• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  • Palla di neve accademica:la carta sul deep learning genera una grande collaborazione online

    Credito:CC0 Dominio Pubblico

    I professori di bioinformatica Anthony Gitter e Casey Greene hanno iniziato nell'estate 2016 a scrivere un documento sulle applicazioni biomediche per l'apprendimento profondo, un nuovo campo di intelligenza artificiale che si sforza di imitare le reti neurali del cervello umano.

    Hanno completato il documento, ma ha anche innescato un caso intrigante di crowdsourcing accademico. Oggi, il documento è stato scritto e rivisto in modo massiccio con l'aiuto di oltre 40 collaboratori online, la maggior parte dei quali ha contribuito abbastanza da diventare coautori.

    Lo studio aggiornato, "Opportunità e ostacoli per l'apprendimento profondo in biologia e medicina, " è stato pubblicato il 4 aprile 2018 nel Journal of the Royal Society Interface .

    Gitter, del Morgridge Institute for Research e dell'Università del Wisconsin-Madison; e Greene, dell'Università della Pennsylvania; entrambi lavorano nell'applicazione di strumenti computazionali per risolvere grandi sfide nel campo della salute e della biologia. Volevano vedere dove l'apprendimento profondo stava facendo la differenza e dove risiede il potenziale non sfruttato nel mondo biomedico.

    Gitter ha paragonato il processo al modo in cui funziona la comunità del software open source.

    "Stiamo sostanzialmente adottando un approccio di ingegneria del software per scrivere un documento accademico, " dice. "Stiamo usando il sito web GitHub come nostra piattaforma di scrittura principale, che è il luogo online più popolare in cui le persone possono collaborare alla scrittura del codice."

    Aggiunge Gitter:"Abbiamo anche adottato la mentalità dell'ingegneria del software di far lavorare insieme un grande team di persone su un prodotto, e coordinare ciò che deve essere fatto dopo".

    I nuovi autori hanno spesso fornito esempi di come l'apprendimento profondo stia influenzando il loro angolo di scienza. Per esempio, Gitter afferma che uno scienziato ha contribuito a una sezione sulla microscopia crioelettronica, un nuovo strumento indispensabile per l'imaging biologico, che utilizza tecniche di deep learning. Altri hanno riscritto parti per renderlo più accessibile ai non biologi o hanno fornito informazioni etiche sulla riservatezza dei dati medici.

    Il deep learning fa parte di una famiglia più ampia di strumenti di machine learning che ha fatto passi da gigante negli ultimi anni. Utilizza la struttura delle reti neurali per alimentare gli input in più livelli per addestrare l'algoritmo. Può creare modi per identificare e descrivere caratteristiche ricorrenti nei dati, pur essendo in grado di prevedere alcuni output. Il deep learning può funzionare anche in modalità "non supervisionata", dove può spiegare o identificare modelli interessanti nei dati senza essere diretto.

    Un famoso esempio di deep learning senza supervisione è quando una rete neurale prodotta da Google ha identificato che i tre componenti più importanti dei video online erano volti, pedoni e gatti, senza che gli venisse detto di cercarli.

    Il deep learning ha trasformato programmi come il riconoscimento facciale, modelli di discorso e traduzione linguistica. Tra le decine di applicazioni intelligenti c'è un programma che apprende i tratti artistici distintivi di famosi pittori, e poi trasforma le immagini di tutti i giorni in un Van Gogh, Picasso o Monet.

    Greene afferma che il deep learning non ha ancora rivelato i "gatti nascosti" nei dati sanitari, ma ci sono alcuni sviluppi promettenti. Diversi studi utilizzano l'apprendimento profondo per classificare meglio i pazienti con cancro al seno in base al sottotipo di malattia e all'opzione di trattamento più vantaggiosa. Un altro programma sta addestrando il deep learning su enormi database di immagini naturali per essere in grado di diagnosticare la retinopatia diabetica e il melanoma. Queste applicazioni hanno superato alcuni degli strumenti più avanzati.

    Il deep learning contribuisce anche a un migliore processo decisionale clinico, migliorare le percentuali di successo degli studi clinici, e strumenti in grado di prevedere meglio la tossicità di nuovi candidati farmaci.

    "L'apprendimento profondo cerca di integrare le cose e fare previsioni su chi potrebbe essere a rischio di sviluppare determinate malattie, e come possiamo cercare di aggirarli nella fase iniziale, " Dice Gitter. "Potremmo identificare chi ha bisogno di più screening o test. Potremmo farlo in via preventiva, modo lungimirante. È lì che io e i miei coautori siamo entusiasti. Riteniamo che il potenziale guadagno sia così grande, anche se la tecnologia attuale non può raggiungere questi alti obiettivi".


    © Scienza https://it.scienceaq.com