Videnskabelig snebold:Dyb læringspapir skaber stort online samarbejde

Bioinformatikprofessorerne Anthony Gitter og Casey Greene gik i sommer 2016 i gang med at skrive et oplæg om biomedicinske applikationer til dyb læring, et varmt nyt kunstigt intelligensfelt, der stræber efter at efterligne den menneskelige hjernes neurale netværk.

De færdiggjorde papiret, men udløste også en spændende sag om akademisk crowdsourcing. I dag, papiret er massivt skrevet og revideret ved hjælp af mere end 40 online -samarbejdspartnere, hvoraf de fleste bidrog nok til at blive medforfattere.

Den opdaterede undersøgelse, "Muligheder og forhindringer for dyb læring inden for biologi og medicin, "blev offentliggjort den 4. 2018 i Journal of the Royal Society Interface .

Gitter, fra Morgridge Institute for Research og University of Wisconsin-Madison; og Greene, fra University of Pennsylvania; begge arbejder i anvendelsen af ​​beregningsværktøjer til at løse store udfordringer inden for sundhed og biologi. De ville se, hvor dyb læring gør en forskel, og hvor det uudnyttede potentiale ligger i den biomedicinske verden.

Gitter sammenlignede processen med, hvordan open source -softwarefællesskabet fungerer.

"Vi anvender dybest set en softwareteknisk tilgang til at skrive et videnskabeligt papir, "siger han." Vi bruger GitHub -webstedet som vores primære skriveplatform, som er det mest populære sted online for folk at samarbejde om at skrive kode. "

Tilføjer Gitter:"Vi har også taget softwareteknisk mentalitet i at få et stort team af mennesker til at arbejde sammen om et produkt, og koordinere, hvad der skal gøres derefter. "

De nye forfattere gav ofte eksempler på, hvor dyb læring påvirker deres videnskabshjørne. For eksempel, Gitter siger, at en forsker bidrog med et afsnit om kryo-elektronmikroskopi, et nyt must-have-værktøj til biologisk billeddannelse, det er ved hjælp af deep learning -teknikker. Andre omskrev dele for at gøre det mere tilgængeligt for ikke-biologer eller gav etisk baggrund om privatlivets fred for medicinske data.

Deep learning er en del af en bredere familie af maskinlæringsværktøjer, der har skabt gennembrud i de seneste år. Det bruger strukturen af ​​neurale netværk til at indføre input i flere lag for at træne algoritmen. Det kan bygge måder at identificere og beskrive tilbagevendende funktioner i data, samtidig med at man kan forudsige nogle output. Deep learning kan også fungere i tilstanden "uden opsyn", hvor den kan forklare eller identificere interessante mønstre i data uden at blive dirigeret.

Et berømt eksempel på uovervåget dyb læring er, da et Google-produceret neuralt netværk identificerede, at de tre vigtigste komponenter i online-videoer var ansigter, fodgængere og katte - uden at få besked på at kigge efter dem.

Deep learning har transformeret programmer som ansigtsgenkendelse, talemønstre og sprogoversættelse. Blandt snesevis af smarte applikationer er et program, der lærer de kendte kunstneriske karaktertræk at kende, og derefter forvandler hverdagsbilleder til en Van Gogh, Picasso eller Monet.

Greene siger, at dyb læring endnu ikke har afsløret de "skjulte katte" i sundhedsdata, men der er nogle lovende udviklinger. Flere undersøgelser anvender dyb læring til bedre at kategorisere brystkræftpatienter efter sygdomstype og mest fordelagtige behandlingsmulighed. Et andet program er uddannelse af dyb læring om enorme naturlige billeddatabaser for at kunne diagnosticere diabetisk retinopati og melanom. Disse applikationer overgik nogle af de mest avancerede værktøjer.

Dyb læring bidrager også til bedre klinisk beslutningstagning, forbedring af succesraterne i kliniske forsøg og værktøjer, der bedre kan forudsige toksiciteten af ​​nye lægemiddelkandidater.

"Dyb læring forsøger at integrere ting og forudsige, hvem der kan have risiko for at udvikle visse sygdomme, og hvordan vi kan prøve at omgå dem tidligt, "Gitter siger." Vi kunne identificere, hvem der har brug for mere screening eller test. Vi kunne gøre dette i en forebyggende, fremadrettet tankegang. Det er her, mine medforfattere og jeg er begejstrede. Vi føler, at den potentielle gevinst er så stor, selvom den nuværende teknologi ikke kan opfylde disse høje mål. "