科学家首次将AI元学习引入神经科学，有望提升脑成像精准医疗本研究首次将人工智能领域的元学习方法引入神经科学和医学领域，可在有限的医学数据上训练可靠的人工智能模型，提高基于脑成像的精准医疗效果。脑成像技术是神经科学发展的一个重要领域。它可以直接观察大脑在信息处理和对刺激的反应过程中的神经化学变化，从而为疾病的诊断和治疗提供重要参考。理论上，基于脑成像的AI模型可以应用于预测个体的一些特征，如智商、某种药物或某种治疗的临床效果等，从而促进个体的精准医疗，提高社会医疗和社会护理水平。一个实际问题是，虽然有英国生物银行这样的大规模人类神经科学数据集，但在研究临床人群或解决关键神经科学问题时，几十到几百人的小规模数据样本仍然是常态。鉴于精确标记的医疗数据数量有限，如何训练可靠的AI模型正成为神经科学和计算机科学领域的焦点问题。在NatureNeuroscience发布的最新研究成果中，来自新加坡国立大学、字节跳动、麦吉尔大学等机构的研究人员首次提出在机器学习领域使用元学习来解决上述问题。元学习（metalearning）是一种让机器学习更好地学习的方法。目的是让机器在面对全新的任务时，能够更好地利用之前任务中获得的“知识”。研究人员通过对小样本数据的分析发现，个体特征如认知、心理健康、人口统计学等健康属性与脑成像数据之间存在内在关联。基于小样本数据和大数据集之间的这种相关性，研究人员提出了一种称为元匹配的方法。这种方法可以将在大数据集上训练的机器学习模型迁移到小数据集上，从而训练出更可靠的模型来更准确地预测新的表型。这种新方法已经在英国生物银行和人类连接组计划的数据集上进行了评估，评估结果表明，新方法比传统方法具有更高的准确率。实验表明，这种新的训练框架非常灵活，可以与任何机器学习算法相结合。它还可以有效地训练在小规模数据集上具有良好泛化性能的人工智能预测模型。NatureNeuroscience是Nature的子刊，是全球最具影响力的学术期刊，也是神经生物学领域的顶级期刊之一。该期刊发表的论文涵盖了神经科学的各个领域，包括分子、细胞、系统、行为、认知和计算研究。
