Los profesores de bioinformática Anthony Gitter y Casey Greene se propusieron en el verano de 2016 escribir un artículo sobre aplicaciones biomédicas para el aprendizaje profundo, un nuevo campo de inteligencia artificial que se esfuerza por imitar las redes neuronales del cerebro humano.

Completaron el papel pero también desencadenó un caso intrigante de crowdsourcing académico. Hoy dia, el documento ha sido escrito y revisado masivamente con la ayuda de más de 40 colaboradores en línea, la mayoría de los cuales contribuyó lo suficiente como para convertirse en coautores.

El estudio actualizado, "Oportunidades y obstáculos para el aprendizaje profundo en biología y medicina, "se publicó el 4 de abril de 2018 en el Revista de la interfaz de la Royal Society .

Gitter, del Instituto Morgridge de Investigación y la Universidad de Wisconsin-Madison; y Greene, de la Universidad de Pennsylvania; ambos trabajan en la aplicación de herramientas computacionales para resolver grandes desafíos en salud y biología. Querían ver dónde estaba marcando la diferencia el aprendizaje profundo y dónde se encuentra el potencial sin explotar en el mundo biomédico.

Gitter comparó el proceso con el funcionamiento de la comunidad de software de código abierto.

"Básicamente, estamos adoptando un enfoque de ingeniería de software para escribir un artículo académico, ", dice." Estamos usando el sitio web de GitHub como nuestra plataforma de escritura principal, que es el lugar más popular en línea para que las personas colaboren en la escritura de código ".

Gitter agrega:"También adoptamos la mentalidad de ingeniería de software de lograr que un gran equipo de personas trabaje en conjunto en un producto, y coordinar lo que se debe hacer a continuación ".

Los nuevos autores proporcionaron con frecuencia ejemplos de cómo el aprendizaje profundo está impactando en su rincón de la ciencia. Por ejemplo, Gitter dice que un científico contribuyó con una sección sobre microscopía crioelectrónica, una nueva herramienta imprescindible para la obtención de imágenes biológicas, que utiliza técnicas de aprendizaje profundo. Otros reescribieron partes para hacerlas más accesibles a los no biólogos o proporcionaron antecedentes éticos sobre la privacidad de los datos médicos.

El aprendizaje profundo es parte de una familia más amplia de herramientas de aprendizaje automático que ha logrado avances importantes en los últimos años. Utiliza la estructura de las redes neuronales para alimentar entradas en múltiples capas para entrenar el algoritmo. Puede crear formas de identificar y describir características recurrentes en los datos, al mismo tiempo que puede predecir algunos resultados. El aprendizaje profundo también puede funcionar en modo "sin supervisión", donde puede explicar o identificar patrones interesantes en los datos sin ser dirigido.

Un ejemplo famoso de aprendizaje profundo no supervisado es cuando una red neuronal producida por Google identificó que los tres componentes más importantes de los videos en línea eran caras, peatones y gatos, sin que se les diga que los busquen.

El aprendizaje profundo ha transformado programas como el reconocimiento facial, patrones de habla y traducción de idiomas. Entre las numerosas aplicaciones inteligentes se encuentra un programa que aprende los rasgos artísticos característicos de pintores famosos, y luego transforma imágenes cotidianas en un Van Gogh, Picasso o Monet.

Greene dice que el aprendizaje profundo aún no ha revelado los "gatos ocultos" en los datos de atención médica, pero hay algunos desarrollos prometedores. Varios estudios utilizan el aprendizaje profundo para clasificar mejor a los pacientes con cáncer de mama por subtipo de enfermedad y la opción de tratamiento más beneficiosa. Otro programa está capacitando en aprendizaje profundo en enormes bases de datos de imágenes naturales para poder diagnosticar la retinopatía diabética y el melanoma. Estas aplicaciones superaron algunas de las herramientas de última generación.

El aprendizaje profundo también está contribuyendo a una mejor toma de decisiones clínicas, mejorar las tasas de éxito de los ensayos clínicos, y herramientas que pueden predecir mejor la toxicidad de nuevos candidatos a fármacos.

"El aprendizaje profundo intenta integrar cosas y hacer predicciones sobre quién podría estar en riesgo de desarrollar ciertas enfermedades, y cómo podemos intentar eludirlos desde el principio, "Dice Gitter." Podríamos identificar quién necesita más exámenes de detección o pruebas. Podríamos hacer esto de forma preventiva, manera de pensar en el futuro. Ahí es donde mis coautores y yo estamos emocionados. Creemos que la recompensa potencial es tan grande, incluso si la tecnología actual no puede cumplir con estos elevados objetivos ".