图片来源：Pixabay
佐治亚州立大学刊登于《自然·通讯》杂志的一项新研究表明，与标准的机器学习模型相比，尽管深度学习模型的构造更为复杂，但其在脑成像的辨别模式和辨别能力方面具有很大的优势。
当今，如结构性、功能性磁共振成像（MRI和fMRI）或基因组测序等先进生物医学技术，已经提供了大量有关于人体的数据。通过从这些信息中提取模型，科学家将对健康与疾病有新的见解。然而，鉴于数据的复杂性以及对各数据类型之间的关系了解甚少，这将是一项艰巨的任务。
基于高级神经网络的深度学习可以通过组合、分析多方来源的数据来表征这些关系。在神经影像和数据科学转化研究中心（TReNDS），佐治亚州立大学的研究人员正在使用深度学习来了解精神疾病和其他疾病如何影响大脑。
图片来源：Pixabay
尽管深度学习模型已用于解决不同领域的一些问题，但是部分专家对其仍持怀疑态度。最近的批评性评论不利地将深度学习与用于大脑成像数据分析标准机器学习方法进行了比较比较。
但如同研究中所证明的那样，这些结论通常基于经过预处理的输入，这些输入剥夺了深度学习的主要优势——几乎不需要预处理就可以从数据中学习的能力。TReNDS的科学家、论文的主要作者Anees Abrol对经典机器学习和深度学习的代表性模型进行比较，发现如果训练得当，深度学习实际上有可能提供更好的结果，可以更好地表征人脑。
图片来源：Pixabay
“我们逐个比较了这些模型，注意观察统计协议以便所有条目都是对等的。我们证明了深度学习模型的表现比预期的要好。”TReNDS的机器学习总监、计算机科学教授Sergey Plis说。
Plis认为，在某些情况下，标准机器学习可以胜过深度学习。在诊断算法特征值单一的情况下，例如针对患者的体温或判断患者是否抽烟，传统的机器学习方法会有更好的表现。
普利斯说：“如果应用程序涉及图像分析，或者包含无法在不丢失信息的情况下被精简为简单测量值的大量数据，深度学习将可以提供帮助。这些模型针对的是需要很多经验和直觉的、真正复杂的问题。”
TReNDS主任、杰出大学心理学教授Vince Calhoun表示，深度学习模型的不利之处在于它们一开始就处于“数据饥渴”的状态，必须通过大量数据进行训练。不过，一旦这些模型训练完成后，它们分析大量复杂数据就像在回答简单问题时一样高效。
他说：“有趣的是，在我们的研究中，我们观察的样本大小为100到10000，在这所有情况下，深度学习都做得更好。”
深度学习的另一个优势是，科学家可以对深度学习模型进行逆向分析，从而了解到他们是如何从数据中得出结论的。已发表的研究表明，训练完成的深度学习模型可以学着识别有意义的大脑生物标记物。
Abrol说：“这些模型的学习过程是自发的，因此我们可以发现模型在自我训练过程中使其更加准确的决定性特征。我们可以检查模型正在分析的数据点，然后将其与文献进行比较，以查看模型在我们原有数据之外发现的内容。”
研究者认为，深度学习模型能够获取某领域尚不为人知的解释和表示方法，并有助于增进我们对人脑功能的认识。他们得出结论，尽管需要更多的研究来发现和解决深度学习模型的弱势之处，但从数学的角度来看，这些模型在许多情况下都优于标准的机器学习模型。
“深度学习的前景也许不止于它现在神经成像上的作用，我们可以看到这些技术的巨大潜力。”Plis说。
翻译：彭琛
审校：董子晨曦
引进来源：techxplore
本文来自：中国数字科技馆
特别声明：本文转载仅仅是出于科普传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或其它相关事宜，请与我们接洽。
[责任编辑：环球科学]
京公网安备11010502039775号
