聲明：本公眾號(hào)的所有文章，除特別注明非原創(chuàng)外，均為自己原創(chuàng)或翻譯。近期，發(fā)現(xiàn)有公眾號(hào)轉(zhuǎn)載了自己的文章，不勝欣喜。本著交流、學(xué)習(xí)的目的，非常歡迎轉(zhuǎn)載，但務(wù)必請(qǐng)注明出處，謝謝。

近年來(lái)，機(jī)器學(xué)習(xí)在腦成像領(lǐng)域中的應(yīng)用越來(lái)越多。其中，最常用的機(jī)器學(xué)習(xí)方法旨在從已有的數(shù)據(jù)中找到潛在的模式，用于對(duì)未來(lái)數(shù)據(jù)的預(yù)測(cè)或者分類(lèi)，比如用于腦疾病的分類(lèi)或腦狀態(tài)的解碼。作為一種通用的方法，機(jī)器學(xué)習(xí)方法不僅可以應(yīng)用于MRI或 fMRI 圖像，也同樣可以應(yīng)用于其它模態(tài)的腦成像數(shù)據(jù)中。在之前的研究中，自己也曾將這一方法應(yīng)用到了基于EEG信號(hào)的研究中。實(shí)際上，基于 EEG 信號(hào)的腦機(jī)接口（brain-computer interface，BCI）技術(shù)曾經(jīng)長(zhǎng)期是機(jī)器學(xué)習(xí)在腦成像領(lǐng)域的最主要應(yīng)用。近日，Organization for Human Brain Mapping （OHBM）的博客上發(fā)表了一篇博文，介紹了機(jī)器學(xué)習(xí)的基本概念和方法（可點(diǎn)擊“閱讀原文”查看英文博客原文）。這里翻譯出來(lái)，分享給大家。

最近，機(jī)器學(xué)習(xí)（machine learning）、深度學(xué)習(xí)（deep learning）和人工智能（artificial intelligence）這些術(shù)語(yǔ)越來(lái)越多地出現(xiàn)在我們的生活中：比如，在媒體，招聘廣告 ...... 以及在腦成像領(lǐng)域的學(xué)術(shù)會(huì)議上。機(jī)器學(xué)習(xí)經(jīng)常被描繪成一個(gè)神秘的黑盒子，幾乎可以解決將來(lái)的所有問(wèn)題，甚至取代我們的工作。在這篇博文中，我們將討論“機(jī)器學(xué)習(xí)”這個(gè)術(shù)語(yǔ)的實(shí)際含義、它包含的方法以及這些方法如何應(yīng)用于腦成像分析。OHBM OnDemand 在線材料中包含了一些解釋機(jī)器學(xué)習(xí)方法的視頻，并提供了如何在各種應(yīng)用中使用它的示例。如果你對(duì)機(jī)器學(xué)習(xí)感到好奇，但不確定是否想要加入其中，那么，希望這篇文章適合你并幫助你入門(mén)。

圖片來(lái)自 Deep Learning in Neuroradiology，American Journal of Neuroradiology October 2018, 39 (10) 1776-1784; DOI: https:///10.3174/ajnr.A5543

1、什么是機(jī)器學(xué)習(xí)？

機(jī)器學(xué)習(xí)包含的內(nèi)容很廣泛，不僅包括深度學(xué)習(xí)，本文下面將要介紹的方法也包含在內(nèi)。其中的很多方法，你可能已經(jīng)在經(jīng)典的統(tǒng)計(jì)學(xué)（statistics）中聽(tīng)說(shuō)過(guò)甚至比較熟悉，比如線性回歸（linear regression）。雖然機(jī)器學(xué)習(xí)“建立在統(tǒng)計(jì)學(xué)的基礎(chǔ)之上，并且在多年的發(fā)展過(guò)程中，吸收了它的許多方法和技術(shù)”（Max Welling，2015），但機(jī)器學(xué)習(xí)的一個(gè)重點(diǎn)在于泛化能力（generalization），即通過(guò)訓(xùn)練一個(gè)計(jì)算模型（computational model）找到數(shù)據(jù)中潛在的模式（pattern），并采用這個(gè)模式來(lái)對(duì)該模型所未見(jiàn)過(guò)的、具有相似或相同特點(diǎn)的數(shù)據(jù)進(jìn)行預(yù)測(cè)。在這里，需要找到“過(guò)擬合”（overfitting，擬合得到的模型過(guò)于復(fù)雜，以至于只能用于訓(xùn)練它的數(shù)據(jù)）和“欠擬合”（underfitting，擬合得到的模型過(guò)于過(guò)于簡(jiǎn)單，以至于即使用在訓(xùn)練它的數(shù)據(jù)上的結(jié)果也很差）之間的平衡點(diǎn)，目標(biāo)是使用于新數(shù)據(jù)時(shí)兼具高靈敏度（sensitivity）和高特異度（specificity）。為了達(dá)到這個(gè)目標(biāo)，通常會(huì)將數(shù)據(jù)分成幾組：首先，在一組數(shù)據(jù)上訓(xùn)練模型參數(shù)，然后，在另一組數(shù)據(jù)中評(píng)估該模型以選擇最佳模型參數(shù)，最后，在第三組數(shù)據(jù)中測(cè)試它。有時(shí)，也會(huì)把具有統(tǒng)計(jì)基礎(chǔ)的機(jī)器學(xué)習(xí)方法稱(chēng)作“統(tǒng)計(jì)學(xué)習(xí)”（statistical learning）。Introduction to statistical learning 和 The Elements of statistical learning 就是兩本優(yōu)秀的介紹統(tǒng)計(jì)學(xué)習(xí)中重要概念的教科書(shū)。

2、什么是人工智能？有什么不同的地方嗎？

人工智能是一個(gè)高級(jí)的概念性術(shù)語(yǔ)（conceptual term），它描述的是在機(jī)器中模仿“自然智能”（natural intelligence）的運(yùn)動(dòng)。 機(jī)器學(xué)習(xí)被認(rèn)為是一組可以使機(jī)器更加“智能”的統(tǒng)計(jì)工具。

3、機(jī)器學(xué)習(xí)中有哪些方法？

應(yīng)用于神經(jīng)成像的最流行的機(jī)器學(xué)習(xí)技術(shù)可以分為兩大類(lèi)：有監(jiān)督（supervised）和無(wú)監(jiān)督（unsupervised）學(xué)習(xí)。有監(jiān)督學(xué)習(xí)需要被標(biāo)記的數(shù)據(jù)（labelled data，例如已被標(biāo)記或分類(lèi)的數(shù)據(jù)），而無(wú)監(jiān)督方法則是檢測(cè)未標(biāo)記數(shù)據(jù)中的模式。不同的機(jī)器學(xué)習(xí)方法在其復(fù)雜性方面也有所不同。這兩種類(lèi)型的機(jī)器學(xué)習(xí)方法都可以從相當(dāng)簡(jiǎn)單的線性模型到更復(fù)雜的非線性算法。模型越復(fù)雜，所需的計(jì)算能力（computational power）就越強(qiáng)。

雖然機(jī)器學(xué)習(xí)已經(jīng)存在了很長(zhǎng)時(shí)間，但最近受到越來(lái)越多的重視。在 Vince Calhoun 的 OHBM OnDemand 視頻中（6分30秒處），他解釋了原因：這不僅是因?yàn)橛性絹?lái)越多的數(shù)據(jù)可用，也是因?yàn)橛?jì)算能力有了巨大的提高（不過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)有時(shí)仍然需要數(shù)周時(shí)間）以及在開(kāi)源工具中開(kāi)發(fā)和實(shí)現(xiàn)的更好的算法。

下面我們將討論有監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)的一些重要方法。我們還將討論一些腦成像研究中獨(dú)有的方法，如多體素模式分析（multivoxel pattern analysis，MVPA）。

3.1 有監(jiān)督學(xué)習(xí)

正如 Christophe Phillips 在 OHBM 2017 關(guān)于模式識(shí)別的課程（4分34秒處）中所描述的，有監(jiān)督學(xué)習(xí)的思路是通過(guò)訓(xùn)練，找到已觀測(cè)數(shù)據(jù)（如fMRI圖像）和解釋變量（explanatory variable）之間的映射（mapping），這個(gè)解釋變量可能是被試的疾病標(biāo)簽或認(rèn)知評(píng)分。然后，我們可以使用新的、未標(biāo)記的受試者并預(yù)測(cè)他們的疾病類(lèi)型或認(rèn)知評(píng)分。

Christophe進(jìn)一步解釋?zhuān)?分10秒處），有監(jiān)督的機(jī)器學(xué)習(xí)問(wèn)題可以進(jìn)一步細(xì)分為離散的分類(lèi)預(yù)測(cè)（discrete classification prediction）以及連續(xù)的或回歸預(yù)測(cè)（continuous, or regression, predictions）。無(wú)論采用哪種方式，有監(jiān)督學(xué)習(xí)（10:50分鐘處）最終依賴(lài)于輸入和目標(biāo)變量之間的映射函數(shù)、該函數(shù)的形狀以及其參數(shù)的優(yōu)化。 以下是一些常用的算法。

3.1.1 線性回歸（linear regression）

作為一種經(jīng)典的統(tǒng)計(jì)技術(shù)，線性回歸已經(jīng)為大多數(shù)人所熟悉。然而，這種歷史悠久的方法已經(jīng)重新煥發(fā)生機(jī)，成為一種有監(jiān)督學(xué)習(xí)方法。我們可以將線性回歸視為一種預(yù)測(cè)技術(shù)，它使用一個(gè)或多個(gè)特征來(lái)預(yù)測(cè)一個(gè)具有連續(xù)值的響應(yīng)（response，7:35分鐘處）。將線性回歸作為標(biāo)準(zhǔn)統(tǒng)計(jì)工具或機(jī)器學(xué)習(xí)工具使用，這兩者之間的主要區(qū)別在于，在機(jī)器學(xué)習(xí)中，我們會(huì)測(cè)試線性模型對(duì)未見(jiàn)過(guò)的數(shù)據(jù)的預(yù)測(cè)能力（predictive power），而這些數(shù)據(jù)對(duì)該模型的訓(xùn)練沒(méi)有貢獻(xiàn)。

3.1.2 邏輯回歸（logistic regression）

本質(zhì)上，邏輯回歸背后的理念與線性回歸完全相同。唯一的區(qū)別是由數(shù)據(jù)中擬合出的映射函數(shù)。在線性回歸中，我們擬合出的是一條直線（line），或者在n維空間中對(duì)它進(jìn)行一些推廣，即平面（plane）或超平面（hyperplane），而在邏輯回歸中，擬合出的是邏輯函數(shù)（logistic function）。該函數(shù)是一個(gè)“S形”的曲線。邏輯函數(shù)具有非常好的有界性（通常將這些邊界設(shè)置為0和1），因此，可用于表示概率。 通過(guò)設(shè)置閾值（cut-off），通常是一半，可以使用邏輯回歸對(duì)我們的樣本（sample）進(jìn)行分類(lèi)，例如，劃分為患者組和對(duì)照組。

3.1.3 支持向量機(jī)（support vector machine，SVM）

支持向量機(jī)（SVM）是一種分類(lèi)算法，其目的是在數(shù)據(jù)點(diǎn)集之間劃出一條決策（或分類(lèi)）邊界，以便最大化不同數(shù)據(jù)集合之間的“分離”（或間隔，margin）。雖然這聽(tīng)起來(lái)相當(dāng)簡(jiǎn)單，但通常情況是，數(shù)據(jù)點(diǎn)不容易通過(guò)直線或平面分離，例如，一個(gè)圓嵌入另一個(gè)圓的情形。kernel SVM 則使用“核”（kernel）將數(shù)據(jù)轉(zhuǎn)換到另一個(gè)空間，在這個(gè)空間中可以更容易地將兩類(lèi)的樣本點(diǎn)分開(kāi)。Christophe 在他的講座中描述了核和SVM（從17:00開(kāi)始）。除此之外，SVM中還有一些其他參數(shù)，例如正則化（regularization）參數(shù)，gamma 和間隔，這些參數(shù)對(duì)于定義分類(lèi)超平面對(duì)訓(xùn)練數(shù)據(jù)的分離程度非常重要。有關(guān)SVM的更一般性的討論，下面這篇文章在解釋基礎(chǔ)知識(shí)方面做得很好：

https:///machine-learning-101/chapter-2-svm-support-vector-machine-theory-f0812effc72

3.1.4 深度學(xué)習(xí)（deep learning）

深度學(xué)習(xí)是目前最受關(guān)注的機(jī)器學(xué)習(xí)算法類(lèi)別之一，也是最能夠使公眾興奮的算法。雖然它被廣泛地宣傳，但深度學(xué)習(xí)模型通常被視為黑盒子，因?yàn)椴还苁菑姆治鼋嵌?，還是從直覺(jué)角度，它的輸入-輸出映射都讓人難以琢磨。在 Vince Calhoun 的關(guān)于深度學(xué)習(xí)方法的 OHBM 教育講座中，他解釋說(shuō)，深度學(xué)習(xí)的基礎(chǔ)在于人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）。實(shí)際上，盡管近年來(lái)越來(lái)越流行，但神經(jīng)網(wǎng)絡(luò)建?？梢宰匪莸?0世紀(jì)50年代，當(dāng)時(shí)，人們對(duì)創(chuàng)建生物神經(jīng)元的數(shù)學(xué)模型很感興趣（Hassabis 等人在2017年的一篇文章激發(fā)了關(guān)于神經(jīng)科學(xué)與人工智能之間關(guān)系的討論）。這種神經(jīng)元模型被稱(chēng)為感知器（perceptron）。最基本的神經(jīng)網(wǎng)絡(luò)類(lèi)型是多層感知器（multilayer perceptron，MLP），其中，人工神經(jīng)元（感知器）以層級(jí)結(jié)構(gòu)進(jìn)行排布。輸入信息在神經(jīng)網(wǎng)絡(luò)中逐層傳播：首先，通過(guò)每個(gè)節(jié)點(diǎn)中的激活函數(shù)（activation function）傳播，然后通過(guò)連接（權(quán)重，weight）依次向后傳播到后續(xù)的各層。深度學(xué)習(xí)的“深度”是指隱藏層的數(shù)量更多，隱藏層即神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層之間的層。近年來(lái)，計(jì)算機(jī)技術(shù)的進(jìn)步使得訓(xùn)練更深度的網(wǎng)絡(luò)成為可能。Vince 描述的深度神經(jīng)網(wǎng)絡(luò)有受限玻爾茲曼機(jī)（Restricted Boltzmann Machines，7:10分鐘處）、深度信念網(wǎng)絡(luò)（deep belief network，8:20分鐘處）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，16:35分鐘處）等。

圖片來(lái)自 Deep Learning in Neuroradiology，American Journal of Neuroradiology October 2018, 39 (10) 1776-1784; DOI: https:///10.3174/ajnr.A5543

與其它有監(jiān)督學(xué)習(xí)算法一樣，深度學(xué)習(xí)需要訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。此外，擁有的層越多，通常需要的（已標(biāo)記的）數(shù)據(jù)和計(jì)算資源就越多。實(shí)際上，一旦計(jì)算能力提高到深度網(wǎng)絡(luò)可行的程度，特別是在圖形處理單元（graphical processing unit，GPU）可用之后，深度學(xué)習(xí)就越來(lái)越受歡迎，而 GPU 等硬件芯片最初是為加速處理數(shù)字視頻和圖形渲染而開(kāi)發(fā)的（3:10分鐘處）。

圖片來(lái)自 Deep Learning in Neuroradiology，American Journal of Neuroradiology October 2018, 39 (10) 1776-1784; DOI: https:///10.3174/ajnr.A5543

3.1.5 多體素模式分析（MVPA）

在結(jié)構(gòu)和功能MRI數(shù)據(jù)的經(jīng)典分析方法中，即一般線性模型（general linear model，GLM）的應(yīng)用中，每個(gè)體素是被分開(kāi)考慮的。由于它采用線性方程，所以，該方法在數(shù)學(xué)上是簡(jiǎn)潔和易處理的。然而，這種“大量單變量分析”（massive univariate）方法忽略了體素之間的相互依賴(lài)性（參見(jiàn) Robert Cox 在4:16分鐘處談?wù)?fMRI 分析方法，以及Mike Pratt在0:35分鐘處的討論）。考慮到腦的動(dòng)態(tài)活動(dòng)往往牽涉到整個(gè)腦的網(wǎng)絡(luò)，單個(gè)體素的獨(dú)立性假設(shè)是有爭(zhēng)議的。為了解決這個(gè)問(wèn)題，一類(lèi)更新的統(tǒng)計(jì)模型——多體素模式分析（MVPA）被引入進(jìn)來(lái)，以解釋大腦中多個(gè)體素的聯(lián)合貢獻(xiàn)對(duì)于感興趣的現(xiàn)象的影響（參見(jiàn) Janaina Mour?o-Miranda在6:08分的講話）。也就是說(shuō)，MVPA描述了一類(lèi)模式識(shí)別（pattern recognition）技術(shù)，這些技術(shù)在 Mike Pratt 關(guān)于 MVPA 的演講（3分33秒處）以及專(zhuān)注于 MVPA 的 OHMB 2017 會(huì)議中有展示。

MVPA 借鑒了機(jī)器學(xué)習(xí)中常用的算法策略。首先，將數(shù)據(jù)分成訓(xùn)練集和測(cè)試集。然后，采用訓(xùn)練集數(shù)據(jù)和分類(lèi)器（classifier，例如，SVM）對(duì)模型進(jìn)行訓(xùn)練，以區(qū)分對(duì)應(yīng)于不同實(shí)驗(yàn)條件（experiment conditions）的多體素模式，并在測(cè)試集上對(duì)該模型進(jìn)行驗(yàn)證（validation）。上述驗(yàn)證是通過(guò)將多體素測(cè)試集數(shù)據(jù)輸入到訓(xùn)練模型中，來(lái)預(yù)測(cè)其所處的實(shí)驗(yàn)條件，這經(jīng)常被稱(chēng)為解碼（decoding，參見(jiàn) Bertrand Thirion 在5分38秒以及 Mike Pratt 在8:04分鐘處的演講）。在解碼中，我們?cè)噲D從多尺度神經(jīng)過(guò)程（multiscale neural process）中預(yù)測(cè)其所代表的內(nèi)容，例如感知或認(rèn)知狀態(tài)等，這些狀態(tài)在多數(shù)情況下是由實(shí)驗(yàn)條件誘導(dǎo)出的（Pratt在11:55分鐘處的講話）。分類(lèi)器可以是線性的或非線性的，不過(guò)，每種都有其自身的局限性。線性分類(lèi)器（例如，線性判別分析，linear discrimination analysis，LDA）被認(rèn)為更容易訓(xùn)練和解釋?zhuān)欢?，它們的靈敏度取決于每個(gè)體素在觀察到的模式中的貢獻(xiàn)（參見(jiàn) Jo Etzel 在18:00分鐘處的講話）。盡管非線性分類(lèi)器（例如，人工神經(jīng)網(wǎng)絡(luò)，參見(jiàn)Vince Calhoun 的演講）能夠在體素模式之間找到更復(fù)雜的關(guān)系，但它們需要在大型數(shù)據(jù)集上進(jìn)行訓(xùn)練。

MVPA 這個(gè)術(shù)語(yǔ)是由Norman、Polyn、Detre和Haxby于2006年提出的，他們當(dāng)時(shí)是在 fMRI 數(shù)據(jù)分析的框架內(nèi)引入了它。 不過(guò)，考慮到該術(shù)語(yǔ)的更廣泛定義，MVPA 所涵蓋的大多數(shù)方法不僅限于 fMRI ，也同樣可以應(yīng)用于結(jié)構(gòu)成像。

3.2 無(wú)監(jiān)督學(xué)習(xí)

在有監(jiān)督學(xué)習(xí)中，除了輸入數(shù)據(jù)（例如，fMRI圖像）之外，我們還需要輸出，其可以是標(biāo)簽（例如健康與疾?。┗蚍?jǐn)?shù)（某種認(rèn)知或行為學(xué)得分）。然而，很多情況下，我們要么沒(méi)有合適的標(biāo)簽，要么所擁有的標(biāo)簽不可靠，例如在精神病學(xué)成像中。 在這種情況下，無(wú)監(jiān)督的機(jī)器學(xué)習(xí)方法打開(kāi)了一扇新的大門(mén)。

3.2.1 聚類(lèi)（clustering）

在腦成像研究中，無(wú)監(jiān)督聚類(lèi)技術(shù)最為人所知的應(yīng)用是腦區(qū)分割（brain parcellation）。 腦區(qū)分割不是一個(gè)新問(wèn)題，也不一定要涉及機(jī)器學(xué)習(xí)。 所有神經(jīng)影像學(xué)家都聽(tīng)說(shuō)過(guò)19世紀(jì)的神經(jīng)解剖學(xué)家 Korbinian Brodmann 根據(jù)細(xì)胞結(jié)構(gòu)（cytoarchitecture）標(biāo)記了大腦區(qū)域，這是最原始的腦分區(qū)方法。正如 Simon Eickhoff 在去年的主題演講中解釋的那樣，細(xì)胞結(jié)構(gòu)不是分割大腦的唯一特征，還有其它一些，如受體結(jié)構(gòu)（receptor architecture）、皮質(zhì)髓鞘結(jié)構(gòu)（cortical myelin structure）和連接結(jié)構(gòu)（connectivity structure）。

無(wú)監(jiān)督聚類(lèi)方法比較理想的應(yīng)用場(chǎng)景是，當(dāng)我們已經(jīng)知道觀測(cè)到的數(shù)據(jù)中存在與感興趣特征相關(guān)的差異，而我們想要根據(jù)這些特征自動(dòng)對(duì)腦區(qū)域進(jìn)行分組。最簡(jiǎn)單、也可能是最廣泛使用的技術(shù)是k均值聚類(lèi)（k-means clustering）。在腦成像研究中，可以通過(guò)在感興趣的區(qū)域中創(chuàng)建每個(gè)體素的特征向量來(lái)完成，例如，結(jié)構(gòu)或功能連接信息。 我們可以將這些體素視為n維特征空間中的點(diǎn)。k-means 算法嘗試最大化組內(nèi)相似性（similarity）。不幸的是，k均值聚類(lèi)需要有分組數(shù)量（k）這一先驗(yàn)知識(shí)（盡管已經(jīng)有一些迭代技術(shù)試圖確定k的數(shù)量）。

其他聚類(lèi)方法，例如層次聚類(lèi)（hierarchical clustering）或譜聚類(lèi)（spectral clustering），基本思想相同，都是將數(shù)據(jù)（在這種情況下是腦體素）分割成多個(gè)離散的組，但假設(shè)或技巧略微不同。例如，層次聚類(lèi)假設(shè)數(shù)據(jù)具有層次結(jié)構(gòu)，也就是說(shuō)可以將整體的腦數(shù)據(jù)分成兩組，而每組又可以繼續(xù)分成兩組，直到我們達(dá)到單個(gè)體素的水平。當(dāng)然，也可以從單個(gè)體素開(kāi)始，自底向上進(jìn)行聚合，直到將所有體素都包括進(jìn)同一組中。另一方面，譜聚類(lèi)還有一個(gè)額外的步驟（譜變換），它允許忽略比較微弱的相似性。Sarah Genon 在她的教育課程講座中描述了如何使用擴(kuò)散MRI數(shù)據(jù)進(jìn)行此類(lèi)分析。

3.2.2 拉普拉斯算子特征映射/擴(kuò)散嵌入（Laplacian EigenMaps / Diffusion Embedding）

有時(shí)，你可能對(duì)將體素分組為固定數(shù)量的幾塊（parcel）不感興趣，而是根據(jù)感興趣的特征探索感興趣區(qū)域（region of interest）中體素的關(guān)系。Daniel Margulies 在他的教育演講中描述了可用于研究腦連接圖（connectopies）或連通圖（connectivity maps）的技術(shù)。最初的方法類(lèi)似于上面描述的方法，即為大腦中的每個(gè)體素創(chuàng)建一個(gè)特征向量。然后，使用相似性度量將這些特征相互比較以創(chuàng)建相似性矩陣。然后，分解該矩陣并獲得新的矢量，該矢量可以描述感興趣區(qū)域或整個(gè)腦的相似性的主要梯度（primary gradient）。Daniel 的主題演講描述了如何使用這類(lèi)分析來(lái)闡明宏觀皮層連接的原理。

3.3 關(guān)聯(lián)模型（associative model）

關(guān)聯(lián)模型，例如偏最小二乘法（partial least square，PLS）或典型相關(guān)分析（canonical correlation analysis，CCA），并不完全是有監(jiān)督或無(wú)監(jiān)督的學(xué)習(xí)方法。在有監(jiān)督學(xué)習(xí)中，我們通常具有多變量輸入（例如，腦圖像）和單變量輸出（標(biāo)簽）。在無(wú)監(jiān)督學(xué)習(xí)中，我們只有一組多變量輸入數(shù)據(jù)，例如，用于大腦分割的連接信息。在PLS或CCA中，我們想要發(fā)現(xiàn)兩組多變量輸入之間的關(guān)系或關(guān)聯(lián)（例如，腦圖像與行為學(xué)/臨床評(píng)分之間）。

正如 Janaina Mourao-Miranda 在她的視頻中解釋的那樣（2分25秒處），精神疾病的標(biāo)簽往往不可靠。為了解決這個(gè)問(wèn)題，她使用關(guān)聯(lián)模型（例如，PLS），試圖找到與多變量臨床和行為數(shù)據(jù)的線性組合具有最強(qiáng)相關(guān)性的神經(jīng)影像因素的線性組合。這種方法提供了一種數(shù)據(jù)驅(qū)動(dòng)的方式來(lái)生成標(biāo)簽，可能會(huì)為臨床條件提供新的視角。

也可以對(duì)關(guān)聯(lián)模型進(jìn)行顯著性檢驗(yàn)以進(jìn)行推斷（inference）。Valeria Kebets描述了（11:20分鐘處）如何執(zhí)行置換檢驗(yàn)（permutation test）以確定哪些成分是顯著的，如何確定成分是否在組之間表達(dá)不同，最后，哪些變量在驅(qū)動(dòng)所提取的成分。Janaina 還詳細(xì)介紹了（16:50分鐘處）她的團(tuán)隊(duì)如何在PLS分析中應(yīng)用多重交叉驗(yàn)證框架（multiple hold-out validation framework）。

4 將機(jī)器學(xué)習(xí)方法應(yīng)用于腦成像研究時(shí)，有哪些因素需要考慮？

正如前面所探討的那樣，機(jī)器學(xué)習(xí)技術(shù)在很多方面為腦成像研究打開(kāi)了大門(mén)。它們可以幫助我們進(jìn)行依賴(lài)于復(fù)雜交互的預(yù)測(cè)，幫助查找我們之前未發(fā)現(xiàn)的數(shù)據(jù)模式，并自動(dòng)執(zhí)行耗時(shí)的手動(dòng)任務(wù)，例如分割（segmentation）。但是，這種方法的不足或缺陷也必須同時(shí)考慮。首先，更復(fù)雜和更強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù)需要大型數(shù)據(jù)集。在Andrew Doyle的視頻中，他（25:30分鐘處）討論了腦成像領(lǐng)域的應(yīng)用與經(jīng)典圖像處理問(wèn)題的區(qū)別：腦成像數(shù)據(jù)通常是非常大且高維的數(shù)據(jù)，但樣本量相對(duì)較小。較小的樣本量，對(duì)于一些應(yīng)用（例如圖像分割或 MVPA）可能不是大問(wèn)題，但對(duì)于其他應(yīng)用（例如患者分類(lèi)），卻是非常大的問(wèn)題。Arbabshirani 等人最近的一篇出版物探討了從腦成像數(shù)據(jù)進(jìn)行個(gè)體標(biāo)簽的預(yù)測(cè)具有挑戰(zhàn)性的原因。Varoquaux（2018）的另一篇論文側(cè)重于小樣本量模型交叉驗(yàn)證所面對(duì)的挑戰(zhàn)。

當(dāng)然，數(shù)據(jù)越嘈雜，需要的數(shù)據(jù)量也就越多。腦成像數(shù)據(jù)被認(rèn)為是很嘈雜的。此外，如果不能提供可靠的標(biāo)簽，即使是最好的有監(jiān)督學(xué)習(xí)算法也將無(wú)法成功。另一個(gè)問(wèn)題，特別是對(duì)于諸如深度學(xué)習(xí)等更復(fù)雜的方法，是如何評(píng)估所得模型的生物學(xué)意義（biological meaning）。最近的研究進(jìn)展已經(jīng)可以使我們更好地理解和評(píng)估深層網(wǎng)絡(luò)中實(shí)際發(fā)生的事情。然而，由此產(chǎn)生的模型可能無(wú)法告訴我們有關(guān)生物學(xué)或病理學(xué)機(jī)制的任何信息，甚至可能這些模型僅僅代表了訓(xùn)練數(shù)據(jù)中存在的偏差（bias），這會(huì)限制它們對(duì)其他數(shù)據(jù)的適用性。例如，今年的 replication award 頒給了一項(xiàng)研究，該研究表明某些已發(fā)表的模型缺乏普適性。

在完全解決這些問(wèn)題之前，作為研究人員，我們所能做的最好的事情就是了解我們正在使用的算法及其局限性。這樣我們就可以選擇最合適的技術(shù)，嚴(yán)格應(yīng)用于合適的樣本量并且避免過(guò)擬合。幸運(yùn)的是，有大量關(guān)于機(jī)器學(xué)習(xí)技術(shù)的在線資源，包括教科書(shū)（例如Bishop，2006），Andrew Ng的著名的關(guān)于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的Coursera課程，以及在線博客和論壇等。來(lái)自MRI社區(qū)的大量論文提供了用于腦成像的機(jī)器學(xué)習(xí)工具的概述，或者更具體的示例，例如機(jī)器學(xué)習(xí)如何塑造認(rèn)知神經(jīng)成像以及如何將機(jī)器學(xué)習(xí)分類(lèi)器用于fMRI數(shù)據(jù)等。OHBM OnDemand 上擁有大量的教育課程視頻和關(guān)于腦成像的機(jī)器學(xué)習(xí)應(yīng)用的討論，并且我們也期待今年在羅馬的OHBM 上有更多的令人興奮的教育和研討會(huì)討論在腦成像研究中使用機(jī)器學(xué)習(xí)技術(shù)。