近日，一项中外研究人员合作的技术成果发表在神经生物学顶级期刊《自然神经科学》上。本研究首次将人工智能中的元学习方法引入神经科学和医学领域，可以在有限的医学数据上训练出可靠的AI模型，提高基于脑成像的精准医疗效果。

脑成像技术是神经科学发展的一个重要领域，它可以直接观察大脑在信息处理和对刺激的反应过程中的神经化学变化，从而为疾病的诊断和治疗提供重要的参考。理论上，基于脑成像的AI模型可以应用于预测一些个人特征。

一个现实的问题是，虽然有英国生物银行这样的人类神经科学大规模数据集，但几十到几百个小规模数据样本研究临床人群或解决神经科学关键问题仍然是常态。随着有限的医疗数据被精确标记，如何训练一个可靠的人工智能模型正在成为神经科学和计算机科学领域的一个焦点。

在此次发布的最新研究成果中，研究人员首次提出在机器学习领域使用元学习来解决上述问题。元学习是机器学习更好地学习的一种方式。目的是让机器在面对全新的任务时，更好地利用之前任务中获得的“知识”。

通过对以往小样本数据的分析，研究人员发现，个体的认知、心理健康、人口统计学等健康属性与脑成像数据之间存在着内在的相关性。基于小样本数据和大数据集之间的这种相关性，研究人员提出了一种叫做元匹配的方法。这种方法可以把从大数据集训练出来的机器学习模型转移到小数据集，从而训练出更可靠的模型，更准确地预测新的表型。

目前，这种新方法已经在英国生物银行和人类连接组的数据集上进行了评估。评价结果表明，新方法比传统方法具有更高的精度。实验表明，这种新的训练框架非常灵活，可以与任何机器学习算法相结合，能够有效地训练出在小规模数据集上具有良好泛化性能的AI预测模型。