Les professeurs de bioinformatique Anthony Gitter et Casey Greene ont entrepris à l'été 2016 d'écrire un article sur les applications biomédicales pour l'apprentissage en profondeur, un nouveau domaine d'intelligence artificielle qui s'efforce d'imiter les réseaux neuronaux du cerveau humain.

Ils ont terminé le papier, mais a également déclenché un cas intrigant de crowdsourcing académique. Aujourd'hui, le papier a été massivement écrit et révisé avec l'aide de plus de 40 collaborateurs en ligne, dont la plupart ont contribué suffisamment pour devenir co-auteurs.

L'étude mise à jour, « Opportunités et obstacles pour un apprentissage approfondi en biologie et en médecine, " a été publié le 4 avril, 2018 dans le Journal de la Royal Society Interface .

Gitter, du Morgridge Institute for Research et de l'Université du Wisconsin-Madison; et Greene, de l'Université de Pennsylvanie; tous deux travaillent dans l'application d'outils informatiques pour résoudre de grands défis en matière de santé et de biologie. Ils voulaient voir où l'apprentissage en profondeur faisait une différence et où se trouvait le potentiel inexploité du monde biomédical.

Gitter a comparé le processus au fonctionnement de la communauté des logiciels open source.

« Nous adoptons essentiellement une approche d'ingénierie logicielle pour rédiger un article scientifique, " dit-il. " Nous utilisons le site Web GitHub comme principale plate-forme d'écriture, qui est l'endroit en ligne le plus populaire pour que les gens collaborent à l'écriture de code."

Gitter ajoute : « Nous avons également adopté la mentalité d'ingénierie logicielle consistant à faire travailler une grande équipe de personnes sur un seul produit, et de coordonner ce qui doit être fait ensuite."

Les nouveaux auteurs ont fréquemment fourni des exemples de l'impact de l'apprentissage en profondeur sur leur domaine scientifique. Par exemple, Gitter dit qu'un scientifique a contribué à une section sur la cryomicroscopie électronique, un nouvel outil incontournable pour l'imagerie biologique, qui utilise des techniques d'apprentissage en profondeur. D'autres ont réécrit des parties pour les rendre plus accessibles aux non-biologistes ou ont fourni une base éthique sur la confidentialité des données médicales.

L'apprentissage en profondeur fait partie d'une famille plus large d'outils d'apprentissage automatique qui a fait des progrès considérables ces dernières années. Il utilise la structure des réseaux de neurones pour alimenter les entrées dans plusieurs couches afin d'entraîner l'algorithme. Il peut créer des moyens d'identifier et de décrire les caractéristiques récurrentes dans les données, tout en étant capable de prédire certaines sorties. L'apprentissage profond peut également fonctionner en mode "non supervisé", où il peut expliquer ou identifier des modèles intéressants dans les données sans être dirigé.

Un exemple célèbre d'apprentissage en profondeur non supervisé est lorsqu'un réseau de neurones produit par Google a identifié que les trois composants les plus importants des vidéos en ligne étaient les visages, piétons et chats, sans qu'on leur dise de les chercher.

L'apprentissage en profondeur a transformé des programmes comme la reconnaissance faciale, modèles de discours et traduction de la langue. Parmi les dizaines d'applications intelligentes se trouve un programme qui apprend les traits artistiques caractéristiques de peintres célèbres, puis transforme les images de tous les jours en Van Gogh, Picasso ou Monet.

Greene dit que le deep learning n'a pas encore révélé les "chats cachés" dans les données de santé, mais il y a des développements prometteurs. Plusieurs études utilisent l'apprentissage en profondeur pour mieux catégoriser les patientes atteintes d'un cancer du sein par sous-type de maladie et option de traitement la plus bénéfique. Un autre programme consiste à former un apprentissage approfondi sur d'énormes bases de données d'images naturelles pour pouvoir diagnostiquer la rétinopathie diabétique et le mélanome. Ces applications ont surpassé certains des outils de pointe.

L'apprentissage en profondeur contribue également à une meilleure prise de décision clinique, améliorer les taux de réussite des essais cliniques, et des outils permettant de mieux prédire la toxicité des nouveaux candidats médicaments.

"L'apprentissage en profondeur essaie d'intégrer les choses et de faire des prédictions sur qui pourrait être à risque de développer certaines maladies, et comment nous pouvons essayer de les contourner dès le début, " Gitter dit. "Nous pourrions identifier qui a besoin de plus de dépistage ou de tests. Nous pourrions le faire à titre préventif, manière avant-gardiste. C'est là que mes co-auteurs et moi sommes excités. Nous pensons que le gain potentiel est si grand, même si la technologie actuelle ne peut pas atteindre ces nobles objectifs."