佐治亞州立大學(xué)領(lǐng)導(dǎo)的Nature Communications的一項(xiàng)新研究顯示，與標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)模型相比，深度學(xué)習(xí)模型在腦成像的辨別模式和辨別力方面具有很大優(yōu)勢(shì)，盡管其結(jié)構(gòu)更為復(fù)雜。

先進(jìn)的生物醫(yī)學(xué)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(cè)序，已經(jīng)產(chǎn)生了大量有關(guān)人體的數(shù)據(jù)。通過(guò)從這些信息中提取模式，科學(xué)家可以收集有關(guān)健康和疾病的新見(jiàn)解。但是，鑒于數(shù)據(jù)的復(fù)雜性以及對(duì)數(shù)據(jù)類型之間的關(guān)系了解得很少的事實(shí)，這是一項(xiàng)艱巨的任務(wù)。

基于高級(jí)神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)可以通過(guò)組合和分析來(lái)自許多來(lái)源的數(shù)據(jù)來(lái)表征這些關(guān)系。在神經(jīng)影像和數(shù)據(jù)科學(xué)轉(zhuǎn)化研究中心(TReNDS)，喬治亞州立大學(xué)的研究人員正在使用深度學(xué)習(xí)來(lái)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(xué)習(xí)模型已用于解決許多不同領(lǐng)域的問(wèn)題并回答問(wèn)題，但一些專家仍然持懷疑態(tài)度。最近的批評(píng)性評(píng)論不利地將深度學(xué)習(xí)與用于分析大腦成像數(shù)據(jù)的標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)方法進(jìn)行了比較。

但是，如研究中所證明的那樣，這些結(jié)論通?；陬A(yù)處理的輸入，這些輸入剝奪了深度學(xué)習(xí)的主要優(yōu)勢(shì)-幾乎不需要預(yù)處理就可以從數(shù)據(jù)中學(xué)習(xí)的能力。TReNDS的研究科學(xué)家，論文的主要作者Anees Abrol比較了經(jīng)典機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的代表性模型，發(fā)現(xiàn)如果訓(xùn)練得當(dāng)，深度學(xué)習(xí)方法有可能提供實(shí)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(jì)協(xié)議，因此一切都是蘋(píng)果。而且，我們證明了深度學(xué)習(xí)模型的表現(xiàn)比預(yù)期的要好。” TReNDS機(jī)器學(xué)習(xí)總監(jiān)Sergey Plis說(shuō)。計(jì)算機(jī)科學(xué)教授。

普利斯說(shuō)，在某些情況下，標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)可以勝過(guò)深度學(xué)習(xí)。例如，使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法，插入諸如患者的體溫或患者是否抽煙等單次測(cè)量的診斷算法將更好地工作。

普利斯說(shuō)：“如果您的應(yīng)用程序涉及分析圖像，或者涉及無(wú)法真正在不丟失信息的情況下被精簡(jiǎn)為簡(jiǎn)單度量的大量數(shù)據(jù)，則深度學(xué)習(xí)可以提供幫助。這些模型針對(duì)的是真正復(fù)雜的問(wèn)題。這需要帶來(lái)很多經(jīng)驗(yàn)和直覺(jué)。”

深度學(xué)習(xí)模型的不利之處在于它們一開(kāi)始就“渴望數(shù)據(jù)”，并且必須接受大量信息的培訓(xùn)。但是，一旦對(duì)這些模型進(jìn)行了訓(xùn)練，TReNDS主任兼杰出大學(xué)心理學(xué)教授Vince Calhoun表示，它們?cè)诜治龃罅繌?fù)雜數(shù)據(jù)方面就像在回答簡(jiǎn)單問(wèn)題時(shí)一樣有效。

他說(shuō)：“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(xué)習(xí)方法都做得更好。”

另一個(gè)優(yōu)勢(shì)是，科學(xué)家可以對(duì)深度學(xué)習(xí)模型進(jìn)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(xùn)練有素的深度學(xué)習(xí)模型將學(xué)習(xí)識(shí)別有意義的大腦生物標(biāo)記物。

Abrol說(shuō)：“這些模型是獨(dú)立學(xué)習(xí)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(diǎn)，然后將其與文獻(xiàn)進(jìn)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(rèn)為深度學(xué)習(xí)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(jìn)我們對(duì)人腦功能的認(rèn)識(shí)。他們得出結(jié)論，盡管需要更多的研究來(lái)發(fā)現(xiàn)和解決深度學(xué)習(xí)模型的弱點(diǎn)，但從數(shù)學(xué)角度來(lái)看，很明顯，這些模型在許多情況下都優(yōu)于標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)模型。

普利斯說(shuō)：“深度學(xué)習(xí)的前景也許仍然勝過(guò)當(dāng)前對(duì)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(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場(chǎng)無(wú)關(guān)。財(cái)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(fēng)險(xiǎn)自擔(dān)。 如有侵權(quán)請(qǐng)聯(lián)系刪除！