新加坡國立大學、字節(jié)跳動等機構(gòu)合作的技術(shù)成果近期在神經(jīng)生物學期刊Nature Neuroscience發(fā)布，該研究首次將AI元學習(meta learning)方法引入神經(jīng)科學及醫(yī)療領(lǐng)域，能在有限的醫(yī)療數(shù)據(jù)上訓練可靠的AI模型，提升基于腦成像的精準醫(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，它希望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?；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(yù)測模型。(作者:劉艷)
營業(yè)執(zhí)照公示信息