佐治亞州立大學領(lǐng)導的Nature Communications的一項新研究顯示，與標準的機器學習模型相比，深度學習模型在腦成像的辨別模式和辨別力方面具有很大優(yōu)勢，盡管其結(jié)構(gòu)更為復雜。

先進的生物醫(yī)學技術(shù)，例如結(jié)構(gòu)和功能磁共振成像(MRI和fMRI)或基因組測序，已經(jīng)產(chǎn)生了大量有關(guān)人體的數(shù)據(jù)。通過從這些信息中提取模式，科學家可以收集有關(guān)健康和疾病的新見解。但是，鑒于數(shù)據(jù)的復雜性以及對數(shù)據(jù)類型之間的關(guān)系了解得很少的事實，這是一項艱巨的任務(wù)。

基于高級神經(jīng)網(wǎng)絡(luò)的深度學習可以通過組合和分析來自許多來源的數(shù)據(jù)來表征這些關(guān)系。在神經(jīng)影像和數(shù)據(jù)科學轉(zhuǎn)化研究中心(TReNDS)，喬治亞州立大學的研究人員正在使用深度學習來了解有關(guān)精神疾病和其他疾病如何影響大腦的更多信息。

盡管深度學習模型已用于解決許多不同領(lǐng)域的問題并回答問題，但一些專家仍然持懷疑態(tài)度。最近的批評性評論不利地將深度學習與用于分析大腦成像數(shù)據(jù)的標準機器學習方法進行了比較。

但是，如研究中所證明的那樣，這些結(jié)論通?；陬A處理的輸入，這些輸入剝奪了深度學習的主要優(yōu)勢-幾乎不需要預處理就可以從數(shù)據(jù)中學習的能力。TReNDS的研究科學家，論文的主要作者Anees Abrol比較了經(jīng)典機器學習和深度學習的代表性模型，發(fā)現(xiàn)如果訓練得當，深度學習方法有可能提供實質(zhì)上更好的結(jié)果，產(chǎn)生出更好的表示形式用于表征人腦。

“我們并排比較了這些模型，觀察了統(tǒng)計協(xié)議，因此一切都是蘋果。而且，我們證明了深度學習模型的表現(xiàn)比預期的要好。” TReNDS機器學習總監(jiān)Sergey Plis說。計算機科學教授。

普利斯說，在某些情況下，標準機器學習可以勝過深度學習。例如，使用傳統(tǒng)的機器學習方法，插入諸如患者的體溫或患者是否抽煙等單次測量的診斷算法將更好地工作。

普利斯說：“如果您的應(yīng)用程序涉及分析圖像，或者涉及無法真正在不丟失信息的情況下被精簡為簡單度量的大量數(shù)據(jù)，則深度學習可以提供幫助。這些模型針對的是真正復雜的問題。這需要帶來很多經(jīng)驗和直覺。”

深度學習模型的不利之處在于它們一開始就“渴望數(shù)據(jù)”，并且必須接受大量信息的培訓。但是，一旦對這些模型進行了訓練，TReNDS主任兼杰出大學心理學教授Vince Calhoun表示，它們在分析大量復雜數(shù)據(jù)方面就像在回答簡單問題時一樣有效。

他說：“有趣的是，在我們的研究中，我們觀察的樣本大小為100到10,000，并且在所有情況下，深度學習方法都做得更好。”

另一個優(yōu)勢是，科學家可以對深度學習模型進行反向分析，以了解他們?nèi)绾蔚贸鲇嘘P(guān)數(shù)據(jù)的結(jié)論。正如已發(fā)表的研究表明，訓練有素的深度學習模型將學習識別有意義的大腦生物標記物。

Abrol說：“這些模型是獨立學習的，因此我們可以發(fā)現(xiàn)他們正在尋找的定義特征，這些特征可以使它們精確。” “我們可以檢查模型正在分析的數(shù)據(jù)點，然后將其與文獻進行比較，以查看模型在我們指示的位置之外發(fā)現(xiàn)的內(nèi)容。”

研究人員認為深度學習模型能夠提取該領(lǐng)域尚不知道的解釋和表示，并有助于增進我們對人腦功能的認識。他們得出結(jié)論，盡管需要更多的研究來發(fā)現(xiàn)和解決深度學習模型的弱點，但從數(shù)學角度來看，很明顯，這些模型在許多情況下都優(yōu)于標準機器學習模型。

普利斯說：“深度學習的前景也許仍然勝過當前對神經(jīng)成像的作用，但我們看到了這些技術(shù)的巨大潛力。”

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！