近期，新加坡國(guó)立大學(xué)、字節(jié)跳動(dòng)等機(jī)構(gòu)合作的一項(xiàng)技術(shù)成果在神經(jīng)生物學(xué)頂級(jí)期刊Nature Neuroscience上發(fā)布。這項(xiàng)研究首次將人工智能領(lǐng)域的元學(xué)習(xí)方法引入到神經(jīng)科學(xué)及醫(yī)療領(lǐng)域，能在有限的醫(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)是神經(jīng)科學(xué)發(fā)展的一個(gè)重要領(lǐng)域，能夠直接觀察大腦在信息處理和應(yīng)對(duì)刺激時(shí)的神經(jīng)化學(xué)變化、從而對(duì)疾病的診斷和治療提供重要參照。理論上，基于腦成像的AI模型可應(yīng)用于預(yù)測(cè)個(gè)人的一些表征特性，例如，智商、對(duì)于某種藥物或某項(xiàng)治療產(chǎn)生的臨床效果等，從而促進(jìn)針對(duì)個(gè)人的精準(zhǔn)醫(yī)療，提高社會(huì)的醫(yī)療與護(hù)理水平。

一個(gè)現(xiàn)實(shí)的問題在于，雖然現(xiàn)在已經(jīng)有英國(guó)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，在研究臨床人群或解決重點(diǎn)神經(jīng)科學(xué)的問題時(shí)，幾十到上百人的小規(guī)模數(shù)據(jù)樣本依舊是常態(tài)。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，在神經(jīng)科學(xué)和計(jì)算機(jī)科學(xué)領(lǐng)域正在成為焦點(diǎn)問題。

在Nature Neuroscience發(fā)布的最新研究成果中，來自新加坡國(guó)立大學(xué)、字節(jié)跳動(dòng)、麥吉爾大學(xué)等機(jī)構(gòu)的研究者們首次提出，使用機(jī)器學(xué)習(xí)領(lǐng)域的元學(xué)習(xí)（meta learning）來解決上述難題。元學(xué)習(xí)（meta learning）是一種讓機(jī)器學(xué)會(huì)更好地學(xué)習(xí)的方法，目的是讓機(jī)器面對(duì)全新的任務(wù)時(shí)能更好地利用在先前的任務(wù)中獲取的“知識(shí)”。

研究者通過對(duì)先前的小樣本數(shù)據(jù)分析發(fā)現(xiàn)，個(gè)體的認(rèn)知、心理健康、人口統(tǒng)計(jì)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)在的相關(guān)性?；谛颖緮?shù)據(jù)和大數(shù)據(jù)集之間的這種相關(guān)性，研究者提出名為元匹配（meta-matching）的方法。這一方法可以將大數(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，以更準(zhǔn)確地預(yù)測(cè)新的表型。

這一新方法已經(jīng)在英國(guó)生物銀行（UK Biobank）和人類連接組計(jì)劃（Human Connectome Project）的數(shù)據(jù)集上完成了測(cè)評(píng)，測(cè)評(píng)結(jié)果顯示，新方法相較于傳統(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，可以與任何機(jī)器學(xué)習(xí)算法相結(jié)合，在小規(guī)模的數(shù)據(jù)集上，也可以有效地訓(xùn)練泛化性能好的AI預(yù)測(cè)模型。

Nature Neuroscience是全球最具影響力的學(xué)術(shù)期刊Nature的子刊，也是神經(jīng)生物學(xué)領(lǐng)域最頂級(jí)的刊物之一，該雜志發(fā)表的論文涉及神經(jīng)科學(xué)的各個(gè)領(lǐng)域，包括分子、細(xì)胞、系統(tǒng)、行為、認(rèn)知和計(jì)算研究。

?