科学者らは初めてAIメタ学習を神経科学に導入し、脳画像精密医療の向上が期待される

最近、シンガポール国立大学、バイトダンス、その他の機関が共同で開発した技術的成果が、トップクラスの神経生物学雑誌「ネイチャー・ニューロサイエンス」に掲載されました。この研究は、人工知能分野のメタ学習手法を神経科学と医学の分野に初めて導入したものであり、限られた医療データで信頼性の高いAIモデルを訓練し、脳画像に基づく精密医療を向上させることができる。

脳イメージング技術は神経科学の発展における重要な分野であり、脳が情報を処理し、刺激に反応する際の神経化学変化を直接観察できるため、病気の診断と治療に重要な参考資料を提供します。理論的には、脳画像に基づく AI モデルを使用して、IQ、特定の薬物や治療の臨床効果など、個人の特徴の一部を予測することができ、それによって個人に対する精密医療を促進し、社会の医療と看護のレベルを向上させることができます。

現実的な問題として、現在ではUK バイオバンクなどの大規模なヒト神経科学データセットが存在するものの、臨床集団を研究したり、主要な神経科学の問題を解決したりする際には、数十人から数百人規模の小規模なデータサンプルが依然として標準となっていることが挙げられます。正確にラベル付けされた医療データの量が限られているため、信頼性の高いAIモデルをどのようにトレーニングするかが、神経科学やコンピューター サイエンスの分野で重要な問題になりつつあります。

Nature Neuroscienceに掲載された最新の研究結果では、シンガポール国立大学、ByteDance、マギル大学などの研究者らが、機械学習の分野でメタ学習を活用して上記の問題を解決することを初めて提案した。メタ学習は、機械がより良く学習できるようにする方法です。その目的は、機械がまったく新しいタスクに直面したときに、以前のタスクで獲得した「知識」をより有効に活用できるようにすることです。

研究者らは、以前の小規模なサンプルデータを分析することで、認知、精神的健康、人口統計、その他の健康属性などの個人の特性と脳画像データの間には固有の相関関係があることを発見した。小規模なサンプルデータと大規模なデータセット間の相関関係に基づいて、研究者らはメタマッチングと呼ばれる手法を提案しました。この方法により、大規模なデータセットでトレーニングされた機械学習モデルを小規模なデータセットに転送できるため、より信頼性の高いモデルをトレーニングして、新しい表現型をより正確に予測できるようになります。

この新しい方法は、英国バイオバンクとヒューマンコネクトームプロジェクトのデータセットで評価されました。評価結果によると、新しい方法は従来の方法よりも精度が高いことがわかりました。

実験では、この新しいトレーニング フレームワークは非常に柔軟性が高く、あらゆる機械学習アルゴリズムと組み合わせることができることが示されています。また、小規模なデータ セットで優れた一般化パフォーマンスを備えた AI 予測モデルを効果的にトレーニングすることもできます。

Nature Neuroscience は、世界で最も影響力のある学術誌であり、神経生物学の分野でトップクラスのジャーナルの 1 つである Nature の子会社です。このジャーナルに掲載される論文は、分子、細胞、全身、行動、認知、計算研究を含む神経科学のすべての領域を網羅しています。

​