Bioinformatica professoren Anthony Gitter en Casey Greene begonnen in de zomer van 2016 om een ​​paper te schrijven over biomedische toepassingen voor deep learning, een heet nieuw veld voor kunstmatige intelligentie dat ernaar streeft de neurale netwerken van het menselijk brein na te bootsen.

Ze voltooiden het papier, maar leidde ook tot een intrigerend geval van academische crowdsourcing. Vandaag, de paper is massaal geschreven en herzien met de hulp van meer dan 40 online medewerkers, van wie de meesten voldoende hebben bijgedragen om co-auteur te worden.

De bijgewerkte studie, "Kansen en obstakels voor diep leren in biologie en geneeskunde, " werd op 4 april gepubliceerd, 2018 in de Tijdschrift van de Royal Society Interface .

Gitter, van het Morgridge Instituut voor Onderzoek en de Universiteit van Wisconsin-Madison; en Groen, van de Universiteit van Pennsylvania; beide werken in de toepassing van computerhulpmiddelen om grote uitdagingen op het gebied van gezondheid en biologie op te lossen. Ze wilden zien waar deep learning het verschil maakte en waar het onbenutte potentieel ligt in de biomedische wereld.

Gitter vergeleek het proces met hoe de open source softwaregemeenschap werkt.

"We gebruiken in feite een software-engineeringbenadering voor het schrijven van een wetenschappelijk artikel, " zegt hij. "We gebruiken de GitHub-website als ons primaire schrijfplatform, dat is de meest populaire plek online voor mensen om samen te werken aan het schrijven van code."

Gitter voegt eraan toe:"We hebben ook de mentaliteit van software-engineering aangenomen om een ​​groot team van mensen samen te laten werken aan één product, en het coördineren van wat er vervolgens moet gebeuren."

De nieuwe auteurs hebben vaak voorbeelden gegeven van hoe diep leren hun deel van de wetenschap beïnvloedt. Bijvoorbeeld, Gitter zegt dat een wetenschapper een sectie heeft bijgedragen over cryo-elektronenmicroscopie, een nieuwe must-have tool voor biologie imaging, dat is het gebruik van deep learning-technieken. Anderen herschreven gedeelten om het toegankelijker te maken voor niet-biologen of gaven ethische achtergronden over de privacy van medische gegevens.

Deep learning maakt deel uit van een bredere familie van machine learning-tools die de afgelopen jaren baanbrekende vooruitgang hebben geboekt. Het gebruikt de structuur van neurale netwerken om invoer in meerdere lagen te voeren om het algoritme te trainen. Het kan manieren bouwen om terugkerende kenmerken in gegevens te identificeren en te beschrijven, terwijl je ook in staat bent om sommige outputs te voorspellen. Deep learning kan ook werken in de "unsupervised" modus, waar het interessante patronen in gegevens kan verklaren of identificeren zonder te worden geleid.

Een beroemd voorbeeld van deep learning zonder toezicht is toen een door Google geproduceerd neuraal netwerk ontdekte dat de drie belangrijkste componenten van online video's gezichten waren, voetgangers en katten - zonder dat hen wordt verteld ze te zoeken.

Deep learning heeft programma's als gezichtsherkenning, spraakpatronen en taalvertaling. Een van de vele slimme toepassingen is een programma dat de kenmerkende artistieke eigenschappen van beroemde schilders leert, en transformeert dan alledaagse foto's in een Van Gogh, Picasso of Monet.

Greene zegt dat deep learning de "verborgen katten" in gezondheidsgegevens nog niet heeft onthuld, maar er zijn enkele veelbelovende ontwikkelingen. Verschillende onderzoeken gebruiken deep learning om borstkankerpatiënten beter te categoriseren op ziektesubtype en meest gunstige behandelingsoptie. Een ander programma is het trainen van deep learning op enorme natuurlijke beelddatabases om diabetische retinopathie en melanoom te kunnen diagnosticeren. Deze toepassingen overtroffen enkele van de meest geavanceerde tools.

Deep learning draagt ​​ook bij aan betere klinische besluitvorming, het verbeteren van de slagingspercentages van klinische proeven, en tools die de toxiciteit van nieuwe kandidaat-geneesmiddelen beter kunnen voorspellen.

"Deep learning probeert dingen te integreren en voorspellingen te doen over wie het risico loopt om bepaalde ziekten te ontwikkelen, en hoe we ze in een vroeg stadium kunnen proberen te omzeilen, " zegt Gitter. "We konden identificeren wie meer screening of testen nodig heeft. We zouden dit preventief kunnen doen, vooruitdenkende manier. Dat is waar mijn co-auteurs en ik enthousiast over zijn. We hebben het gevoel dat de potentiële uitbetaling zo groot is, zelfs als de huidige technologie deze verheven doelen niet kan bereiken."