O algoritmo é capaz de segmentar os pacientes de acordo com seu perfil clínico, assim orientando a equipe médica para prestar o tratamento mais adequado em cada caso, resultando em melhora de condições em 94% dos pacientes e redução da mortalidade pela metade.
O uso de algoritmos genéticos na busca das melhores soluções para o treinamento de redes neurais pode resultar tanto em melhoria de desempenho quanto em redução do tempo necessário para a rede convergir à solução ideal.
As redes neurais apresentadas na pesquisa incorporam em sua estrutura o conhecimento sobre as redes de sinalização e regulação celular, o que permite que os parâmetros da rede sejam interpretáveis como dados sobre genes e proteínas, ampliando a aplicabilidade das redes não só para tarefas de predição, mas também para a descoberta científica.
Ao invés de usar energia elétrica para os cálculos matriciais necessários ao treinamento de uma rede neural, o novo chip usa luz, que graças a suas propriedades intrínsecas, permite a realização dos cálculos de forma paralelizada e sem consumo energético.
O algoritmo prediz quais porções do vírus serão capazes de gerar resposta imunológica na maior proporção da população, direcionando o desenvolvimento de vacinas para cobrir o maior número possível de pessoas.
Uma pesquisa usando modelos de machine learning conseguiu elucidar quais receptores olfativos respondem a diferentes tipos de molécula, e a partir disso, prever como as moléculas geram diferentes experiências subjetivas do olfato.
Uma rede neural convolucional foi treinada para ser capaz de reconhecer os indivíduos de três espécies de pássaros pequenos, permitindo sua identificação automatizada em estudos que dependem dessa tarefa.
Neste artigo apresentamos as formas com que dados podem ser representados em linguagem computacional, e como isso afeta o desempenho de algoritmos de machine learning que dependem deles.
O algoritmo e-prop imita a forma com que os neurônios do cérebro se comunicam, e que é responsável pela alta eficiência energética deste órgão, o que tem aplicação promissora principalmente em dispositivos móveis.
O novo método não depende da marcação química das amostras; os features são obtidos por leitura no infravermelho, e um modelo do tipo random forest faz a classificação entre as duas tipologias possíveis, que têm tratamento clínico diferenciado.
