深度學習在生物醫學研究應用中的表現優于標準機器學習

佐治亞州立大學領導的Nature Communications的一項新研究顯示，與標準的機器學習模型相比，深度學習模型在腦成像的辨別模式和辨別力方面具有很大優勢，盡管其結構更為復雜。

先進的生物醫學技術，例如結構和功能磁共振成像(MRI和fMRI)或基因組測序，已經產生了大量有關人體的數據。通過從這些信息中提取模式，科學家可以收集有關健康和疾病的新見解。但是，鑒于數據的復雜性以及對數據類型之間的關系了解得很少的事實，這是一項艱巨的任務。

基于高級神經網絡的深度學習可以通過組合和分析來自許多來源的數據來表征這些關系。在神經影像和數據科學轉化研究中心(TReNDS)，喬治亞州立大學的研究人員正在使用深度學習來了解有關精神疾病和其他疾病如何影響大腦的更多信息。

盡管深度學習模型已用于解決許多不同領域的問題并回答問題，但一些專家仍然持懷疑態度。最近的批評性評論不利地將深度學習與用于分析大腦成像數據的標準機器學習方法進行了比較。

但是，如研究中所證明的那樣，這些結論通常基于預處理的輸入，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的研究科學家，論文的主要作者Anees Abrol比較了經典機器學習和深度學習的代表性模型，發現如果訓練得當，深度學習方法有可能提供實質上更好的結果，產生出更好的表示形式用于表征人腦。

“我們并排比較了這些模型，觀察了統計協議，因此一切都是蘋果。而且，我們證明了深度學習模型的表現比預期的要好。” TReNDS機器學習總監Sergey Plis說。計算機科學教授。

普利斯說，在某些情況下，標準機器學習可以勝過深度學習。例如，使用傳統的機器學習方法，插入諸如患者的體溫或患者是否抽煙等單次測量的診斷算法將更好地工作。