科學研究：深度學習在生物醫學的表現優於標準的機器學習


圖片來源於：Pixabay
佐治亞州立大學刊登於《自然·通訊》雜誌的一項新研究表明，與標準的機器學習模型相比，盡管深度學習模型的構造更為複雜，但其在腦成像的辨別模式和辨別能力方麵具有很大的優勢。
當今，如結構性、功能性磁共振成像（MRI和fMRI）或基因組測序等先進生物醫學技術，已經提供了大量有關於人體的數據。通過從這些信息中提取模型，科學家將對健康與疾病有新的見解。然而，鑒於數據的複雜性以及對各數據類型之間的關係了解甚少，這將是一項艱巨的任務。
基於高級神經網絡的深度學習可以通過組合、分析多方來源的數據來表征這些關係。在神經影像和數據科學轉化研究中心（TReNDS），佐治亞州立大學的研究人員正在使用深度學習來了解精神疾病和其他疾病如何影響大腦。


圖片來源於：Pixabay
盡管深度學習模型已用於解決不同領域的一些問題，但是部分專家對其仍持懷疑態度。最近的批評性評論不利地將深度學習與用於大腦成像數據分析標準機器學習方法進行了比較比較。
但如同研究中所證明的那樣，這些結論通常基於經過預處理的輸入，這些輸入剝奪了深度學習的主要優勢——幾乎不需要預處理就可以從數據中學習的能力。TReNDS的科學家、論文的主要作者Anees Abrol對經典機器學習和深度學習的代表性模型進行比較，發現如果訓練得當，深度學習實際上有可能提供更好的結果，可以更好地表征人腦。


圖片來源：Pixabay
“我們逐個比較了這些模型，注意觀察統計協議以便所有條目都是對等地。我們證明了深度學習模型的表現比預期的要好。”，TReNDS的機器學習總監、計算機科學教授Sergey Plis說。
Plis認為，在某些情況下，標準機器學習可以勝過深度學習。在診斷算法特征值單一的情況下，例如針對患者的體溫或判斷患者是否抽煙，傳統的機器學習方法會有更好的表現。
普利斯說：“如果應用程序涉及圖像分析，或者包含無法在不丟失信息的情況下被精簡為簡單測量值的大量數據，深度學習將可以提供幫助。這些模型針對的是需要很多經驗和直覺的，真正複雜的問題。”
TReNDS主任、傑出大學心理學教授Vince Calhoun表示，深度學習模型的不利之處在於它們一開始就處於“數據饑渴”的狀態，必須通過大量數據進行訓練。不過，一旦這些模型訓練完成後，它們分析大量複雜數據就像在回答簡單問題時一樣高效。
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，在這所有情況下，深度學習都做得更好。”
深度學習的另一個優勢是，科學家可以對深度學習模型進行逆向分析，從而了解到他們是如何從數據中得出結論的。已發表的研究表明，訓練完成的深度學習模型可以學著識別有意義的大腦生物標記物。
Abrol說：“這些模型的學習過程是自發的，因此我們可以發現模型在自我訓練過程中使其更加準確的決定性特征。我們可以檢查模型正在分析的數據點，然後將其與文獻進行比較，以查看模型在我們原有數據之外發現的內容。”
研究者認為，深度學習模型能夠獲取某領域尚不為人知的解釋和表示方法，並有助於增進我們對人腦功能的認識。他們得出結論，盡管需要更多的研究來發現和解決深度學習模型的弱勢之處，但從數學的角度來看，這些模型在許多情況下都優於標準的機器學習模型。
“深度學習的前景也許不止於它現在神經成像上的作用，我們可以看到這些技術的巨大潛力。”Plis說。
翻譯：彭琛
審校：董子晨曦
引進來源：techxplore
引進鏈接：https://techxplore.com/news/2021-01-deep-outperforms-standard-machine-biomedical.html
本文來自：環球科學


關注【深圳科普】微信公眾號，在對話框：
回複【最新活動】，了解近期科普活動
回複【科普行】，了解最新深圳科普行活動
回複【研學營】，了解最新科普研學營
回複【科普課堂】，了解最新科普課堂
回複【科普書籍】，了解最新科普書籍
回複【團體定製】，了解最新團體定製活動
回複【科普基地】，了解深圳科普基地詳情
回複【觀鳥星空体育官网入口网站】，學習觀鳥相關科普星空体育官网入口网站
回複【博物學院】，了解更多博物學院活動詳情