第四屆年度 Data Science Bowl，吸引逾 2,100 支隊伍同場較勁。
在開發打擊疾病的藥物之際，十億美元已經不像過去那麼好用。
不久前十億美元的金額或許還足以支付開發三十種新藥的成本，而如今這筆錢連開發一款新藥的費用也付不起。
今年的 Data Science Bowl 活動有助於解決研發藥物的痛苦。在這場全球最大的社會福祉人工智慧競賽裡，吸引了超過2,100個團隊致力於降低新藥研發成本與測試時間。
他們面臨的挑戰：使用深度學習來加快藥物研發流程關鍵步驟的速度和準確性，而這個關鍵步驟便是找出每個細胞的細胞核。
由麻省理工學院與哈佛大學共同創辦，也是這項賽事非營利合作夥伴的布洛德研究所（Broad Institute of MIT and Harvard）影像平台主任 Anne Carpenter 說：「更快、更準確地發展新的治療方法，這項極為現實的需求成為推動2018年 Data Science Bowl 賽事的動力。」
這句話有激發出你的好奇心嗎? 現在採取行動為時未晚，報名截止日期是4月9日，而最終提交日則為4月16日。
十萬美元的獎金，加上一部深度學習超級電腦
第四屆年度 Data Science Bowl 賽事邀請來自世界各地的參與者訓練深度學習模型，以研究細胞影像及找出細胞核。
顧問公司 Booz Allen Hamilton 的資料解決方案與機器智慧部門總監 Ray Hensberger 表示：「要是我們能改善這個流程，便會更快找出新的治療方法。」
Booz Allen 與 Kaggle 資料科學競賽平台共同主辦這項賽事，其它贊助者包括 NVIDIA、醫療診斷公司 PerkinElmer 等。除了推動研發藥物的速度，各優勝隊伍還將獲得總價值17萬美元的獎金和獎品，其中包括一台 NVIDIA DGX Station 個人人工智慧超級電腦工作站。
摩爾定律的另一面
開發新藥是一項複雜又艱鉅的任務，開發成本可能達到數十億美元，耗時十年甚至更長時間。根據 Eroom 定律（即將 Moore’s law 反過來拼寫）的觀察結果，就算開發技術有所增長，開發新藥的成本依舊大概每九年便成長一倍。
生物化學家嘗試通過數千種化合物，測量生病與健康細胞對各種療法的反應，以找出哪一種化合物對特定病毒或細菌有治療效果，或是哪一種化合物在人體裡會產生出預定的反應。
Carpenter 說幾乎所有的人類細胞都含有細胞核，辨識每個細胞最直接的方法就是找出細胞核。她說目前的影像處理演算法可以找出細胞核，並且測量細胞的生病狀態，在細胞核的形狀相當圓又不太擁擠時，測量的效果最好。
對組織樣本進行複雜實驗時，若細胞核呈現異常形狀或擁擠在一起時，這些演算法便派不上用場。
「有時候生物學家別無選擇，只能親自查看上千個影像來完成實驗。」Carpenter 說。她在以下影片裡介紹了 Data Science Bowl 在技術方面的其它細節：
深度學習藥物發現
現有方法也需要科學家配合各類影像和細胞，反復修改演算法。Carpenter 希望深度學習軟體能在生物學家不插手的情況下做到這一點，每年省下數十萬個小時，為研發新藥開闢更快速的管道。
她希望將獲勝的演算法用於建構研發藥物的深度學習軟體。
在 Carpenter 實驗室裡工作的博士後研究員 Kyle Karhohs 說：「深度學習有助於發現影像裡的相關細節，其能力足以媲美或超越人類的觀察能力。這或許能提高藥物發現的規模及速度，讓我們有更強大的能力，以前所未有的精準度找出影像裡的生物特徵。」
如要瞭解 Data Science Bowl 與類似的人工智慧競賽活動如何能為社會帶來益處，請參加3月26日至29日在矽谷舉行之 GPU 科技大會的「AI for Social Good as a Technology Driver」及其它會議。請立即報名。
*本文的主要圖片顯示人類細胞核內部。圖片提供：國家癌症研究所的 Steve Mabon 與 Tom Misteli。