先进的生物医学结构和功能等技术核磁共振成像和fMRI)或基因组测序产生了大量关于人体的数据。通过从这些信息中提取模式,科学家们可以收集到关于健康和疾病的新见解。然而,考虑到数据的复杂性以及对数据类型之间的关系了解甚少,这是一项具有挑战性的任务。
深度学习,建立在先进的神经网络,可以通过组合和分析来自多个来源的数据来描述这些关系。在神经成像和数据科学的转化研究中心(趋势),乔治亚州立大学的研究人员正在使用深度学习来了解更多关于如何学习精神疾病其他疾病也会影响大脑。
尽管深度学习模型已被用于解决问题和回答许多不同领域的问题,但一些专家仍持怀疑态度。最近的批评性评论将深度学习与标准的机器学习方法进行了比较脑成像数据。
然而,正如研究表明的那样,这些结论往往基于预处理的输入,这剥夺了深度学习的主要优势——从数据中学习很少或没有预处理的能力。《趋势》杂志的研究科学家、论文的主要作者Anees Abrol比较了经典模型中的代表性模型机器学习以及深度学习,他们发现,如果训练得当,深度学习方法有潜力提供更好的结果,产生更好的表征人类大脑的方法。
“我们将这些模型并排比较,观察统计协议,所以一切都是一样的。我们的研究表明,深度学习模型的表现更好,正如预期的那样。”
Plis表示,在某些情况下,标准机器学习可以超越深度学习。例如,诊断如果使用经典的机器学习方法,输入单一数字测量值(如病人的体温或病人是否吸烟)的算法会更好地工作。
Plis说:“如果你的应用程序需要分析图像,或者涉及到大量的数据,而这些数据又不能在不丢失信息的情况下被提炼成简单的测量方法,那么深度学习可以有所帮助。”“这些模型是为需要大量经验和直觉的非常复杂的问题而设计的。”
深度学习模型的缺点是,它们一开始就“数据饥渴”,必须根据大量信息进行训练。但一旦这些模型经过训练,趋势中心主任、杰出大学心理学教授文斯·卡尔霍恩(Vince Calhoun)说,它们在分析大量复杂数据时就像回答简单问题时一样有效。他说:“有趣的是,在我们的研究中,我们观察了100到10000个样本,在所有情况下,深度学习方法都做得更好。”
另一个优势是,科学家可以对深度学习模型进行反向分析,以了解它们是如何得出有关数据的结论的。正如发表的研究显示,经过训练的深度学习模型学会了识别有意义的大脑生物标志物。
Abrol说:“这些模型是在自己学习,所以我们可以发现他们正在研究的决定性特征,从而使他们更加准确。”“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,看看模型在我们要求它查看的地方之外发现了什么。”
研究人员设想,深度学习模型能够提取该领域尚未了解的解释和表征,并有助于增加我们对人类大脑功能的认识。他们的结论是,尽管需要更多的研究来发现和解决深度学习模型的弱点,但从数学的角度来看,这些模型在许多情况下明显优于标准的机器学习模型。
Plis说:“深度学习的前景可能仍然超过了它目前在神经成像方面的用途,但我们看到了这些技术的巨大潜力。”
这项研究发表在自然通讯.
来源:乔治亚州立大学