公民科学沙龙是 Discover 和 SciStarter.org 的合作伙伴。
2016 年，康奈尔大学的一个阿尔茨海默病研究团队遇到了瓶颈。科学家们一直在研究小鼠，寻找阿尔茨海默病与大脑血流变化之间的联系。
多年来，科学家们一直知道大脑血流量减少是阿尔茨海默病的症状。最近的研究也表明，这种血流量减少可能是由血管堵塞（或“停滞”）引起的。通过逆转小鼠的这些停滞，科学家们能够恢复它们的记忆。
康奈尔大学的团队希望通过分析他们使用最先进的显微镜生成的海量数据，来全面了解停滞与阿尔茨海默病之间的联系。但随着工作的进行，他们无法以足够快的速度分析数据，从而对如今患有阿尔茨海默病的人产生影响。
平均而言，每个研究问题需要一年才能得到解答。该团队正在使用机器学习，其中计算机算法可以通过经验自动学习。即使团队测试和开发了计算机算法来加快寻找停滞的工作，他们也无法让计算机的准确率达到 85% 以上。在小鼠大脑中找到这些堵塞的血管至关重要，准确率必须达到 95% 才能有效。
Stall Catchers
机器学习能力正在迅速提高，但大多数情况下，计算机的性能仍然不如人类。在需要高数据准确性的情况下，公民科学家（帮助分析数据的在线志愿者）的敏锐技能可能是唯一的选择。
然而，在一次偶然的相遇后，研究人员与人类计算研究所的众包专家进行了接触并合作。该团队创建了一个名为 Stall Catchers 的项目，并招募了世界各地的公民科学家来梳理他们的大脑图像并标记所有停滞。
这项工作取得了巨大成功，与此同时，机器学习算法一直在为人类分析准备 Stall Catchers 数据方面发挥作用，包括查找和勾勒出所有将由公众志愿者分析的血管段。但是，繁重的工作——决定血管是否在流动或停滞——完全落在了公民科学家的手中和眼中。
现在科学家们正在给机器第二次机会。
机器学习研究需要大量标记好的数据集，才能教会这些模型做出预测，例如血管是否停滞。在运行Stall Catchers 将近 4 年后，公民科学家已将数百万个众包标签应用于超过 500,000 部血管电影。这意味着，有史以来第一次，终于有了足够的训练数据，可以给这些系统一个新机会，使其超越四年前达到的 85% 的准确率。
人类计算研究所的负责人 Pietro Michelucci 说：“如果有一项工作是机器可以做的，我们认为将志愿者的人类认知劳动浪费在这项工作上是不道德的，因为还有其他更紧迫的社会需求需要非凡人类头脑独特的精神能力。”
比赛启动
该研究所的合作伙伴组织 Driven Data 已经启动了一项机器学习挑战，利用 Stall Catchers 数据来设计新的血管分析技术。
在此次挑战赛中，比赛将持续到 8 月 3 日，机器学习爱好者将争夺由创建了数据科学编程语言 MatLab 的公司 MathWorks 捐赠的 10,000 美元奖金。
即使是当今最好的机器系统也可能无法像人类一样分析数据。然而，机器学习模型仍然可以通过可靠地分析最容易的血管来发挥重要作用。这样，Stall Catchers 的玩家就可以专注于最艰巨的任务。
通过携手合作，人类和机器很快就能在分析阿尔茨海默病研究数据方面取得前所未有的速度。
Egle Marija Ramanauskaite是人类计算研究所的公民科学协调员，也是 Stall Catchers 项目的传播总监。
