Передовые биомедицинские технологии, такие как структурная и функциональная магнитно-резонансная томография (МРТ и фМРТ) или геномное секвенирование, позволили получить огромный объем данных о человеческом теле. Извлекая закономерности из этой информации, ученые могут по-новому взглянуть на здоровье и болезни.
Однако это сложная задача, учитывая сложность данных и тот факт, что отношения между типами данных плохо изучены.
Глубокое обучение, основанное на продвинутых нейронных сетях, может охарактеризовать эти отношения, комбинируя и анализируя данные из многих источников.
В Центре трансляционных исследований в области нейровизуализации и обработки данных (TReNDS) исследователи штата Джорджия используют глубокое обучение, чтобы узнать больше о том, как психические заболевания и другие расстройства влияют на мозг.
Хотя модели глубокого обучения использовались для решения проблем и ответов на вопросы в различных областях, некоторые эксперты остаются скептически настроенными. В недавних критических комментариях глубокое обучение сравнивается со стандартными подходами машинного обучения к анализу данных визуализации мозга.
Однако, как показано в исследовании, эти выводы часто основаны на предварительно обработанных входных данных, которые лишают глубокое обучение его главного преимущества – способности учиться на данных практически без предварительной обработки. Анис Аброл, научный сотрудник TReNDS и ведущий автор статьи, сравнил репрезентативные модели классического машинного обучения и глубокого обучения и обнаружил, что при правильном обучении методы глубокого обучения могут предложить значительно лучшие результаты, генерируя превосходные представления. для характеристики человеческого мозга.
«Мы сравнили эти модели бок о бок, соблюдая статистические протоколы, так что все – яблоки с яблоками. И мы показываем, что модели глубокого обучения работают лучше, как и ожидалось », – сказал соавтор Сергей Плис, директор по машинному обучению TReNDS и доцент кафедры информатики.
Плис сказал, что в некоторых случаях стандартное машинное обучение может превзойти глубокое обучение. Например, диагностические алгоритмы, которые включают однозначные измерения, такие как температура тела пациента или то, курит ли пациент сигареты, будут лучше работать с использованием классических подходов машинного обучения.
«Если ваше приложение включает в себя анализ изображений или большой массив данных, которые невозможно преобразовать в простое измерение без потери информации, глубокое обучение может помочь», – сказал Плис.. "Эти модели созданы для решения действительно сложных задач, требующих большого опыта и интуиции."
Обратной стороной моделей глубокого обучения является то, что они с самого начала «жаждут данных» и должны быть обучены на большом количестве информации.
Но как только эти модели обучены, сказал соавтор Винс Калхун, директор TReNDS и заслуженный профессор психологии университета, они столь же эффективны при анализе массивов сложных данных, как и при ответе на простые вопросы.
«Интересно, что в нашем исследовании мы рассмотрели размер выборки от 100 до 10 000, и во всех случаях подходы к глубокому обучению оказались лучше», – сказал он.
Еще одно преимущество заключается в том, что ученые могут анализировать модели глубокого обучения в обратном направлении, чтобы понять, как они приходят к выводам о данных. Как показывает опубликованное исследование, обученные модели глубокого обучения учатся определять значимые биомаркеры мозга.
«Эти модели учатся сами по себе, поэтому мы можем выявить определяющие характеристики, которые они изучают, что позволяет им быть точными», – сказал Аброл. "Мы можем проверить точки данных, которые анализирует модель, а затем сравнить их с литературой, чтобы увидеть, что модель нашла за пределами того места, где мы сказали ей искать."
Исследователи предполагают, что модели глубокого обучения способны извлекать объяснения и представления, еще не известные в данной области, и помогают нам в расширении наших знаний о том, как функционирует человеческий мозг. Они приходят к выводу, что, хотя необходимы дополнительные исследования для поиска и устранения недостатков моделей глубокого обучения, с математической точки зрения очевидно, что эти модели превосходят стандартные модели машинного обучения во многих условиях.
«Перспективы глубокого обучения, возможно, все еще перевешивают его нынешнюю полезность для нейровизуализации, но мы видим большой реальный потенциал этих методов», – сказал Плис.