🌍 خبر | هوش مصنوعی در سلامت سازمان جهانی بهداشت نقشه راه هوش مصنوعی در سلامت اروپا تا سال ۲۰۳۳ را بررسی می‌کند دفتر منطقه‌ای اروپای سازمان جهانی بهداشت (WHO) در نشست ۲۷ تا ۲۹ اکتبر ۲۰۲۶ (۵ تا ۷ آبان ۱۴۰۵) در کپنهاگ دانمارک، پیش‌نویس نقشه راه هوش مصنوعی در سلامت برای دوره ۲۰۲۶ تا ۲۰۳۳ را بررسی خواهد کرد. 🔍 این نقشه راه با هدف هدایت توسعه و استفاده مسئولانه از هوش مصنوعی در نظام‌های سلامت مطرح شده و موضوعاتی مانند ایمنی بیمار، حفاظت از داده‌های سلامت، شفافیت و حکمرانی فناوری را دربرمی‌گیرد. ⚠️ این سند فعلاً در مرحله بررسی قرار دارد و هنوز تصویب نهایی آن اعلام نشده است. 💡 اهمیت این رویداد در حرکت از توسعه الگوریتم‌های پزشکی به سمت تدوین سیاست‌ها و چارچوب‌های نظارتی برای استفاده ایمن و قابل‌اعتماد از هوش مصنوعی است؛ موضوعی که می‌تواند برای سیاست‌گذاری سلامت دیجیتال در ایران نیز مورد توجه قرار گیرد. 🔗 برنامه رسمی سازمان جهانی بهداشت: https://www.who.int/europe/about-us/governance/regional-committee/76th-session-of-the-who-regional-committee-for-europe #هوش_مصنوعی_در_سلامت #سازمان_جهانی_بهداشت #حکمرانی_هوش_مصنوعی #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🧠 ابزار پژوهشی | هوش مصنوعی در سلامت تبدیل خودکار برگه‌های شنوایی‌سنجی به داده‌های قابل تحلیل با هوش مصنوعی! تصور کنید یک مرکز شنوایی‌سنجی هزاران گزارش اسکن‌شده از نتایج آزمایش شنوایی بیماران داشته باشد. استخراج دستی اطلاعات این برگه‌ها چقدر زمان می‌برد؟ پژوهشگران ابزاری متن‌باز به نام VotingOCR منتشر کرده‌اند که می‌تواند اطلاعات گزارش‌های شنوایی‌سنجی را از تصاویر استخراج و به داده‌های ساخت‌یافته تبدیل کند. 🔍 این ابزار چگونه کار می‌کند؟ سامانه با ترکیب پردازش تصویر و فناوری تشخیص نوری نویسه‌ها (OCR)، اطلاعات ثبت‌شده در جدول‌های شنوایی‌سنجی را شناسایی می‌کند. ویژگی جالب آن استفاده از روش «رأی‌گیری» است؛ یعنی چند روش پردازش و تشخیص متن، یک داده را بررسی می‌کنند تا احتمال خطای استخراج کاهش یابد. 💡 چه کاربردی دارد؟ ▪️ دیجیتالی‌کردن گزارش‌های قدیمی شنوایی‌سنجی ▪️ تبدیل اطلاعات آزمایش‌ها به فایل اکسل برای تحلیل و پژوهش ▪️ کاهش ورود دستی داده‌ها و آماده‌سازی اطلاعات برای مطالعات سلامت 🔓 کد ابزار رایگان و متن‌باز است! پژوهشگران کد این سامانه را با مجوز MIT در گیت‌هاب منتشر کرده‌اند. ⚠️ این ابزار فعلاً برای قالب‌های مشخصی از گزارش‌ها طراحی شده و ممکن است برای اسناد متفاوت به تنظیمات جدید نیاز داشته باشد. همچنین خروجی آن باید از نظر صحت اطلاعات بررسی شود و هنگام استفاده از گزارش‌های واقعی، محرمانگی اطلاعات بیماران رعایت شود. 📚 مشخصات ابزار نام: audiometry_VotingOCR حوزه: پردازش اسناد پزشکی و شنوایی‌سنجی وضعیت: کد پژوهشی متن‌باز 🔗 مخزن رسمی و دسترسی به کد: https://github.com/KwonDoRyoung/audiometry_VotingOCR #هوش_مصنوعی_در_سلامت #شنوایی_سنجی #پردازش_اسناد_پزشکی #ابزار_پژوهشی #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت کاهش خطاهای ساختگی هوش مصنوعی پزشکی از ۳۲ به ۱۰ درصد با چارچوب CARE-Med پژوهشگران دانشگاه آنوراگ هند و دانشگاه مجمعه عربستان سعودی، چارچوبی به نام CARE-Med توسعه داده‌اند که برای کاهش پاسخ‌های فاقد پشتوانه علمی در مدل‌های زبانی پزشکی طراحی شده است. نتایج این پژوهش که ۲۶ اکتبر ۲۰۲۶ در نشریه Scientific Reports منتشر شد، نشان می‌دهد بررسی پاسخ‌ها در برابر شواهد علمی می‌تواند خطاهای شناسایی‌شده را به میزان قابل‌توجهی کاهش دهد. 🔍 سؤال اصلی پژوهش چه بود؟ مدل‌های زبانی گاهی اطلاعات پزشکی نادرستی تولید می‌کنند که ظاهری کاملاً علمی و قانع‌کننده دارند؛ پدیده‌ای که به آن «توهم هوش مصنوعی» می‌گویند. پژوهشگران بررسی کردند آیا ترکیب بازیابی منابع علمی، راستی‌آزمایی ادعاها و سنجش میزان اطمینان می‌تواند این مشکل را کاهش دهد. 🔬 پژوهشگران چه کردند؟ چارچوب CARE-Med ابتدا اطلاعات مرتبط را از منابع پزشکی بازیابی می‌کند، سپس پاسخ تولیدشده را با شواهد مقایسه می‌کند و میزان پشتیبانی منابع از ادعاها را می‌سنجد. برای ارزیابی، از سه مجموعه‌داده معتبر پزشکی و زیست‌پزشکی MIMIC-III، PubMedQA و BioASQ استفاده شد. عملکرد این چارچوب با یک مدل زبانی پایه و روش متداول تولید پاسخ مبتنی بر بازیابی اطلاعات (RAG) مقایسه شد. 📊 نتایج چه بود؟ ▪️ نرخ پاسخ‌های فاقد پشتیبانی شواهد، طبق معیار مبتنی بر استنتاج زبان طبیعی (NLI)، در مدل پایه ۳۲ درصد و در CARE-Med به ۱۰ درصد رسید؛ یعنی کاهش نسبی ۶۸٫۸ درصدی. ▪️ در مقایسه با روش متداول RAG، این نرخ از ۲۱ به ۱۰ درصد کاهش یافت؛ معادل کاهش نسبی ۵۲٫۴ درصدی. ▪️ نتایج نشان داد افزودن مرحله راستی‌آزمایی و ارزیابی عدم‌قطعیت می‌تواند سازگاری پاسخ‌های پزشکی با شواهد بازیابی‌شده را بهبود دهد. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ این مطالعه داوری‌شده است، اما معیار اصلی آن میزان پشتیبانی پاسخ‌ها از شواهد با استفاده از NLI بود، نه نرخ واقعی خطاهای پزشکی در محیط درمان. حتی پس از استفاده از CARE-Med نیز ۱۰ درصد پاسخ‌ها طبق این معیار فاقد پشتیبانی بودند. همچنین عملکرد بهتر در بنچمارک‌های پژوهشی، به معنای تأیید ایمنی سامانه برای تصمیم‌گیری مستقل درباره بیماران نیست. ŸŸ چرا این پژوهش مهم است؟ این مطالعه نشان می‌دهد اتصال یک مدل زبانی به منابع پزشکی، به‌تنهایی برای اعتماد به پاسخ‌های آن کافی نیست. سامانه باید بتواند بررسی کند که آیا ادعاهای تولیدشده واقعاً با شواهد علمی پشتیبانی می‌شوند یا خیر. این رویکرد برای توسعه دستیارهای پزشکی فارسی، سامانه‌های پاسخ‌گویی مبتنی بر اسناد سلامت و عامل‌های هوش مصنوعی قابل‌اعتماد نیز ارزش پژوهشی دارد. 💡 شناسنامه پژوهش نویسندگان: Sudheer Reddy و Shirina Samreen دانشگاه‌های همکار: دانشگاه آنوراگ، هند؛ دانشگاه مجمعه، عربستان سعودی نشریه: Scientific Reports، از مجموعه Nature Portfolio تاریخ انتشار: ۲۶ اکتبر ۲۰۲۶ (۴ آبان ۱۴۰۵) نوع پژوهش: توسعه و ارزیابی محاسباتی چارچوب هوش مصنوعی پزشکی وضعیت انتشار: داوری‌شده؛ نسخه انتشار زودهنگام ناشر 📚 مقاله اصلی: https://doi.org/10.1038/s41598-026-75909-y #هوش_مصنوعی_در_سلامت #توهم_هوش_مصنوعی #هوش_مصنوعی_اعتمادپذیر #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🔗@NeuronRC

🧠 آموزش هوش مصنوعی | هوش مصنوعی در سلامت وقتی هوش مصنوعی با اطمینان اطلاعات اشتباه می‌دهد؛ «توهم هوش مصنوعی» چیست؟ تصور کنید از یک دستیار هوش مصنوعی درباره عوارض یک دارو سؤال می‌کنید. پاسخ، دقیق و علمی به نظر می‌رسد؛ حتی ممکن است نام چند پژوهش معتبر را هم ذکر کند. اما وقتی منابع را بررسی می‌کنید، متوجه می‌شوید بعضی از آن‌ها اصلاً وجود ندارند یا اطلاعات ارائه‌شده با واقعیت مطابقت ندارد! 🔍 توهم هوش مصنوعی چیست؟ به این پدیده «توهم هوش مصنوعی» (AI Hallucination) می‌گویند؛ زمانی که یک مدل هوش مصنوعی اطلاعات نادرست، ساختگی یا بدون پشتوانه معتبر تولید می‌کند، اما آن‌ها را مانند اطلاعات واقعی ارائه می‌دهد. نکته مهم این است که هوش مصنوعی ممکن است پاسخ اشتباه را با همان لحن مطمئنی بیان کند که یک پاسخ درست را ارائه می‌دهد. چرا این اتفاق می‌افتد؟ مدل‌های زبانی اساساً برای پیش‌بینی و تولید متن آموزش دیده‌اند، نه برای تضمین درستی تمام اطلاعات. بنابراین ممکن است هنگام پاسخ‌گویی، اطلاعات ناقص را با الگوهای آموخته‌شده ترکیب کنند و به نتیجه‌ای برسند که ظاهراً منطقی، اما از نظر علمی نادرست است. 🏥چرا در پزشکی خطرناک‌تر است؟ توهم هوش مصنوعی ممکن است باعث شود: ▪️ یک دارو یا روش درمانی نامناسب پیشنهاد شود. ▪️ نتایج آزمایش بیمار به‌اشتباه تفسیر شوند. ▪️ مقاله یا منبع علمی ساختگی به‌عنوان سند معتبر معرفی شود. ▪️ اطلاعات مهم درباره عوارض یا تداخل داروها نادیده گرفته شود. نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت وقتی راهنمای پزشکی در اختیار هوش مصنوعی قرار می‌گیرد، پاسخ‌های تخصصی دقیق‌تر می‌شوند! پژوهشگران دانشگاه دیچله ترکیه در مطالعه‌ای تازه، عملکرد سه مدل ChatGPT، Claude و DeepSeek را در پاسخ‌گویی به مسائل تخصصی دندان‌پزشکی بررسی کردند. نتایج این پژوهش که در نشریه Scientific Reports منتشر شده، نشان می‌دهد ارائه راهنمای علمی معتبر به مدل‌های زبانی می‌تواند کیفیت پاسخ‌ها و میزان انطباق آن‌ها با توصیه‌های تخصصی را بهبود دهد. 🔍 سؤال اصلی پژوهش چه بود؟ آیا مدل‌های زبانی هنگامی که به متن کامل یک راهنمای بالینی معتبر دسترسی دارند، تصمیم‌های مناسب‌تری پیشنهاد می‌کنند؟ موضوع مطالعه، تصمیم‌گیری درباره درمان ریشه دندان در بیمارانی بود که به‌دلیل مصرف برخی داروها در معرض خطر استئونکروز فک، یعنی آسیب و ازبین‌رفتن بافت استخوانی فک، قرار دارند. 🔬 پژوهشگران چه کردند؟ پژوهشگران ۱۸ سناریوی فرضی دندان‌پزشکی طراحی کردند و از سه مدل هوش مصنوعی خواستند درباره آن‌ها تصمیم‌گیری کنند. در مرحله نخست، مدل‌ها بدون دریافت متن کامل راهنما پاسخ دادند. در مرحله دوم، راهنمای تخصصی انجمن جراحان دهان و فک و صورت آمریکا در اختیار آن‌ها قرار گرفت. دو متخصص درمان ریشه، پاسخ‌های ناشناس را در پنج حوزه تصمیم‌گیری ارزیابی کردند. ŸŸ نتایج چه بود؟ ▪️ در ارزیابی اولیه، ChatGPT میانگین امتیاز ۴٫۶۸ و Claude امتیاز ۴٫۲۹ از ۵ را کسب کردند. ▪️ پس از ارائه راهنمای بالینی، میانگین امتیاز Claude به ۴٫۶۸ رسید و اختلاف معنادار اولیه آن با ChatGPT دیگر مشاهده نشد. ▪️ بیشترین بهبود اختصاصی در توصیه‌های مربوط به پیگیری بیمار، به‌ویژه در پاسخ‌های Claude، گزارش شد. DeepSeek در مجموع امتیاز پایین‌تری از دو مدل دیگر داشت. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ این پژوهش داوری‌شده است، اما تمام سناریوها فرضی بودند و هیچ بیمار واقعی در مطالعه حضور نداشت. همچنین سناریوها، معیار داوری و متن ارائه‌شده به مدل‌ها بر اساس یک راهنمای مشترک تنظیم شده بودند؛ بنابراین افزایش امتیاز لزوماً به معنای بهبود تصمیم‌گیری در شرایط واقعی درمان نیست. ŸŸ چرا این پژوهش مهم است؟ این مطالعه نشان می‌دهد پاسخ یک مدل هوش مصنوعی فقط به توانایی خود مدل وابسته نیست؛ اطلاعات تخصصی و منابع معتبری که هنگام پاسخ‌گویی در اختیار آن قرار می‌گیرند نیز اهمیت دارند. برای توسعه دستیارهای پزشکی و دندان‌پزشکی فارسی، این یافته بر ضرورت استفاده از راهنماهای بالینی معتبر و ارزیابی مستقل پاسخ‌ها تأکید می‌کند. ŸŸ شناسنامه پژوهش دانشگاه: دانشگاه دیچله، دیاربکر، ترکیه نویسندگان: Mehmet Ali Altunkum، Gizem Akın Tartuk، Tolga Mavigöz و Sadullah Kaya نشریه: Scientific Reports، از مجموعه Nature Portfolio نوع پژوهش: مطالعه مقایسه‌ای مدل‌های زبانی روی سناریوهای فرضی بالینی وضعیت انتشار: مقاله داوری‌شده 📊 مقاله اصلی: https://doi.org/10.1038/s41598-026-78154-5 #هوش_مصنوعی_در_سلامت #دندانپزشکی #مدل_های_زبانی_بزرگ #هوش_مصنوعی_اعتمادپذیر #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 💡@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت هفت چت‌بات هوش مصنوعی در آزمون ایمنی پرتوی، عملکرد بهتری از پزشکان و دندان‌پزشکان داشتند! پژوهشگران دانشگاه مرسین ترکیه در مطالعه‌ای تازه، دانش پزشکان، دندان‌پزشکان و افراد عادی را درباره خطرات پرتو و اصول حفاظت در برابر آن با هفت سامانه هوش مصنوعی مقایسه کردند. نتایج این پژوهش که در ۲۶ اکتبر ۲۰۲۶ در نشریه Scientific Reports منتشر شد، نشان داد چت‌بات‌ها در پاسخ به پرسش‌های نظری ایمنی پرتوی، امتیاز بالاتری از گروه‌های انسانی کسب کردند. 🔍 سؤال اصلی پژوهش چه بود؟ آیا چت‌بات‌های هوش مصنوعی می‌توانند به پرسش‌های تخصصی درباره خطرات پرتو و اصول حفاظت در برابر آن، دقیق‌تر از پزشکان، دندان‌پزشکان و افراد جامعه پاسخ دهند؟ 🔬 پژوهشگران چه کردند؟ پژوهشگران پرسش‌نامه‌ای شامل ۲۵ سؤال چندگزینه‌ای درباره ایمنی پرتوی تهیه کردند. ۳۴۴ نفر از گروه‌های پزشکی، دندان‌پزشکی و عموم مردم در آزمون شرکت کردند. همان سؤالات از هفت سامانه شامل ChatGPT-5، ChatGPT-4o، Claude، Gemini، DeepSeek، Microsoft Copilot و Perplexity پرسیده شد. پژوهشگران همچنین پایداری پاسخ‌های مدل‌ها را در زمان‌های مختلف بررسی کردند. ŸŸ نتایج چه بود؟ ▪️ دقت پاسخ چت‌بات‌ها بین ۸۰ تا ۹۰٫۶۷ درصد بود؛ درحالی‌که این میزان در گروه‌های انسانی بین ۳۲ تا ۶۰ درصد گزارش شد. ▪️ در میان سامانه‌های بررسی‌شده، Microsoft Copilot بالاترین و Perplexity پایین‌ترین دقت را داشتند. پزشکان و دندان‌پزشکان نیز عملکرد بهتری از افراد عادی نشان دادند، اما اختلاف معناداری میان این دو گروه حرفه‌ای مشاهده نشد. ▪️ عملکرد بیشتر چت‌بات‌ها در زمان‌های مختلف نسبتاً پایدار بود؛ بااین‌حال، پاسخ‌های ChatGPT-5 تغییر معناداری در طول زمان نشان دادند. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ این مقاله داوری‌شده است، اما پژوهشگران فقط دانش نظری را با پرسش‌های چندگزینه‌ای ارزیابی کردند. عملکرد بهتر در چنین آزمونی به معنای توانایی بیشتر در تصمیم‌گیری بالینی، تفسیر تصاویر پزشکی یا رعایت عملی اصول حفاظت پرتوی نیست. نتایج همچنین به نسخه مدل‌ها و شرایط اجرای آزمون وابسته‌اند. ŸŸ چرا این پژوهش مهم است؟ ایمنی پرتوی در تصویربرداری پزشکی و دندان‌پزشکی اهمیت زیادی دارد و آگاهی از اصول آن می‌تواند به کاهش مواجهه غیرضروری با پرتو کمک کند. این مطالعه نشان می‌دهد چت‌بات‌های هوش مصنوعی می‌توانند ابزارهای کمکی مفیدی برای آموزش و مرور مفاهیم ایمنی پرتوی باشند. برای دانشگاه‌های علوم پزشکی ایران نیز ارزیابی نسخه‌های فارسی این ابزارها و طراحی محتوای آموزشی معتبر می‌تواند زمینه مناسبی برای پژوهش باشد. ŸŸ شناسنامه پژوهش پژوهشگران: Hazal Karslıoğlu، Fatıma Sümeyra Çetin و Halil Altun مرکز پژوهشی: دانشکده دندان‌پزشکی دانشگاه مرسین، ترکیه نشریه: Scientific Reports، از مجموعه Nature Portfolio نوع پژوهش: مطالعه مقایسه‌ای پرسش‌نامه‌ای 📊 مقاله اصلی: https://doi.org/10.1038/s41598-026-77832-8 #هوش_مصنوعی_در_سلامت #ایمنی_پرتوی #دندانپزشکی #آموزش_پزشکی #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت @neuronrc

🔬 پژوهش جدید | هوش مصنوعی در سلامت آشنایی با هوش مصنوعی کافی نیست؛ دانشجویان پرستاری در مهارت عملی ضعف بیشتری دارند! پژوهشگران دانشگاه‌های استان هوبئی چین در مطالعه‌ای روی ۶۸۴ دانشجوی پرستاری بررسی کردند که این دانشجویان تا چه اندازه برای استفاده از هوش مصنوعی در فعالیت‌های حرفه‌ای آینده آماده‌اند. نتایج پژوهش که در نشریه Frontiers in Medicine منتشر شده، نشان می‌دهد دانشجویان از نظر شناخت مفاهیم هوش مصنوعی وضعیت بهتری دارند، اما در شایستگی استفاده عملی از آن امتیاز پایین‌تری کسب کرده‌اند. 🔍 سؤال اصلی پژوهش چه بود؟ آیا دانشجویان پرستاری فقط با هوش مصنوعی آشنا هستند یا برای استفاده مؤثر و مسئولانه از آن در محیط‌های سلامت نیز آمادگی دارند؟ 🔬 پژوهشگران چه کردند؟ در این مطالعه مقطعی، ۶۸۴ دانشجوی پرستاری از دو دانشگاه چین با استفاده از پرسش‌نامه استاندارد آمادگی هوش مصنوعی پزشکی ارزیابی شدند. پرسش‌نامه چهار حوزه شناخت، شایستگی، نگرش به آینده و اخلاق را می‌سنجید. پژوهشگران همچنین ارتباط تجربه آموزشی و میزان استفاده از ابزارهای هوش مصنوعی را با امتیاز آمادگی بررسی کردند. 📊 نتایج چه بود؟ ▪️ میانگین آمادگی هوش مصنوعی ۳٫۴۷ از ۵ بود. حوزه شناخت با امتیاز ۳٫۵۷ بالاترین و شایستگی عملی با امتیاز ۳٫۳۲ پایین‌ترین میانگین را داشت. ▪️ دانشجویانی که آموزش هوش مصنوعی دیده بودند، میانگین امتیاز بالاتری نسبت به سایر دانشجویان داشتند؛ ۳٫۵۸ در برابر ۳٫۴۳. ▪️ سطح تحصیلات، سابقه برنامه‌نویسی و فراوانی استفاده از مدل‌های زبانی با آمادگی بیشتر ارتباط داشتند. مدل آماری پژوهش توانست ۳۳٫۳ درصد از تفاوت امتیازها را توضیح دهد. 💡 چرا این پژوهش مهم است؟ ورود هوش مصنوعی به پرستاری فقط به خرید نرم‌افزار و تجهیزات جدید نیاز ندارد؛ نیروی انسانی نیز باید بتواند از این ابزارها به‌درستی استفاده کند، محدودیت‌های آن‌ها را بشناسد و خطاهای احتمالی را تشخیص دهد. این یافته‌ها برای دانشگاه‌های علوم پزشکی ایران نیز قابل توجه‌اند؛ به‌ویژه در طراحی آموزش‌های عملی سواد هوش مصنوعی برای دانشجویان پرستاری. ŸŸ شناسنامه پژوهش پژوهشگران: Hui Qin، Tao Zeng و Lu Liu مرکز پژوهشی: دانشگاه فناوری جینگ‌چو، استان هوبئی، چین؛ با مشارکت دانشجویان دو دانشگاه نشریه: Frontiers in Medicine نوع پژوهش: مطالعه مقطعی پرسش‌نامه‌ای 📚 مقاله اصلی: https://doi.org/10.3389/fmed.2026.2007016 #هوش_مصنوعی_در_سلامت #آموزش_پرستاری #سواد_هوش_مصنوعی #سلامت_دیجیتال #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🔗@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت هوش مصنوعی عامل‌محور، ثبت عوارض ایمنی‌درمانی سرطان را سریع‌تر و دقیق‌تر کرد پژوهشگران دانشکده پزشکی هاروارد، مؤسسه سرطان دانا-فاربر، مجموعه درمانی Mass General Brigham و چند مرکز دانشگاهی دیگر در آمریکا و هلند، سامانه‌ای مبتنی بر هوش مصنوعی عامل‌محور طراحی کرده‌اند که به شناسایی و ثبت عوارض ناشی از ایمنی‌درمانی سرطان کمک می‌کند. نتایج این پژوهش که ۲۹ اکتبر ۲۰۲۶ در نشریه Nature Cancer منتشر شده، نشان می‌دهد استفاده از این سامانه در کنار نیروی انسانی می‌تواند سرعت و هماهنگی بررسی پرونده‌های پزشکی را بهبود دهد. 🔍 سؤال اصلی پژوهش چه بود؟ آیا هوش مصنوعی می‌تواند از میان یادداشت‌های بالینی بیماران سرطانی، عوارض ایمنی‌درمانی را شناسایی کند و به کارشناسان در ثبت دقیق‌تر و سریع‌تر این عوارض کمک کند؟ 🔬 پژوهشگران چه کردند؟ سامانه‌ای متشکل از شش عامل تخصصی هوش مصنوعی توسعه یافت که اطلاعات مربوط به شش نوع عارضه، از جمله التهاب ریه، کبد، روده، تیروئید و عضله قلب را استخراج می‌کرد. مطالعه در سه مرحله انجام شد: ارزیابی گذشته‌نگر روی ۲۶۳ یادداشت بالینی آزمون، اجرای آزمایشی آینده‌نگر روی ۸۸۴ یادداشت طی سه ماه و مقایسه عملکرد ۱۷ کارشناس پژوهش بالینی هنگام بررسی پرونده‌ها با کمک هوش مصنوعی و بدون آن. 📊 نتایج چه بود؟ ▪️ در آزمون گذشته‌نگر، امتیاز F1 سامانه برای شناسایی عوارض فعال به ۰٫۹۲ رسید؛ اما این شاخص برای درجه‌بندی شدت عوارض ۰٫۶۶ بود. F1 معیاری برای ارزیابی توازن میان شناسایی درست موارد و پرهیز از اعلام موارد نادرست است. ▪️ در ارزیابی آینده‌نگر، امتیاز F1 به محدوده ۰٫۷۲ تا ۰٫۷۹ کاهش یافت؛ نشانه‌ای از اینکه عملکرد مدل در محیط واقعی می‌تواند با آزمون‌های اولیه متفاوت باشد. ▪️ استفاده از هوش مصنوعی، زمان میانه بررسی هر یادداشت را ۴۳٫۵ درصد کاهش داد. همچنین میزان تطابق کامل ثبت‌ها با پاسخ مرجع از ۱۹٫۴ به ۲۵٫۹ درصد افزایش یافت و توافق میان کارشناسان نیز بهبود پیدا کرد. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ این پژوهش علاوه بر آزمون گذشته‌نگر، شامل ارزیابی آینده‌نگر و مطالعه تصادفی متقاطع با کارشناسان بود؛ بااین‌حال، تمام مراحل در یک نظام سلامت انجام شده‌اند و اعتبارسنجی مستقل در مراکز دیگر صورت نگرفته است. همچنین پژوهش، بهبود پیامدهای درمانی بیماران را بررسی نکرده است. بنابراین نتایج فعلاً از کاربرد سامانه برای کمک به بررسی و ثبت عوارض پشتیبانی می‌کنند، نه جایگزینی قضاوت بالینی پزشک. 💡 چرا این پژوهش مهم است؟ بخش زیادی از اطلاعات مربوط به عوارض درمان سرطان در یادداشت‌های متنی پزشکان ثبت می‌شود و بررسی دستی آن‌ها زمان‌بر است. این مطالعه نشان می‌دهد هوش مصنوعی عامل‌محور، با استخراج اطلاعات و ارائه شواهد قابل بررسی، می‌تواند بخشی از این کار را برای کارشناسان آسان‌تر کند. چنین رویکردی برای مراکز سرطان و سامانه‌های پایش ایمنی دارو در ایران نیز قابل بررسی است؛ البته به شرط ارزیابی مستقل با پرونده‌های فارسی، داده‌های بومی و نظارت متخصصان. 📚 شناسنامه پژوهش دانشگاه‌ها و مراکز همکار: دانشکده پزشکی هاروارد، مؤسسه سرطان دانا-فاربر، Mass General Brigham، دانشگاه براون، دانشگاه ماستریخت، MIT، دانشگاه پیتسبورگ و مراکز پژوهشی همکار آمریکا نشریه: Nature Cancer تاریخ انتشار: ۲۹ اکتبر ۲۰۲۶ نوع پژوهش: مطالعه چندمرحله‌ای شامل ارزیابی گذشته‌نگر، اعتبارسنجی آینده‌نگر و مطالعه تصادفی متقاطع وضعیت انتشار: مقاله علمی داوری‌شده، دسترسی آزاد 🔗 مقاله اصلی: https://doi.org/10.1038/s43018-026-01264-6 #هوش_مصنوعی_در_سلامت #هوش_مصنوعی_عامل_محور #سرطان #ایمنی_درمانی #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت آیا هوش مصنوعی هرچه بیشتر فکر کند، تشخیص پزشکی دقیق‌تری می‌دهد؟ پژوهشی تازه در نشریه Nature Communications نشان داده است که مدل‌های هوش مصنوعی مجهز به قابلیت استدلال، اگرچه در تشخیص بیماری‌ها عملکرد بهتری دارند، ممکن است تشخیص‌های اشتباه بیشتری نیز مطرح کنند. این مطالعه با مشارکت پژوهشگران دانشگاه هنگ‌کنگ، دانشگاه تسینگ‌هوا، دانشکده پزشکی هاروارد و چند مرکز علمی دیگر در چین و آمریکا انجام شده است. 🔍 سؤال اصلی پژوهش چه بود؟ آیا مدل‌های هوش مصنوعی استدلالی که پیش از پاسخ‌دادن مراحل بیشتری از تحلیل را طی می‌کنند، در تشخیص بیماری‌ها دقیق‌تر و قابل‌اعتمادتر از مدل‌های زبانی معمولی هستند؟ 🔬 پژوهشگران چه کردند؟ محققان مجموعه ارزیابی AIMS-LDR را با استفاده از ۲٬۹۷۸ پرونده واقعی بیماران، شامل داده‌های MIMIC-IV و eICU، طراحی کردند. آن‌ها شش جفت مدل هوش مصنوعی را در حالت استدلالی و غیر‌استدلالی، در ۱۲ تخصص پزشکی مقایسه کردند. همچنین در مطالعه‌ای با مشارکت ۱۵ پزشک، عملکرد تشخیص با همکاری پزشک و هوش مصنوعی بررسی شد. 📊 نتایج چه بود؟ ▪️ مدل‌های استدلالی در تشخیص اصلی بیماری و پیشنهاد تشخیص‌های افتراقی مرتبط عملکرد بهتری داشتند؛ اما بیش از ۳۴ درصد تشخیص مثبت کاذب بیشتری تولید کردند. یعنی بیماری‌هایی را مطرح کردند که شواهد کافی برای تأیید آن‌ها وجود نداشت. ▪️ تکرارپذیری پاسخ‌های این مدل‌ها حدود ۴۰ درصد کمتر بود. به بیان ساده، وقتی یک پرونده چند بار بررسی می‌شد، احتمال دریافت پاسخ‌های یکسان کاهش پیدا می‌کرد. ▪️ وقتی مدل استدلالی برای پیشنهاد تشخیص‌ها و پزشک برای بررسی اعتبار آن‌ها به کار گرفته شد، دقت تشخیص ۲۰ درصد افزایش یافت و تشخیص‌های مثبت کاذب ۴۴ درصد کاهش پیدا کرد. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ پژوهش از داده‌های واقعی پرونده‌های پزشکی استفاده کرده و مدل‌ها را در شرایط مختلف ارزیابی کرده است. بااین‌حال، آزمایش‌ها در محیط کنترل‌شده و به‌صورت گذشته‌نگر انجام شده‌اند. هنوز مشخص نیست این نتایج در مواجهه مستقیم با بیماران و شرایط واقعی بیمارستان نیز تکرار شوند. بنابراین، افزایش دقت در این آزمایش‌ها به معنای اثبات ایمنی استفاده مستقل از هوش مصنوعی برای تشخیص پزشکی نیست. 💡 چرا این پژوهش مهم است؟ این مطالعه یک نکته مهم را روشن می‌کند: توانایی بیشتر هوش مصنوعی در استدلال، لزوماً به معنای تصمیم‌گیری ایمن‌تر نیست. برای استفاده از این فناوری در بیمارستان‌ها، علاوه بر دقت تشخیص، باید میزان خطا، ثبات پاسخ‌ها و نقش پزشک در تأیید نتایج نیز ارزیابی شود. این موضوع برای توسعه دستیارهای هوشمند پزشکی در ایران نیز اهمیت دارد؛ به‌ویژه سامانه‌هایی که قرار است در تصمیم‌گیری‌های حساس بالینی به پزشکان کمک کنند. 📚 شناسنامه پژوهش دانشگاه‌های همکار: دانشگاه هنگ‌کنگ، دانشگاه تسینگ‌هوا، دانشکده پزشکی هاروارد، دانشگاه علم و فناوری جنوب چین، مؤسسه فناوری پکن، دانشگاه کالیفرنیا سانتاکروز و بیمارستان عمومی ماساچوست نشریه: Nature Communications تاریخ انتشار: ۲۹ اکتبر ۲۰۲۶ نوع پژوهش: مطالعه مقایسه‌ای گذشته‌نگر با ارزیابی مدل‌های استدلالی و اعتبارسنجی با مشارکت پزشکان وضعیت انتشار: داوری‌شده، دسترسی آزاد؛ نسخه پذیرفته‌شده پیش از ویرایش نهایی ناشر 🔗 مقاله اصلی: https://doi.org/10.1038/s41467-026-78520-x #هوش_مصنوعی_در_سلامت #هوش_مصنوعی_استدلالی #تشخیص_پزشکی #ایمنی_بیمار #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

مایکروسافت دوره‌ی ۲۱ جلسه‌ای هوش مصنوعی را همراه با پروژه‌های عملی و نمونه‌کدها به‌صورت رایگان و با ترجمه‌ی فارسی در گیت‌هاب منتشر کرد. مایکروسافت دوره‌ای رایگان برای یادگیری هوش مصنوعی ارائه کرده است که از مفاهیم اولیه تا ساخت چت‌بات، تولید تصویر و توسعه‌ی عامل‌های هوشمند را آموزش می‌دهد. این دوره در گیت‌هاب منتشر شده، ۲۱ درس اصلی دارد و نسخه‌ی فارسی آن نیز در دسترس است. یادگیری هوش مصنوعی دیگر به شناخت ابزارهایی مانند چت‌جی‌پی‌تی و نوشتن چند دستور متنی محدود نمی‌شود. بسیاری از کاربران به‌دنبال یادگیری روش ساخت برنامه‌هایی هستند که بتوانند با مدل‌های زبانی ارتباط برقرار کنند، به پرسش‌ها پاسخ دهند یا اطلاعات موردنیاز را از اسناد و پایگاه‌های داده استخراج کنند. مایکروسافت برای آموزش این مهارت‌ها، دوره‌ای با عنوان Generative AI for Beginners را در گیت‌هاب ارائه کرده است. این مجموعه به دست تیم Microsoft Cloud Advocates تهیه شده و نسخه‌ی سوم آن شامل ۲۱ درس اصلی و یک بخش مقدماتی برای آماده‌سازی محیط توسعه است. مخزن دوره تا زمان نگارش این مقاله، بیش از ۱۲۲ هزار ستاره در گیت‌هاب دریافت کرده است؛ آماری که نشان‌دهنده‌ی توجه گسترده‌ی کاربران و توسعه‌دهندگان به این پروژه است. https://github.com/microsoft/generative-ai-for-beginners/blob/main/translations/fa/README.md 🆔 @AiGovernance

🇮🇷 پژوهش ایرانی | هوش مصنوعی در سلامت هوش مصنوعی در تصویربرداری دندان و فک چقدر دقیق است؟ بررسی ۷۴ پژوهش توسط محققان ایرانی پژوهشگران دانشگاه علوم پزشکی شهید بهشتی، دانشگاه علوم پزشکی ارومیه، دانشگاه صنعتی امیرکبیر و چند مرکز دانشگاهی دیگر در ایران، در یک پژوهش مشترک عملکرد هوش مصنوعی را در تحلیل تصاویر سه‌بعدی دندان، فک و صورت بررسی کردند. 🔍 سؤال اصلی پژوهش چه بود؟ آیا هوش مصنوعی می‌تواند در شناسایی ضایعات، تشخیص ساختارهای آناتومیکی و تحلیل تصاویر سی‌بی‌سی‌تی (CBCT) به دندان‌پزشکان کمک کند؟CBCT نوعی تصویربرداری سه‌بعدی است که برای بررسی دقیق دندان‌ها، استخوان فک و ساختارهای اطراف آن‌ها استفاده می‌شود. 🔬 پژوهشگران چه کردند؟ پژوهشگران نتایج ۷۴ مطالعه منتشرشده درباره کاربرد یادگیری ماشین در تصاویر CBCT را گردآوری و با روش مرور نظام‌مند و فراتحلیل بررسی کردند. 📊 نتایج چه بود؟ ▪️ میانگین تجمیعی دقت مدل‌ها در مطالعات قابل ترکیب، ۸۸ درصد گزارش شد. ▪️ حساسیت تجمیعی ۹۵ درصد بود؛ یعنی مدل‌ها در شرایط مطالعات بررسی‌شده، توانایی بالایی در شناسایی موارد مثبت داشتند. ▪️ شاخص AUC نیز به ۰٫۹۳ رسید که نشان‌دهنده توانایی مناسب مدل‌ها در تفکیک گروه‌های مورد بررسی است. 💡 چرا این پژوهش مهم است؟ این مطالعه نشان می‌دهد هوش مصنوعی ظرفیت کمک به دندان‌پزشکان در تحلیل تصاویر سه‌بعدی را دارد، اما عملکرد خوب در پژوهش‌های آزمایشگاهی لزوماً به معنای آمادگی برای استفاده روزمره نیست. مشارکت دانشگاه‌های ایرانی در این فراتحلیل نیز به شناخت دقیق‌تر فرصت‌ها و محدودیت‌های هوش مصنوعی در دندان‌پزشکی کمک می‌کند. 📚 شناسنامه پژوهش پژوهشگران: عارف زارعی، حدیث ملک‌پور، مهیا نقی‌پور علمداری و همکاران مراکز همکار: دانشگاه‌های علوم پزشکی شهید بهشتی، ارومیه، اردبیل و تهران، دانشگاه صنعتی امیرکبیر و سایر مراکز دانشگاهی همکار نشریه: BMC Oral Health نوع پژوهش: مرور نظام‌مند و فراتحلیل وضعیت انتشار: داوری‌شده؛ نسخه پذیرفته‌شده با انتشار زودهنگام 🔗 مقاله اصلی: https://doi.org/10.1186/s12903-026-10316-3 #پژوهش_ایرانی #هوش_مصنوعی_در_سلامت #دندانپزشکی_دیجیتال #تصویربرداری_پزشکی #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت چرا اضافه‌کردن یک درس هوش مصنوعی به آموزش پزشکان کافی نیست؟ پژوهشگران دانشگاه مک‌مستر کانادا در مطالعه‌ای تازه نشان داده‌اند که آموزش هوش مصنوعی به پزشکان متخصص آینده، فقط به تدوین سرفصل‌های درسی جدید محدود نمی‌شود. این پژوهش که در نشریه BMC Medical Education منتشر شده، به موانعی پرداخته است که دانشگاه‌ها هنگام واردکردن هوش مصنوعی به دوره‌های دستیاری تخصصی پزشکی با آن روبه‌رو هستند. 🔍 پژوهشگران چه کردند؟ آن‌ها با ۱۲ پزشک فعال در حوزه هوش مصنوعی و آموزش پزشکی در آمریکای شمالی مصاحبه کردند تا مشکلات و نیازهای آموزشی را از نگاه متخصصان شناسایی کنند. 📊 چه نتایجی به دست آمد؟ پژوهشگران پنج چالش اصلی را شناسایی کردند: ▪️ تغییر سریع فناوری و نیاز به بازنگری مداوم محتوای آموزشی ▪️ آشنایی ناکافی برخی استادان با کاربردهای هوش مصنوعی ▪️ آماده‌نبودن زیرساخت‌ها و مقررات دانشگاهی ▪️ نبود استانداردهای آموزشی روشن و مورد توافق ▪️ نگرانی درباره تغییر نقش و مسئولیت حرفه‌ای پزشکان 💡 چرا این پژوهش مهم است؟ یافته‌ها نشان می‌دهد اضافه‌کردن یک واحد درسی هوش مصنوعی، بدون آموزش اعضای هیئت علمی و آماده‌سازی دانشگاه، کافی نیست. پژوهشگران پیشنهاد می‌کنند برنامه‌های آموزشی انعطاف‌پذیر باشند و استادان و دستیاران بتوانند بخشی از مهارت‌های جدید را در کنار یکدیگر یاد بگیرند. 🔗 مقاله اصلی: https://doi.org/10.1186/s12909-026-10684-y #هوش_مصنوعی_در_سلامت #آموزش_پزشکی #آموزش_هوش_مصنوعی #سلامت_دیجیتال #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC