新加坡國立大學、字節跳動等機構合作的技術成果近期在神經生物學期刊Nature Neuroscience發布，該研究首次將AI元學習(meta learning)方法引入神經科學及醫療領域，能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。

腦成像技術可直接觀察大腦在信息處理和應對刺激時的神經化學變化，理論上，基于腦成像的AI模型可應用于預測個人的一些表征特性，從而促進針對個人的精準醫療。盡管已有英國生物銀行(UK Biobank)這樣的大規模人類神經科學數據集，但在研究臨床人群或解決重點神經科學問題時，幾十到上百人的小規模數據樣本依舊是常態。

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，正成為神經科學和計算機科學領域焦點問題。

研究者們提出，使用機器學習領域的元學習解決上述難題。

元學習是過去幾年最火爆的學習方法之一，它希望模型可以在獲取已有知識的基礎上快速學習新的任務。

研究者通過對先前小樣本數據分析發現，個體的認知、心理健康、人口統計學和其他健康屬性等表征特性與大腦成像數據之間存在一種內在相關性。基于小樣本數據和大數據集之間的這種相關性，研究者提出元匹配(meta-matching)的方法，將大數據集上訓練出來的機器學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。

實驗顯示，這項新的訓練框架非常靈活，可與任何機器學習算法相結合，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。(劉艷)