深度学习在生物医学研究应用中的表现优于标准机器学习

佐治亚州立大学领导的Nature Communications的一项新研究显示，与标准的机器学习模型相比，深度学习模型在脑成像的辨别模式和辨别力方面具有很大优势，尽管其结构更为复杂。

先进的生物医学技术，例如结构和功能磁共振成像(MRI和fMRI)或基因组测序，已经产生了大量有关人体的数据。通过从这些信息中提取模式，科学家可以收集有关健康和疾病的新见解。但是，鉴于数据的复杂性以及对数据类型之间的关系了解得很少的事实，这是一项艰巨的任务。

基于高级神经网络的深度学习可以通过组合和分析来自许多来源的数据来表征这些关系。在神经影像和数据科学转化研究中心(TReNDS)，乔治亚州立大学的研究人员正在使用深度学习来了解有关精神疾病和其他疾病如何影响大脑的更多信息。

尽管深度学习模型已用于解决许多不同领域的问题并回答问题，但一些专家仍然持怀疑态度。最近的批评性评论不利地将深度学习与用于分析大脑成像数据的标准机器学习方法进行了比较。

但是，如研究中所证明的那样，这些结论通常基于预处理的输入，这些输入剥夺了深度学习的主要优势-几乎不需要预处理就可以从数据中学习的能力。TReNDS的研究科学家，论文的主要作者Anees Abrol比较了经典机器学习和深度学习的代表性模型，发现如果训练得当，深度学习方法有可能提供实质上更好的结果，产生出更好的表示形式用于表征人脑。

“我们并排比较了这些模型，观察了统计协议，因此一切都是苹果。而且，我们证明了深度学习模型的表现比预期的要好。” TReNDS机器学习总监Sergey Plis说。计算机科学教授。

普利斯说，在某些情况下，标准机器学习可以胜过深度学习。例如，使用传统的机器学习方法，插入诸如患者的体温或患者是否抽烟等单次测量的诊断算法将更好地工作。