AI4Life Open Calls and Public Challenges: why, how, and what we have learned.
Door de uitvoering van drie Open Calls en drie Public Challenges tussen 2023 en 2025 heeft het AI4Life-initiatief 22 biobeeldanalyseprojecten ondersteund en onthuld dat hoewel de adoptie van FAIR deep learning te maken heeft met aanzienlijke implementatiehinderpalen, de primaire flessenhals voor wetenschappelijke AI in de biologie niet ligt in de methodeontwikkeling, maar in de beschikbaarheid van data, annotaties en gedeelde infrastructuur.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je een wereld voor waarin wetenschappers krachtige microscopen gebruiken om foto's te maken van de kleinste bouwstenen van het leven, zoals cellen en eiwitten. Deze beelden zijn als schatkaarten die geheimen verbergen over hoe ziekten werken of hoe planten groeien. Maar hier zit de adder onder het gras: deze kaarten zijn vaak wazig, rommelig of verborgen in een taal die slechts enkelen experts kunnen lezen. Om dit op te lossen, hebben wetenschappers "AI-detectives" gebouwd—slimme computerprogramma's die getraind zijn om deze wazige plaatjes op te schonen en de verborgen schatten automatisch te vinden. Dit vakgebied wordt biobeeldanalyse genoemd. Het grote idee is dat als we computers kunnen leren om helder te zien, we ontdekkingen kunnen versnellen die kunnen helpen bij het genezen van ziekten of het voeden van de wereld. Echter, net zoals een superkrachtige auto nutteloos is als je geen weg hebt om op te rijden, is het hebben van een briljante AI niet genoeg als de data die het nodig heeft ontbrekend, kapot of opgeborgen is in verschillende digitale kluizen.
Dit artikel vertelt het verhaal van een team genaamd AI4Life, die besloot het water te testen door tussen 2023 en 2025 drie "Open Calls" (zoals een helpdesk voor wetenschappers) en drie "Public Challenges" (zoals videogameturnooien voor AI-experts) te organiseren. Ze wilden zien of ze deze AI-tools daadwerkelijk werkend konden krijgen voor echte biologische problemen. Ze ontvingen 151 verzoeken om hulp en ondersteunden 22 projecten, terwijl 225 deelnemers deelnamen aan de competities om te zien wie de beste algoritmen voor het opschonen van beelden kon maken.
Wat ze ontdekten was een beetje een reality check. Ze ontdekten dat hoewel de AI-"detectives" slimmer worden, de "plaatsen delicten" (de data) vaak een puinhoop zijn. Sterker nog, van de 22 projecten die ze hielpen, waren er slechts 8 echt klaar om te starten, en slechts 2 hadden genoeg perfecte, gelabelde voorbeelden om een AI vanaf nul te trainen. Meestal moesten de wetenschappers maandenlang alleen maar hun data opschonen, bestandsformaten repareren of duizenden kleine lijntjes tekenen om de computer te vertellen hoe een cel eruitziet. Het artikel suggereert dat de grootste flessenhals niet de AI zelf is, maar het gebrek aan goede, gedeelde data en de tools om deze te verplaatsen.
Het team merkte ook op dat, hoewel er geweldige nieuwe AI-tools zijn, veel wetenschappers zich nog steeds vasthouden aan oude, vertrouwde software omdat het nieuwe spul moeilijk te installeren of te gebruiken is. Het is alsoOption een zelfrijdende auto die een PhD vereist om te starten, waardoor mensen gewoon hun oude, handmatige auto's blijven rijden. De competities toonden aan dat hoewel sommige chique nieuwe AI-modellen kunnen winnen, de oude, betrouwbare werkpaarden nog steeds de populairste keuze zijn omdat ze gewoon werken.
De belangrijkste les van dit avontuur is dat we niet alleen betere AI kunnen bouwen en dan verwachten dat er magie gebeurt. We moeten eerst betere wegen, verkeersborden en tankstations bouwen. De auteurs suggereren dat om AI echt de biologie te laten revolutioneren, we ons moeten richten op het makkelijker maken van het delen van data, het trainen van wetenschappers in het gebruik van deze tools, en het belonen van mensen voor het delen van hun data evenzeer als dat we hen belonen voor het schrijven van wetenschappelijke artikelen. Totdat we deze "loodgietersproblemen" oplossen, zal de superintelligente AI moeten wachten tot de data het kan bijhouden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.