Page 121 - 《软件学报》2024年第4期

李晴 等: 神经网络结构搜索在脑数据分析领域的研究进展 1699

尽管目前的研究已经取得了一定成果, 但仍面临很多挑战. 对此, 本文从数据库建立、算法设置、研究目
的这 3 个方面, 进一步探究和梳理未来的可行研究思路.
• 在数据库建立方面
由于 NAS 在进行深层神经网络结构的搜索优化时需要大量数据进行训练, 因此, 数据质量、数量均会影
响该领域的发展. 未来可以从两个方面考虑: 建立数据完备、个体一致性强的脑数据库. 当前常用的公开数据
集一般只包含单个模态或包含其中部分被试的多模态数据, 无法构建模态完备的多模态数据库, 使得研究人
员难以从多个维度对被试的脑数据进行系统分析. 未来可基于 fMRI, sMRI, dfMRI, EEG, MEG 等多种无辐射
的安全脑数据采集技术建立多模态数据库; 另一方面, 目前的大规模数据库一般由多个地区的多所单位共同
采集构建而成, 多个站点的采集设备、采集序列具有一定差异, 这可能会导致站点差异性, 从而影响组分析和
个体异质性分析结果. 因此, 未来可考虑采集更多旅行被试脑数据, 即在多个站点采集同一被试的脑数据, 为
面向个体的脑数据分析提供基础, 从而实现多模态 NAS 在脑功能和结构方面的综合应用研究.
• 在算法设置方面
脑科学尚存在诸多研究问题未揭开答案, 需要继续利用 NAS 等自动化机器学习算法, 开展脑数据分析方
面的研究. 从现有的研究来看, 在搜索空间方面, 大多数研究扔仅分别考虑宏观搜索空间或微观搜索空间. 未
来可更加关注微观+宏观的搜索空间, 以从整体的角度对神经网络结构进行搜索和优化. 此外, 在实验的结果
验证和评价方面, 现有研究大多根据研究人员的经验或机器学习领域的通用设置来确定评价指标及验证方
式. 未来可进一步根据研究目的、研究数据建立统一标准, 以使得基于 NAS 的脑数据分析研究的对比和评估
具有更加明确的依据.
• 在研究目的方面
当前, 本领域的研究主要集中于将 NAS 算法引入至脑数据分析的研究中, 并进一步根据研究数据和研究
目的进行针对性的算法改进, 以提升 NAS 算法在脑数据分析中性能. 而大脑本身具有的多层次性、脑网络拓
扑结构又与 NAS 算法的框架相契合, 因此, 未来研究人员可将脑数据分析的研究成果反哺于 NAS 算法的构建
中, 以大脑学习、思考、记忆的方式引导 NAS 的搜索方向, 从而提升 NAS 的性能, 以便将自动化机器学习赋
能于更多领域.

References:
[1] Tian JX, Liu GC, Gu SS, et al. Deep learning in medical image analysis and its challenges. Acta Automatica Sinica, 2018, 44(3):
401−424 (in Chinese with English abstract)
[2] Avberšek LK, Repovš G. Deep learning in neuroimaging data analysis: Applications, challenges, and solutions. Frontiers in
Neuroimaging, 2022, 1: 981642.
[3] Li C, Zhang ZZ, Song RC, et al. EEG-based emotion recognition via neural architecture search. IEEE Trans. on Affective
Computing, 2023: 14: 957−968.
[4] Li Q, Dong QL, Ge FF, et al. Simultaneous spatial-temporal decomposition for connectome-scale brain networks by deep sparse
recurrent auto-encoder. Brain Imaging and Behavior, 2021, 15: 2646−2660.
[5] Guo DZ, Jin DK, Zhu ZT, et al. Organ at risk segmentation for head and neck cancer using stratified learning and neural
architecture search. In: Proc. of the IEEE/CVF Conf. on Computer Vision and Pattern Recognition (CVPR). 2020. 4222−4231.
[6] Huang QY, Yang D, Xian YK, et al. Enhanced mri reconstruction network using neural architecture search. In: Proc. of the Int’l
Workshop on Machine Learning in Medical Imaging-Machine Learning in Medical Imaging (MICCAI-MLMI). 2020. 634−643.
[7] Elsken T, Metzen JH, Hutter F. Neural architecture search : A survey. Journal of Machine Learning Research, 2019, 20: 1−21.
[8] Li HY, Wang NN, Zhu MR, et al. Recent advances in neural architecture search: A survey. Ruan Jian Xue Bao/Journal of Software,
2021, 33(1): 129−149 (in Chinese with English abstract). https://www.jos.org.cn/1000-9825/6306.htm [doi:10.13328/j.cnki.jos.
006306]
[9] Liu SF, Ge FF, Zhao L, et al. NAS-optimized topology-preserving transfer learning for differentiating cortical folding patterns.
Medical Image Analysis, 2022, 77: 102316.