Home Notizie recenti Deep learning: una struttura per l’analisi delle immagini nelle scienze della vita

Deep learning: una struttura per l’analisi delle immagini nelle scienze della vita

200
0

Laurene Donati e Virginie Uhlmann. Credito: Alain Herzog

Gli scienziati sono costantemente alla ricerca di sistemi di imaging più veloci, più potenti e in grado di supportare tempi di osservazione più lunghi. Ciò è particolarmente vero nelle scienze della vita, dove gli oggetti di interesse sono raramente visibili ad occhio nudo. Poiché il progresso tecnologico ci consente di studiare la vita su scale temporali e spaziali sempre più piccole, spesso inferiori alla nanoscala, i ricercatori si stanno anche rivolgendo a programmi di intelligenza artificiale sempre più potenti per ordinare e analizzare questi vasti set di dati. I modelli di deep learning, un tipo di algoritmo di apprendimento automatico che utilizza reti multistrato per estrarre informazioni da input grezzi, stanno diventando sempre più popolari tra i ricercatori delle scienze della vita grazie alla loro velocità e precisione. Tuttavia, l’utilizzo di questi modelli senza comprendere appieno la loro architettura e i loro limiti introduce il rischio di pregiudizi ed errori, con conseguenze potenzialmente importanti. Gli scienziati dell’EPFL Center for Imaging e dell’EMBL-EBI (Cambridge, Regno Unito) esplorano queste sfide una per una in un articolo pubblicato su Rivista di elaborazione del segnale IEEE. Il team delinea le buone pratiche per l’impiego di tecnologie di apprendimento profondo nelle scienze della vita e sostiene una più stretta collaborazione interdisciplinare tra ricercatori di bioscienze e sviluppatori di programmi.

Verso un consenso sulle architetture delle reti neurali

Un modello di deep learning efficace deve essere in grado di rilevare pattern e contrasti, riconoscere l’orientamento degli oggetti nelle immagini e molto altro. In altre parole, deve essere un esperto in materia. Raggiunge questo livello di competenza attraverso la formazione di sviluppatori di software. Il modello inizia utilizzando algoritmi non specifici per estrarre caratteristiche generali da un set di dati, sviluppando gradualmente approfondimenti più dettagliati con ogni passaggio o livello. Questo design significa che, per applicare un sistema di deep learning a una specifica disciplina o area di interesse, come le scienze della vita, solo gli strati più alti devono essere regolati in modo che il modello possa analizzare accuratamente immagini che non ha mai visto prima .

Il primo sistema di deep learning ampiamente utilizzato nelle scienze della vita è apparso nel 2015. Da allora, sono emersi modelli con una varietà di architetture poiché i ricercatori hanno cercato di affrontare i problemi comuni di analisi delle bioimmagini, dall’eliminazione del rumore e dal miglioramento della risoluzione, alla localizzazione di molecole e al rilevamento oggetti. “Sta cominciando a emergere un consenso sulle architetture di rete neurale”, afferma Laurène Donati, direttore esecutivo dell’EPFL Center for Imaging. Nel frattempo, Virginie Uhlmann, una laureata dell’EPFL e leader di un gruppo di ricerca presso EMBL-EBI, nota un cambiamento di priorità: “La corsa allo sviluppo di nuovi modelli è diminuita. Ciò che conta ora è assicurarsi che i ricercatori delle scienze della vita sappiano come utilizzare le tecnologie esistenti correttamente. Parte di tale responsabilità spetta agli sviluppatori, che devono unirsi per supportare i propri utenti”.

Buona pratica

Per gli scienziati senza un background in informatica, i modelli di deep learning possono sembrare impenetrabili, soprattutto data la mancanza di un quadro standardizzato. Per aggirare questo problema, sono state create piattaforme note come “zoo modello”, che ospitano raccolte di modelli pre-addestrati insieme a spiegazioni di supporto. Mentre alcuni di questi repository forniscono solo informazioni limitate, altri offrono esempi completamente documentati di applicazioni di ricerca, consentendo agli utenti di giudicare se un modello può essere adattato per un determinato scopo. Ma poiché la ricerca scientifica implica intrinsecamente l’esplorazione di nuove frontiere, può essere difficile sapere quale modello sia più adatto a un determinato set di dati e come riutilizzarlo di conseguenza. I ricercatori devono anche comprendere i limiti del modello e i fattori che potrebbero influire sulle sue prestazioni, nonché come mitigare questi fattori. E ci vuole un occhio ben allenato per evitare pregiudizi nell’interpretazione dei risultati.

Nel loro articolo, i tre autori hanno definito una serie di buone pratiche per i non esperti, spiegando come scegliere il giusto modello pre-addestrato, come adattarlo per una data applicazione di ricerca e come verificare la validità dei risultati. In tal modo, sperano di “rassicurare gli scettici e fornire loro una strategia che riduca al minimo i rischi durante la sperimentazione del deep learning e di fornire agli appassionati di deep learning di lunga data ulteriori salvaguardie”, afferma Daniel Sage, ricercatore del Biomedical Imaging dell’EPFL Gruppo. Sage chiede “un più forte senso di comunità, in base al quale le persone condividono esperienze e creano una cultura delle migliori pratiche, e una più stretta collaborazione tra programmatori e biologi”.


Articolo precedenteLe campagne contro l’eccesso di velocità dovrebbero riconoscere il godimento da parte dei conducenti di eccesso di velocità, suggerisce la ricerca
Articolo successivoRilevare espressioni umoristiche sui social media