Descripción

Cuando éramos niños en la década de 1980, al dar nuestros primeros pasos en nuestro Commodore VIC 20 $Eli$, el Sinclair Spectrum 48K $Luca$ y el Commodore C16 $Thomas$, vimos el amanecer de las computadoras personales, aprendimos a codificar y escribir algoritmos en máquinas cada vez más rápidas, y a menudo soñaba con dónde nos llevarían las computadoras.

También éramos dolorosamente conscientes de la brecha entre lo que hacían las computadoras en las películas y lo que podían hacer en la vida real, y colectivamente pusimos los ojos en blanco cuando el personaje principal de una película de espías dijo: “Computadora, mejora”. Más tarde, durante nuestra vida profesional, dos de nosotros, Eli y Luca, nos desafiamos a nosotros mismos de forma independiente con el análisis de imágenes médicas, enfrentándonos al mismo tipo de lucha al escribir algoritmos que pudieran manejar la variabilidad natural del cuerpo humano.

Hubo muchas heurísticas involucradas al elegir la mejor combinación de algoritmos que podrían hacer que las cosas funcionaran y salvar el día. Thomas estudió redes neuronales y reconocimiento de patrones a principios de siglo, pero luego obtuvo un doctorado en matemáticas haciendo modelado. Cuando el aprendizaje profundo surgió a principios de la década de 2010, haciendo su aparición inicial en la visión por computadora, comenzó a aplicarse a tareas de análisis de imágenes médicas como la identificación de estructuras o lesiones en imágenes médicas.

Fue en ese momento, en la primera mitad de la década, cuando apareció el aprendizaje profundo en nuestros radares individuales. Me tomó un tiempo darme cuenta de que el aprendizaje profundo representaba una forma completamente nueva de escribir software: una nueva clase de algoritmos multipropósito que podían aprender a resolver tareas complicadas a través de la observación de datos.