科普时报讯（记者陈杰）新加坡国立大学、字节跳动等机构，日前合作完成的一项技术成果在神经生物学顶级期刊《自然·神经科学》发表。该项研究首次将人工智能领域的元学习方法引入到神经科学及医疗领域，能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。

    元学习是一种让机器学会更好地学习的方法，目的是让机器面对全新的任务时能更好地利用在先前的任务中获取的“知识”。

    脑成像技术是神经科学发展的一个重要领域，能够直接观察大脑在信息处理和应对刺激时的神经化学变化，从而对疾病的诊断和治疗提供重要参照。理论上，脑成像技术基于脑成像的AI模型，可应用于预测个人的一些表征特性，促进针对个人的精准医疗，提高社会的医疗与护理水平。

    一个现实的问题在于，现在虽然已经有英国生物银行这样的大规模人类神经科学数据集，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，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的焦点。

    在该项研究中，研究人员首次提出，使用机器学习领域的元学习来解决上述难题。研究人员通过对先前的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的相关性。基于小样本数据和大数据集之间的这种相关性，研究者提出名为元匹配的方法。这一方法可以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，以更准确地预测新的表型。

    这一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完成测评，结果显示新方法相较于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，可以与任何机器学习算法相结合，在小规模的数据集上也可以有效地训练泛化性能好的AI预测模型。