AI元學(xué)習(xí)首次進(jìn)入神經(jīng)科學(xué)
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;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(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
(責(zé)任編輯:支艷蓉)