科技改變生活 · 科技引領(lǐng)未來
科技改變生活 · 科技引領(lǐng)未來
腦成像技術(shù)可直接觀察大腦在信息處理和應對刺激時的神經(jīng)化學變化，理論上，基于腦成像的AI模型可應用于預測個人的一些表征特性，從而促進針對個人的精準醫(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)科學數(shù)據(jù)集，但在研究臨床人群或解決重點神經(jīng)科學問題時，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，在精確標注的醫(yī)療數(shù)據(jù)量有限的情況下，如何訓練出可靠的AI模型，正成為神經(jīng)科學和計算機科學領(lǐng)域焦點問題。
研究者們提出，使用機器學習領(lǐng)域的元學習解決上述難題。
元學習是過去幾年最火爆的學習方法之一，其目標是讓模型可以在獲取已有知識的基礎(chǔ)上快速學習新的任務(wù)。
研究者通過對先前小樣本數(shù)據(jù)分析發(fā)現(xiàn)，個體的認知、心理健康、人口統(tǒng)計學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。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，研究者提出元匹配（meta-matching）的方法，將大數(shù)據(jù)集上訓練出來的機器學習模型遷移到小數(shù)據(jù)集上，從而訓練出更可靠的模型。
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)出更高的準確率。
實驗顯示，這項新的訓練框架非常靈活，可與任何機器學習算法相結(jié)合，在小規(guī)模的數(shù)據(jù)集上，也可有效訓練泛化性能好的AI預測模型。
何書一