Page 116 - 《软件学报》2024年第4期

1694 软件学报 2024 年第 35 卷第 4 期

进的性能.
• 分类
在脑结构影像的分类任务中, NAS 可以通过自动的方式搜索最优的神经网络结构和参数组合来提高基于
脑影像的分类性能. 通过分类可以对脑结构的相关病变进行诊断和预测, 是脑结构数据分析中的一个重要环
节. 在设计用于脑结构数据分类的网络模型中, 基于 NAS 搜索后的深层神经网络结构, 可以充分挖掘脑结构
影像数据中的特征, 提高分类准确率, 为临床疾病分类和分级提供重要支持. 目前, 在该领域研究中, 为提升
分类诊断速度, 大多围绕微观空间, 以梯度下降的搜索策略开展研究.
目前, 在脑结构影像分类任务中, NAS 主要用于脑肿瘤的评估. 该研究的开展将帮助在医疗落后地区缺
乏专业人员的情况下, 也能够准确地从 sMRI 图像中诊断脑肿瘤并评估其严重程度. 例如, Chitnis 等人 [61] 提出
了一种叫做 Learning-by-Self-Explanation (LeaSE)的 NAS 方法, 通过一个解释模型和一个听众模型, 自动搜索
高性能的神经网络结构, 以便从 MRI 图像中准确地分类脑肿瘤. 其中, 解释模型通过鼓励神经网络生成预测
结果的高保真解释来搜索高性能架构, 而听众模型用于评估解释的保真度. 在胶质瘤、脑膜瘤、垂体瘤和健
康脑的四分类任务实验中, LeaSE 模型在 375 万个参数的情况下达到了 90.6%的准确度, 相较人工设计的算法
模型, 分类准确率提升了 6%, 参数下降了 90%. 该实验结果表明, 基于 NAS 的方法可为医生提供辅助诊断的
技术支持.
3.3 基于NAS的脑数据分析研究中搜索策略与搜索空间的设置
目前, 基于 NAS 的脑数据分析研究中, 研究人员大多以研究目的和研究数据为根据, 选择合适的 NAS 搜
索策略和搜索空间.
在搜索策略方面, 针对脑功能的早期分析研究大多采用进化搜索或强化学习的方式开展研究 [22,25−27,31−33] .
随着 NAS 在脑数据分析中的不断发展, 越来越多的研究采用基于梯度的搜索策略, 从而实现快速情感识
别 [28−30] 或辅助诊断 [9,24] . 由于基于 NAS 针对脑结构的数据分析研究更倾向于快速辅助诊断和分割, 因此, 研
究人员更易选择基于梯度的搜索策略开展研究 [5,6,45,47,49−57,60,61] .
在搜索空间方面, 由于针对脑功能数据的特征提取往往需要可解释的神经网络结构, 建立与脑功能网络
之间层次性、时-空性等特性之间的关联关系, 因此, 研究人员更倾向于在宏观搜索空间中开展研究 [22,31−33,35] .
而在分类任务相关的辅助诊断 [3,28,29,61] 、图像重建 [6,47] 等研究中, 研究者常常并不关注于神经网络的具体结构,
因此大多采用效率更高的微观搜索空间开展研究. 此外, 在图像分割领域, 研究人员更希望从多尺度的角度
实现对病灶的多层级分割, 因此更倾向于选择微观与宏观搜索空间相结合的方式开展研究 [50,52−54,58,59] .
事实上, 虽然不同的搜索策略与搜索空间可以相互组合, 但从目前的研究来看, 搜索空间与搜索策略是
密不可分的, 二者具有相辅相成的作用. 为了使神经网络结构的搜索过程更加直观、简单, 搜索的结果更加易
于解释, 研究人员倾向于采用宏观搜索空间与进化算法或强化学习方法相结合的方式 [22,25−27,32,46,48] ; 当研究
人员更关注于搜索过程的效率和辅助诊断或分割的结果、不关注神经网络结构搜索结果的可解释性时, 更倾
向于采用微观搜索空间与梯度搜索方法相结合的方式开展研究 [6,10,21,34,49,51,56,57,60,61] . 理想情况下, 为了能够全
面地搜索到更加完善的神经网络结构, 微观搜索空间和宏观搜索空间可以进行联合优化, 并辅以多种联合搜
索策略. 然而, 搜索空间的扩大必将引入更多的参数, 从而导致参数量与数据不平衡的问题. 由于脑功能数据
采集较为困难, 使得基于 NAS 的脑功能数据分析中采用微观与宏观搜索空间结合的研究相对较少 [24,30] . 而
sMRI 等脑结构数据采集技术由于在医疗领域具有更为广泛的应用, 使得数据更易扩充,诊断金标准更易获取.
因此, 在基于 NAS 的脑结构数据分析中, 可以考虑不同空间联合优化搜索 [45,50,52−54] , 甚至不同搜索策略联合
搜索的方式 [58,59] .
4 常用公开数据集及实验设置

近年来, 神经网络结构搜索及优化问题在脑科学研究领域备受关注, 但对相关算法的评估需要考虑到其
所使用的数据集和在算法训练与测试过程中的实验设置. 由于 NAS 需要大量的训练数据以实现最优深度神经