新加坡国立大学、字节跳动等机构合作的技术成果近期在神经生物学期刊《自然·神经科学》发布，该研究首次将AI元学习（meta learning）方法引入神经科学及医疗领域，可在有限的医疗数据上训练可靠的AI模型，提升基于脑成像的精准医疗效果。

　　脑成像技术可直接观察大脑在信息处理和应对刺激时的神经化学变化，理论上，基于脑成像的AI模型可应用于预测个人的一些表征特性，从而促进针对个人的精准医疗。尽管已有英国生物银行（UK Biobank）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重点神经科学问题时，几十到上百人的小规模数据样本依旧是常态。因此，在精确标注的医疗数据量有限的情况下，如何训练出可靠的AI模型，正成为神经科学和计算机科学领域焦点问题。

　　研究者们提出，使用机器学习领域的元学习解决上述难题。

　　元学习是过去几年最火爆的学习方法之一，其目标是让模型可以在获取已有知识的基础上快速学习新的任务。

　　研究者通过对先前小样本数据分析发现，个体的认知、心理健康、人口统计学和其他健康属性等表征特性与大脑成像数据之间存在一种内在相关性。基于小样本数据和大数据集之间的这种相关性，研究者提出元匹配（meta-matching）的方法，将大数据集上训练出来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。

　　这一新方法已在英国生物银行和人类连接组计划（Human Connectome Project）的数据集上完成测评，较传统方法体现出更高的准确率。

　　实验显示，这项新的训练框架非常灵活，可与任何机器学习算法相结合，在小规模的数据集上，也可有效训练泛化性能好的AI预测模型。