————————————————————————————————————————————————————————

脑成像技术，简单来说，就是通过诸如CT扫描（计算机X线断层摄影）、PET扫描（正电子发射断层扫描术）、MRI（磁共振成像）等技术，让神经科学家可以观察“活体脑的内部”，并理解脑特定区域与其功能之间的关系。

当前，脑成像技术在医学领域已经得到了广泛应用，尤其是在神经科学领域——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。

因此，研究人员认为，基于脑成像的AI模型可应用于预测个人的一些表征特性，例如，智商、对于某种药物或某项治疗产生的临床效果等，从而促进针对个人的精准医疗，提高社会的医疗与护理水平。

然而，结果却发现，虽然现在已经有英国生物银行（UK Biobank）这样的大规模人类神经科学数据集，但在研究临床人群或解决重点神经科学的问题时，几十到上百人的小规模数据样本依旧是常态。在精确标注的医疗数据量有限的情况下，如何训练出可靠的AI模型，成为利用脑成像实现精准医疗的焦点问题。对于此，来自新加坡国立大学、字节跳动、麦吉尔大学等机构的研究人员们，则在Nature Neuroscience中发布了最新研究成果。在论文中，研究人员首次提出，使用机器学习领域的元学习（meta learning）来解决上述难题。

特别值得一提的是，区别于以映射方式为主的深度学习和以试错方式为主的强化学习，元学习旨在学会如何学习，是以系统的、数据驱动的方式再利用之前学过的知识或以往的经验，让人工智能实现自主、快速学会新任务。换言之，元学习随着对每一项历史任务的学习和经验积累，在学习新任务时可以变得更加容易，所需要的训练样本更少，同时还能保证一定的算法精度。

研究者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（meta-matching）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。新方法已经在英国生物银行（UK Biobank）和人类连接组计划（Human Connectome Project）的数据集上完成了测评，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。