科學家首次將 AI 元學習引入神經科學,將提升大腦成像精準醫療

語言: CN / TW / HK

鳳凰網科技訊 5 月 19 日訊息,近期,一項技術成果在神經生物學頂級期刊 Nature Neuroscience 上釋出。這項研究首次將人工智慧領域的元學習方法引入到神經科學及醫療領域, 能在有限的醫療資料上訓練可靠的 AI 模型,提升基於腦成像的精準醫療效果。

腦成像技術是神經科學發展的一個重要領域,能夠直接觀察大腦在資訊處理和應對刺激時的神經化學變化、從而對疾病的診斷和治療提供重要參照。理論上,基於腦成像的 AI 模型可應用於預測個人的一些表徵特性,例如,智商、對於某種藥物或某項治療產生的臨床效果等,從而促進針對個人的精準醫療,提高社會的醫療與護理水平。

一個現實的問題在於,雖然現在已經有英國生物銀行(UK Biobank)這樣的大規模人類神經科學資料集,在研究臨床人群或解決重點神經科學的問題時,幾十到上百人的小規模資料樣本依舊是常態。在精確標註的醫療資料量有限的情況下,如何訓練出可靠的 AI 模型,在神經科學和電腦科學領域正在成為焦點問題。

在 Nature Neuroscience 釋出的最新研究成果中,研究者們首次提出,使用機器學習領域的元學習(meta learning)來解決上述難題。元學習(meta learning)是一種讓機器學會更好地學習的方法,目的是讓機器面對全新的任務時能更好地利用在先前的任務中獲取的“知識”。

研究者通過對先前的小樣本資料分析發現,個體的認知、心理健康、人口統計學和其他健康屬性等表徵特性與大腦成像資料之間存在一種內在的相關性。基於小樣本資料和大資料集之間的這種相關性,研究者提出名為元匹配(meta-matching)的方法。這一方法可以將大資料集上訓練出來的機器學習模型遷移到小資料集上,從而訓練出更可靠的模型,以更準確地預測新的表型。

這一新方法已經在英國生物銀行(UK Biobank)和人類連線組計劃(Human Connectome Project)的資料集上完成了測評,測評結果顯示,新方法相較於傳統方法體現出更高的準確率。

實驗顯示,這項新的訓練框架非常靈活,可以與任何機器學習演算法相結合,在小規模的資料集上,也可以有效地訓練泛化效能好的 AI 預測模型。

Nature Neuroscience 是全球最具影響力的學術期刊 Nature 的子刊,也是神經生物學領域最頂級的刊物之一,該雜誌發表的論文涉及神經科學的各個領域,包括分子、細胞、系統、行為、認知和計算研究。

「其他文章」