新加坡國立大學(xué)、字節(jié)跳動等機(jī)構(gòu)合作的技術(shù)成果近期在神經(jīng)生物學(xué)期刊《自然·神經(jīng)科學(xué)》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，可在有限的醫(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(diǎn)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(jī)科學(xué)領(lǐng)域焦點(diǎn)問題。

　　研究者們提出，使用機(jī)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，其目標(biāo)是讓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�；�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(xùn)練出來的機(jī)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(shí)驗(yàn)顯示，這項(xiàng)新的訓(xùn)練框架非常靈活，可與任何機(jī)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。記者劉艷