近期，新加坡國立大學、字節跳動等機構合作的一項技術成果在神經生物學頂級期刊Nature Neuroscience上發布。這項研究首次將人工智能領域的元學習方法引入到神經科學及醫療領域，能在有限的醫療數據上訓練可靠的AI模型，提升基於腦成像的精準醫療效果。

腦成像技術是神經科學發展的一個重要領域，能夠直接觀察大腦在信息處理和應對刺激時的神經化學變化、從而對疾病的診斷和治療提供重要參照。理論上，基於腦成像的AI模型可應用於預測個人的一些表徵特性，例如，智商、對於某種藥物或某項治療產生的臨床效果等，從而促進針對個人的精準醫療，提高社會的醫療與護理水平。

一個現實的問題在於，雖然現在已經有英國生物銀行（UK Biobank）這樣的大規模人類神經科學數據集，在研究臨床人群或解決重點神經科學的問題時，幾十到上百人的小規模數據樣本依舊是常態。在精確標註的醫療數據量有限的情況下，如何訓練出可靠的AI模型，在神經科學和計算機科學領域正在成為焦點問題。

在Nature Neuroscience發布的最新研究成果中，來自新加坡國立大學、字節跳動、麥吉爾大學等機構的研究者們首次提出，使用機器學習領域的元學習（meta learning）來解決上述難題。元學習（meta learning）是一種讓機器學會更好地學習的方法，目的是讓機器面對全新的任務時能更好地利用在先前的任務中獲取的“知識”。

研究者通過對先前的小樣本數據分析發現，個體的認知、心理健康、人口統計學和其他健康屬性等表徵特性與大腦成像數據之間存在一種內在的相關性。基於小樣本數據和大數據集之間的這種相關性，研究者提出名為元匹配（meta-matching）的方法。這一方法可以將大數據集上訓練出來的機器學習模型遷移到小數據集上，從而訓練出更可靠的模型，以更準確地預測新的表型。

這一新方法已經在英國生物銀行（UK Biobank）和人類連接組計劃（Human Connectome Project）的數據集上完成了測評，測評結果顯示，新方法相較於傳統方法體現出更高的準確率。

實驗顯示，這項新的訓練框架非常靈活，可以與任何機器學習算法相結合，在小規模的數據集上，也可以有效地訓練泛化性能好的AI預測模型。

Nature Neuroscience是全球最具影響力的學術期刊Nature的子刊，也是神經生物學領域最頂級的刊物之一，該雜誌發表的論文涉及神經科學的各個領域，包括分子、細胞、系統、行為、認知和計算研究。