科技日報訊 （記者劉艷）新加坡國立大學(xué)、字節跳動(dòng)等機構合作的技術(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（meta learning）方法引入神經(jīng)科學(xué)及醫療領(lǐng)域，可在有限的醫療數據上訓練可靠的AI模型，提升基于腦成像的精準醫療效果。
腦成像技術(shù)可直接觀(guān)察大腦在信息處理和應對刺激時(shí)的神經(jīng)化學(xué)變化，理論上，基于腦成像的AI模型可應用于預測個(gè)人的一些表征特性，從而促進(jìn)針對個(gè)人的精準醫療。盡管已有英國生物銀行（UK Biobank）這樣的大規模人類(lèi)神經(jīng)科學(xué)數據集，但在研究臨床人群或解決重點(diǎn)神經(jīng)科學(xué)問(wèn)題時(shí)，幾十到上百人的小規模數據樣本依舊是常態(tài)。因此，在精確標注的醫療數據量有限的情況下，如何訓練出可靠的AI模型，正成為神經(jīng)科學(xué)和計算機科學(xué)領(lǐng)域焦點(diǎn)問(wèn)題。
研究者們提出，使用機器學(xué)習領(lǐng)域的元學(xué)習解決上述難題。
元學(xué)習是過(guò)去幾年最火爆的學(xué)習方法之一，其目標是讓模型可以在獲取已有知識的基礎上快速學(xué)習新的任務(wù)。
研究者通過(guò)對先前小樣本數據分析發(fā)現，個(gè)體的認知、心理健康、人口統計學(xué)和其他健康屬性等表征特性與大腦成像數據之間存在一種內在相關(guān)性?；谛颖緮祿痛髷祿g的這種相關(guān)性，研究者提出元匹配（meta-matching）的方法，將大數據集上訓練出來(lái)的機器學(xué)習模型遷移到小數據集上，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(lèi)連接組計劃（Human Connectome Project）的數據集上完成測評，較傳統方法體現出更高的準確率。
實(shí)驗顯示，這項新的訓練框架非常靈活，可與任何機器學(xué)習算法相結合，在小規模的數據集上，也可有效訓練泛化性能好的AI預測模型。