研究。
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。