Bioinformatikprofessorerna Anthony Gitter och Casey Greene gav sig ut sommaren 2016 för att skriva en artikel om biomedicinska tillämpningar för djupt lärande, ett hett nytt artificiell intelligensfält som strävar efter att efterlikna den mänskliga hjärnans neurala nätverk.

De avslutade tidningen, men också utlöste ett spännande fall av akademisk crowdsourcing. I dag, tidningen har skrivits och reviderats massivt med hjälp av mer än 40 samarbetspartners online, av vilka de flesta bidrog tillräckligt för att bli medförfattare.

Den uppdaterade studien, "Möjligheter och hinder för djupinlärning i biologi och medicin, " publicerades 4 april, 2018 i Journal of the Royal Society Interface .

Gitter, vid Morgridge Institute for Research och University of Wisconsin-Madison; och Greene, vid University of Pennsylvania; båda arbetar med tillämpning av beräkningsverktyg för att lösa stora utmaningar inom hälsa och biologi. De ville se var djupinlärning gjorde skillnad och var den outnyttjade potentialen finns i den biomedicinska världen.

Gitter liknade processen med hur mjukvarugemenskapen med öppen källkod fungerar.

"Vi tar i grunden ett programvarutekniskt tillvägagångssätt för att skriva en vetenskaplig uppsats, " säger han. "Vi använder GitHub-webbplatsen som vår primära skrivplattform, vilket är den mest populära platsen online för människor att samarbeta för att skriva kod."

Tillägger Gitter:"Vi anammade också den mjukvarutekniska mentaliteten att få ett stort team av människor att arbeta tillsammans på en produkt, och samordna vad som behöver göras härnäst."

De nya författarna gav ofta exempel på hur djupt lärande påverkar deras hörn av vetenskapen. Till exempel, Gitter säger att en forskare bidrog med ett avsnitt om kryoelektronmikroskopi, ett nytt måste-ha-verktyg för biologisk avbildning, det vill säga att använda djupinlärningstekniker. Andra skrev om delar för att göra det mer tillgängligt för icke-biologer eller gav etisk bakgrund om medicinsk datasekretess.

Deep learning är en del av en bredare familj av verktyg för maskininlärning som har gjort genombrottsvinster de senaste åren. Den använder strukturen hos neurala nätverk för att mata in indata i flera lager för att träna algoritmen. Det kan bygga sätt att identifiera och beskriva återkommande funktioner i data, samtidigt som man kan förutsäga vissa utgångar. Deep learning kan också fungera i "oövervakat" läge, där den kan förklara eller identifiera intressanta mönster i data utan att bli riktad.

Ett känt exempel på oövervakad djupinlärning är när ett Google-producerat neuralt nätverk identifierade att de tre viktigaste komponenterna i onlinevideor var ansikten, fotgängare och katter – utan att bli tillsagd att leta efter dem.

Deep learning har förändrat program som ansiktsigenkänning, talmönster och språköversättning. Bland mängden smarta applikationer finns ett program som lär sig de kända konstnärliga egenskaperna hos kända målare, och förvandlar sedan vardagsbilder till en Van Gogh, Picasso eller Monet.

Greene säger att djupinlärning ännu inte har avslöjat de "dolda katterna" i sjukvårdsdata, men det finns några lovande utvecklingar. Flera studier använder djupinlärning för att bättre kategorisera bröstcancerpatienter efter sjukdomssubtyp och mest fördelaktiga behandlingsalternativ. Ett annat program är att träna djupinlärning i enorma naturliga bilddatabaser för att kunna diagnostisera diabetisk retinopati och melanom. Dessa applikationer överträffade några av de senaste verktygen.

Djupt lärande bidrar också till bättre kliniskt beslutsfattande, förbättra framgångsfrekvensen för kliniska prövningar, och verktyg som bättre kan förutsäga toxiciteten hos nya läkemedelskandidater.

"Deep learning försöker integrera saker och göra förutsägelser om vem som kan vara i riskzonen att utveckla vissa sjukdomar, och hur vi kan försöka kringgå dem tidigt, ”, säger Gitter. ”Vi attr kunde identifierar vem behöver mer mycket rastrering eller testning. Vi skulle kunna göra detta i förebyggande syfte, framåttänkande sätt. Det är där mina medförfattare och jag är exalterade. Vi känner att den potentiella vinsten är så stor, även om den nuvarande tekniken inte kan uppfylla dessa höga mål."