Os professores de bioinformática Anthony Gitter e Casey Greene começaram no verão de 2016 a escrever um artigo sobre aplicações biomédicas para aprendizagem profunda, um novo campo de inteligência artificial quente se esforçando para imitar as redes neurais do cérebro humano.

Eles completaram o artigo, mas também desencadeou um caso intrigante de crowdsourcing acadêmico. Hoje, o artigo foi massivamente escrito e revisado com a ajuda de mais de 40 colaboradores online, muitos dos quais contribuíram o suficiente para se tornarem co-autores.

O estudo atualizado, "Oportunidades e obstáculos para um aprendizado profundo em biologia e medicina, "foi publicado em 4 de abril, 2018 na Interface do Jornal da Royal Society .

Gitter, do Instituto Morgridge de Pesquisa e da Universidade de Wisconsin-Madison; e Greene, da Universidade da Pensilvânia; ambos atuam na aplicação de ferramentas computacionais para solucionar grandes desafios em saúde e biologia. Eles queriam ver onde o aprendizado profundo estava fazendo a diferença e onde o potencial inexplorado está no mundo biomédico.

Gitter comparou o processo à forma como a comunidade de software de código aberto funciona.

"Basicamente, adotamos uma abordagem de engenharia de software para escrever um artigo acadêmico, ", diz ele." Estamos usando o site do GitHub como nossa plataforma de escrita principal, que é o lugar online mais popular para as pessoas colaborarem na escrita de código. "

Gitter acrescenta:"Também adotamos a mentalidade de engenharia de software de fazer com que uma grande equipe de pessoas trabalhe juntas em um produto, e coordenar o que precisa ser feito a seguir. "

Os novos autores frequentemente forneciam exemplos de como o aprendizado profundo está impactando seu ramo da ciência. Por exemplo, Gitter diz que um cientista contribuiu com uma seção sobre microscopia crioeletrônica, uma nova ferramenta indispensável para imagens de biologia, que está usando técnicas de aprendizado profundo. Outros reescreveram partes para torná-las mais acessíveis a não biólogos ou forneceram um histórico ético sobre privacidade de dados médicos.

O aprendizado profundo faz parte de uma família mais ampla de ferramentas de aprendizado de máquina que teve ganhos extraordinários nos últimos anos. Ele usa a estrutura de redes neurais para alimentar entradas em várias camadas para treinar o algoritmo. Ele pode construir maneiras de identificar e descrever recursos recorrentes em dados, ao mesmo tempo que é capaz de prever alguns resultados. O aprendizado profundo também pode funcionar no modo "não supervisionado", onde pode explicar ou identificar padrões interessantes nos dados sem ser direcionado.

Um exemplo famoso de aprendizado profundo não supervisionado é quando uma rede neural produzida pelo Google identificou que os três componentes mais importantes dos vídeos online eram rostos, pedestres e gatos - sem que ninguém diga para procurá-los.

O aprendizado profundo transformou programas como reconhecimento facial, padrões de fala e tradução de linguagem. Entre as dezenas de aplicativos inteligentes está um programa que aprende as características artísticas de pintores famosos, e então transforma fotos do cotidiano em um Van Gogh, Picasso ou Monet.

Greene diz que o aprendizado profundo ainda não revelou os "gatos ocultos" nos dados de saúde, mas existem alguns desenvolvimentos promissores. Vários estudos estão usando o aprendizado profundo para melhor categorizar as pacientes com câncer de mama por subtipo de doença e opção de tratamento mais benéfica. Outro programa está treinando aprendizado profundo em enormes bancos de dados de imagens naturais para poder diagnosticar retinopatia diabética e melanoma. Esses aplicativos ultrapassaram algumas das ferramentas de última geração.

O aprendizado profundo também está contribuindo para uma melhor tomada de decisão clínica, melhorando as taxas de sucesso dos ensaios clínicos, e ferramentas que podem prever melhor a toxicidade de novos candidatos a medicamentos.

"O aprendizado profundo tenta integrar as coisas e fazer previsões sobre quem pode estar em risco de desenvolver certas doenças, e como podemos tentar contorná-los desde o início, "Gitter diz." Podemos identificar quem precisa de mais triagem ou testes. Poderíamos fazer isso preventivamente, maneira com visão de futuro. É aí que meus co-autores e eu estamos animados. Achamos que a recompensa potencial é tão grande, mesmo que a tecnologia atual não consiga atender a esses objetivos elevados. "