🧠 تقویت همکاری‌ها برای ورود هوش مصنوعی به آموزش پزشکی 🔻 تمرکز هوش مصنوعی بر تقویت استدلال بالینی و ایمنی بیمار 🔹 شرکت اوپن‌اویدنس (OpenEvidence) و دانشکده پزشکی جانز هاپکینز روز ۱۳ اکتبر از همکاری راهبردی برای توسعه رویکردهای تازه در آموزش پزشکی و مراقبت بالینی خبر دادند. هدف از این همکاری، آماده‌سازی پزشکان آینده برای کار در محیط مجهز به هوش مصنوعی و کمک به پزشکان برای به‌کارگیری شواهد پزشکی روزآمد در تصمیم‌گیری برای هر بیمار است. 🔹 این همکاری دو محور اصلی بازطراحی آموزش پزشکان برای محیط مبتنی بر هوش مصنوعی و توسعه سامانه‌هایی برای اتصال پژوهش‌های پزشکی، سوابق بیمار و رویه‌های بالینی جانز هاپکینز را دنبال می‌کند. 🍂@NeuronRC

🇮🇷 پژوهش ایرانی | هوش مصنوعی در سلامت پژوهشگران ایرانی با هوش مصنوعی، خطر مرگ‌ومیر نوزادان را پیش‌بینی کردند پژوهشگران دانشگاه علوم پزشکی شیراز با همکاری دانشگاه صنعتی شریف، دانشگاه علوم پزشکی تهران و دانشگاه فرایبورگ آلمان، مدلی برای پیش‌بینی خطر مرگ‌ومیر نوزادان توسعه داده‌اند. این پژوهش که در نشریه معتبر Scientific Reports منتشر شده، بر پایه اطلاعات بیش از ۶۱ هزار نوزاد ایرانی انجام شده است. 🔍 سؤال اصلی پژوهش چه بود؟ آیا می‌توان با استفاده از اطلاعات معمول دوران بارداری و هنگام تولد، نوزادانی را که در معرض خطر بالاتر مرگ‌ومیر قرار دارند، زودتر شناسایی کرد؟ 🔬 پژوهشگران چه کردند؟ در این مطالعه، اطلاعات ۶۱٬۵۱۷ نوزاد از سامانه ثبت ایرانی IMAN بررسی شد که در میان آن‌ها ۱۳۱ مورد مرگ ثبت شده بود. پژوهشگران با استفاده از ۶۰ ویژگی مرتبط با مادر و نوزاد، دو مدل رگرسیون لجستیک و LightGBM را توسعه دادند و عملکرد آن‌ها را ارزیابی کردند. 📊 نتایج چه بود؟ ▪️ مدل رگرسیون لجستیک به شاخص AUROC برابر ۰٫۹۵۵ رسید؛ یعنی توان بالایی در تفکیک موارد پرخطر از کم‌خطر در داده‌های مطالعه نشان داد. ▪️ این مدل در آستانه انتخاب‌شده توانست ۸۷٫۸ درصد موارد مرگ را شناسایی کند. ▪️ بااین‌حال، در آزمونی جداگانه روی ۶۰۴ پرونده نوزاد فوت‌شده از مرکز و دوره زمانی دیگر، میزان شناسایی به ۶۹٫۵ درصد رسید. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ اگرچه نتایج اولیه امیدوارکننده‌اند، مجموعه آزمون خارجی فقط شامل نوزادان فوت‌شده بود. بنابراین هنوز عملکرد کامل مدل در یک جمعیت مستقل مشخص نیست و برای استفاده بالینی به اعتبارسنجی بیشتر نیاز دارد. 💡 چرا این پژوهش مهم است؟ اهمیت این مطالعه در استفاده از داده‌های واقعی نظام سلامت ایران برای توسعه مدل‌های پیش‌بینی خطر است. چنین پژوهش‌هایی می‌توانند زمینه توسعه ابزارهای تصمیم‌یار برای مراقبت از نوزادان را فراهم کنند؛ البته مشروط به تأیید عملکرد و ایمنی آن‌ها در محیط واقعی درمان. 📚 شناسنامه پژوهش دانشگاه‌های همکار: علوم پزشکی شیراز، صنعتی شریف، علوم پزشکی تهران و فرایبورگ آلمان نشریه: Scientific Reports (Nature Portfolio) تاریخ انتشار: ۲۸ مهر ۱۴۰۵ | ۲۰ اکتبر ۲۰۲۶ نوع پژوهش: مطالعه گذشته‌نگر مبتنی بر داده‌های ثبت جمعیتی وضعیت انتشار: مقاله پذیرفته‌شده و داوری‌شده 🔗 مقاله اصلی: https://doi.org/10.1038/s41598-026-76979-8 #پژوهش_ایرانی #هوش_مصنوعی_در_سلامت #سلامت_نوزادان #یادگیری_ماشین #پژوهش_پزشکی نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت هوش مصنوعی با تصاویر مصنوعی، عملکرد تشخیص شدت خشکی چشم را بهبود داد پژوهشگران مؤسسه پیشرفته علوم و فناوری کره (KAIST) و مرکز پزشکی سامسونگ، با همکاری دانشگاه سونگ‌کیونکوان، روشی معرفی کرده‌اند که با تولید تصاویر مصنوعی چشم، عملکرد مدل‌های درجه‌بندی بیماری خشکی چشم را بهبود می‌دهد؛ بدون آنکه نیازی به تبادل تصاویر خام بیماران میان مراکز باشد. نتایج این پژوهش در نشریه Scientific Reports منتشر شده است. 🔍 سؤال اصلی پژوهش چه بود؟ آیا می‌توان بدون انتقال تصاویر بیماران میان مراکز درمانی، با استفاده از هوش مصنوعی مولد و یادگیری مشارکتی، عملکرد مدل‌های تشخیص شدت خشکی چشم را بهبود داد؟ 🔬 پژوهشگران چه کردند؟ در این مطالعه گذشته‌نگر، از ۱٬۶۰۰ تصویر قرنیه در مرکز پزشکی سامسونگ کره جنوبی و ۲۶۰ تصویر از مجموعه‌داده دانشگاه سون یات‌سن چین استفاده شد. پژوهشگران روشی به نام CTL-GAN توسعه دادند که با استفاده از شبکه مولد StyleGAN3، تصاویر مصنوعی چشم تولید می‌کند. سپس مدل‌های طبقه‌بندی مبتنی بر DenseNet را با ترکیبی از تصاویر واقعی و مصنوعی آموزش دادند و عملکرد آن‌ها را با مدل آموزش‌دیده فقط روی تصاویر واقعی مقایسه کردند. 📊 نتایج چه بود؟ ▪️ در داده‌های مرکز پزشکی سامسونگ، دقت درجه‌بندی خشکی چشم از ۶۴٫۲ درصد به ۷۵٫۵ درصد افزایش یافت. ▪️ در مجموعه‌داده دانشگاه سون یات‌سن، انتقال وزن‌های مدل مولد و تنظیم آن با تصاویر محلی، دقت را از ۴۱٫۴ درصد به ۶۶٫۳ درصد رساند. ▪️ این بهبودها در آزمایش پژوهشی، بدون انتقال تصاویر خام بیماران میان دو مجموعه‌داده حاصل شدند. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ مطالعه گذشته‌نگر است و مرکز دوم به‌صورت شبیه‌سازی‌شده در فرایند یادگیری مشارکتی بررسی شده است؛ بنابراین عملکرد سامانه در یک شبکه واقعی چندبیمارستانی هنوز اثبات نشده است. همچنین انتقال‌ندادن تصاویر خام، به‌تنهایی تضمین‌کننده محرمانگی کامل اطلاعات بیماران نیست. اثربخشی بالینی و تعمیم‌پذیری روش نیز به بررسی‌های بیشتری نیاز دارد. 💡 چرا این پژوهش مهم است؟ یکی از چالش‌های توسعه هوش مصنوعی پزشکی، دسترسی محدود به داده‌های متنوع بیماران و محدودیت‌های اشتراک‌گذاری اطلاعات سلامت است. این پژوهش نشان می‌دهد ترکیب هوش مصنوعی مولد و یادگیری مشارکتی می‌تواند مسیری برای بهبود مدل‌های پزشکی در شرایط محدودیت تبادل داده باشد. برای ایران نیز این رویکرد ظرفیت پژوهشی قابل توجهی در همکاری میان دانشگاه‌های علوم پزشکی و مراکز چشم‌پزشکی دارد؛ البته با رعایت الزامات امنیت داده و اعتبارسنجی مستقل. 📚 شناسنامه پژوهش مؤسسات پژوهشی: KAIST، مرکز پزشکی سامسونگ، دانشگاه سونگ‌کیونکوان و SNU Eye Clinic، کره جنوبی مجموعه‌داده همکار: دانشگاه سون یات‌سن، چین نشریه: Scientific Reports (Nature Portfolio) تاریخ انتشار: ۲۸ مهر ۱۴۰۵ | ۲۰ اکتبر ۲۰۲۶ نوع پژوهش: مطالعه گذشته‌نگر، توسعه و ارزیابی مدل یادگیری ماشین وضعیت انتشار: نسخه پذیرفته‌شده و داوری‌شده 🔗 مقاله اصلی: https://doi.org/10.1038/s41598-026-76373-4 #هوش_مصنوعی_در_سلامت #چشم_پزشکی #خشکی_چشم #هوش_مصنوعی_مولد #حریم_خصوصی_داده نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت وقتی اعتماد به هوش مصنوعی دردسرساز می‌شود؛ دستیاران رادیولوژی ۵۲ درصد پیشنهادهای اشتباه آن را پذیرفتند پژوهشگران مرکز پزشکی آسان و دانشگاه اولسان کره جنوبی، با همکاری چند مرکز دانشگاهی در کره جنوبی و آمریکا، بررسی کردند که پزشکان باتجربه و کم‌تجربه هنگام مواجهه با تشخیص‌های هوش مصنوعی چگونه تصمیم می‌گیرند. نتایج این پژوهش، منتشرشده در نشریه npj Digital Medicine، نشان می‌دهد حتی مدل‌های نسبتاً قابل‌اعتماد نیز ممکن است باعث شوند برخی پزشکان پیشنهادهای اشتباه هوش مصنوعی را بدون بررسی کافی بپذیرند. 🔍 سؤال اصلی پژوهش چه بود؟ آیا کمک‌گرفتن از هوش مصنوعی همیشه دقت تشخیص را افزایش می‌دهد؟ وقتی یک مدل اشتباه می‌کند، تجربه پزشک چه تأثیری بر شناسایی و اصلاح خطای آن دارد؟ 🔬 پژوهشگران چه کردند؟ در این مطالعه، ۱۴ پزشک شامل ۶ رادیولوژیست کودکان، ۳ متخصص نوزادان و ۵ دستیار رادیولوژی شرکت کردند. پزشکان ۱۲۵ تصویر رادیوگرافی نوزادان از ۱۱ بیمارستان را برای شناسایی پنوموپریتونئوم، یعنی وجود هوای آزاد در حفره شکم که می‌تواند نشانه یک وضعیت اورژانسی باشد، بررسی کردند. پژوهشگران عملکرد پزشکان را در سه وضعیت مقایسه کردند: بدون کمک هوش مصنوعی، با مدل نسبتاً قابل‌اعتماد و با مدلی که عمداً خطاهایی در آن ایجاد شده بود. در مجموع، ۱٬۷۵۰ نوبت تفسیر تصویر ثبت شد. ŸŸ نتایج چه بود؟ ▪️ دستیاران رادیولوژی هنگام استفاده از مدل نسبتاً قابل‌اعتماد، ۵۲ درصد پیشنهادهای اشتباه آن را پذیرفتند؛ درحالی‌که این میزان برای رادیولوژیست‌های کودکان ۲۰ درصد بود. ▪️ سه متخصص نوزادان در مواجهه با مدل عمداً خطادار، توانستند ۹۱٫۷ درصد پیشنهادهای نادرست آن را تشخیص دهند و رد کنند. ▪️ پژوهشگران نشان دادند که قابل‌اعتمادبودن یک مدل، لزوماً به بهبود عملکرد همه پزشکان منجر نمی‌شود. این پدیده با مفهوم «سوگیری اتوماسیون» ارتباط دارد؛ یعنی اتکای بیش‌ازحد به پیشنهادهای یک سامانه خودکار. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ پژوهش در محیط آزمایشی انجام شده و رفتار پزشکان در شرایط واقعی بیمارستان ممکن است متفاوت باشد. همچنین فقط سه متخصص نوزادان در مطالعه حضور داشتند؛ بنابراین نتیجه مربوط به توانایی بالای آنان در اصلاح خطاها، به بررسی در گروه‌های بزرگ‌تر نیاز دارد. ŸŸ چرا این پژوهش مهم است؟ این مطالعه یادآور می‌شود که برای ارزیابی هوش مصنوعی پزشکی، سنجش دقت الگوریتم به‌تنهایی کافی نیست. باید بررسی کنیم پزشکان چگونه از پیشنهادهای AI استفاده می‌کنند، در چه شرایطی به آن اعتماد می‌کنند و آیا هنگام اشتباه‌کردن مدل، توانایی تشخیص مستقل خود را حفظ می‌کنند. این یافته‌ها برای آموزش پزشکان و طراحی سامانه‌های تصمیم‌یار ایمن در بیمارستان‌های ایران نیز اهمیت دارند. ŸŸ شناسنامه پژوهش مؤسسات پژوهشی: مرکز پزشکی آسان، دانشگاه اولسان، دانشگاه سونگ‌کیونکوان و مراکز دانشگاهی همکار در کره جنوبی و آمریکا نشریه: npj Digital Medicine (Nature Portfolio) نوع پژوهش: مطالعه چندخواننده‌ای متقاطع برای ارزیابی تعامل پزشک و هوش مصنوعی وضعیت انتشار: مقاله پذیرفته‌شده و داوری‌شده 📊 مقاله اصلی: https://doi.org/10.1038/s41746-026-03399-3 #هوش_مصنوعی_در_سلامت #ایمنی_بیمار #رادیولوژی #سوگیری_اتوماسیون #اعتمادپذیری_هوش_مصنوعی نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت @neuronrc

💡 هوش مصنوعی در سلامت | به زبان ساده آیا آزمایش خون می‌تواند سرنخی از افسردگی به ما بدهد؟ وقتی درباره افسردگی صحبت می‌کنیم، معمولاً به احساسات، افکار و رفتار افراد توجه می‌کنیم. اما پژوهشگران در حال بررسی این موضوع هستند که آیا اطلاعات مربوط به وضعیت جسمی افراد هم می‌تواند به شناخت بهتر افسردگی کمک کند. در پژوهشی که به‌تازگی در نشریه Scientific Reports منتشر شده، محققان چینی با استفاده از هوش مصنوعی، اطلاعات آزمایشگاهی افراد دارای افسردگی و افراد بدون افسردگی را بررسی کردند. نتایج نشان داد هوش مصنوعی می‌تواند الگوهایی را در برخی نشانگرهای خونی شناسایی کند که با افسردگی ارتباط دارند. اهمیت این پژوهش در آن است که شاید در آینده بتوان از اطلاعات آزمایشگاهی، در کنار گفت‌وگو با بیمار و ارزیابی‌های تخصصی، برای شناخت بهتر وضعیت سلامت روان استفاده کرد. البته این یافته به معنای تشخیص افسردگی با یک آزمایش خون نیست. هنوز باید مشخص شود چنین مدل‌هایی در شرایط واقعی و برای افراد مختلف تا چه اندازه قابل‌اعتماد هستند. این پژوهش نشان می‌دهد هوش مصنوعی چگونه می‌تواند به کشف ارتباط‌هایی میان سلامت جسم و روان کمک کند؛ ارتباط‌هایی که شناخت بهتر آن‌ها ممکن است در آینده به توسعه ابزارهای کمکی برای پزشکان منجر شود. 🔗 پژوهش اصلی: https://doi.org/10.1038/s41598-026-76338-7 #هوش_مصنوعی_در_سلامت #سلامت_روان #افسردگی #هوش_مصنوعی_به_زبان_ساده نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🌍 هوش مصنوعی در سلامت | همکاری‌های بین‌المللی سازمان جهانی بهداشت و اتیوپی در حال بررسی همکاری برای توسعه هوش مصنوعی در سلامت دفتر سازمان جهانی بهداشت در اتیوپی و مؤسسه هوش مصنوعی این کشور، زمینه‌های همکاری برای استفاده از هوش مصنوعی در خدمات بهداشت و درمان را بررسی کردند. محور این گفت‌وگوها، پایش بیماری‌ها، آمادگی در شرایط اضطراری، مدیریت زنجیره تأمین دارو و تجهیزات، تقویت خدمات اولیه سلامت و آموزش کارکنان بهداشت و درمان بود. در جریان بازدید رسمی، مؤسسه هوش مصنوعی اتیوپی برخی از توانمندی‌های خود در پردازش زبان و گفتار، مدل‌های پیش‌بینی و ابزارهای شناسایی بیماری‌های پوستی را معرفی کرد. این اقدام نشان‌دهنده تلاش اتیوپی برای توسعه ظرفیت‌های بومی هوش مصنوعی و بهره‌گیری از آن در نظام سلامت است. بااین‌حال، گفت‌وگوهای انجام‌شده هنوز به معنای امضای قرارداد اجرایی یا تأیید اثربخشی بالینی ابزارهای معرفی‌شده نیست. نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

اتحادیه اروپا وبیناری درباره عوامل مؤثر بر پذیرش فناوری‌های سلامت دیجیتال برگزار می‌کند کمیسیون اروپا از برگزاری وبیناری با عنوان «چه عواملی بر پذیرش سلامت دیجیتال تأثیر می‌گذارند؟» در تاریخ ۱۹ نوامبر ۲۰۲۶ خبر داد. این نشست در چارچوب برنامه‌های «پلتفرم سیاست‌گذاری سلامت اتحادیه اروپا» (EUHPP) برگزار می‌شود و موضوع آن، شناخت عوامل مؤثر بر پذیرش و استفاده از فناوری‌های دیجیتال در نظام سلامت است. توسعه یک فناوری سلامت، به‌تنهایی برای استفاده گسترده از آن در بیمارستان‌ها و مراکز درمانی کافی نیست. پذیرش این فناوری‌ها از سوی کاربران و سازمان‌های سلامت نیز اهمیت دارد؛ موضوعی که برای راهکارهای مبتنی بر هوش مصنوعی پزشکی هم مطرح است. این رویداد برای مدیران سلامت، سیاست‌گذاران، پژوهشگران و توسعه‌دهندگان فناوری سلامت قابل‌توجه است؛ به‌ویژه کسانی که به دنبال انتقال محصولات فناورانه از مرحله طراحی و آزمایش به استفاده عملی در نظام سلامت هستند. 📅 مشخصات رویداد عنوان: چه عواملی بر پذیرش سلامت دیجیتال تأثیر می‌گذارند؟ تاریخ برگزاری: پنجشنبه ۲۸ آبان ۱۴۰۵ | ۱۹ نوامبر ۲۰۲۶ زمان: ساعت ۱۳:۳۰ تا ۱۵ به وقت تهران برگزارکننده: پلتفرم سیاست‌گذاری سلامت اتحادیه اروپا اطلاعیه رسمی و ثبت‌نام #هوش_مصنوعی_در_سلامت #سلامت_دیجیتال #فناوری_سلامت #سیاستگذاری_سلامت #رویداد_علمی نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🇮🇷 پژوهش بین‌المللی با مشارکت دانشگاه‌های ایران مشارکت دانشگاه علوم پزشکی مشهد در پژوهش هوش مصنوعی برای تشخیص سرطان مری از تصاویر بافت پژوهشگران دانشگاه علوم پزشکی مشهد با همکاری دانشگاه صنعتی مونیخ و مراکز پژوهشی اروپایی، عملکرد مدل‌های پایه هوش مصنوعی را در شناسایی سرطان مری و طبقه‌بندی تغییرات بافتی مرتبط با آن بررسی کردند. در این پژوهش که با مشارکت آذر کاظمی و سعید اسلامی و در نشریه npj Digital Medicine منتشر شده، ترکیب چند مدل هوش مصنوعی نتایج امیدوارکننده‌ای در تحلیل تصاویر آسیب‌شناسی نشان داده است. 🔍 سؤال اصلی پژوهش چه بود؟ آیا می‌توان با ترکیب چند مدل پایه هوش مصنوعی، تغییرات بافتی «مری بارت» را دقیق‌تر طبقه‌بندی کرد و سرطان غده‌ای مری را از روی تصاویر دیجیتال نمونه‌های بافتی شناسایی کرد؟ مری بارت وضعیتی است که در آن پوشش داخلی مری تغییر می‌کند و در برخی افراد می‌تواند زمینه‌ساز سرطان مری شود. 🔬 پژوهشگران چه کردند؟ در این مطالعه چندمرکزی، ۳٬۵۲۸ تصویر دیجیتال از نمونه‌های بافتی ۷۹۰ بیمار در مجموعه‌داده BarrettNet بررسی شد. پژوهشگران عملکرد مدل‌های پایه هوش مصنوعی در آسیب‌شناسی دیجیتال را مقایسه کردند و سپس پنج مدل منتخب را با استفاده از تصاویر دارای بزرگ‌نمایی‌های مختلف ترکیب کردند. هدف این بود که مشخص شود آیا همکاری چند مدل، نسبت به استفاده جداگانه از آن‌ها، می‌تواند عملکرد تشخیص را بهبود دهد. 📊 نتایج چه بود؟ ▪️ مدل ترکیبی در طبقه‌بندی تغییرات بافتی مری به شاخص AUROC برابر ۰٫۹۰۷ رسید که نشان‌دهنده توان مناسب تفکیک گروه‌های مورد بررسی است. ▪️ در شناسایی سرطان غده‌ای مری، شاخص AUROC برابر ۰٫۹۰۹ و دقت طبقه‌بندی ۹۵٫۹ درصد گزارش شد. ▪️ بااین‌حال، ترکیب مدل‌ها در همه وظایف بهبود یکسانی ایجاد نکرد و تشخیص دیسپلازی، یعنی تغییرات غیرطبیعی و پیش‌سرطانی سلول‌ها، همچنان با محدودیت همراه بود. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ اگرچه پژوهش از تصاویر چند مرکز استفاده کرده است، نویسندگان بر ضرورت اعتبارسنجی خارجی بیشتر تأکید دارند. همچنین عملکرد مناسب مدل در شناسایی سرطان به معنای آمادگی آن برای تشخیص مستقل یا جایگزینی متخصص آسیب‌شناسی نیست. 💡 چرا این پژوهش مهم است؟ بررسی نمونه‌های بافتی نقش مهمی در تشخیص سرطان دارد. مدل‌های پایه هوش مصنوعی می‌توانند با تحلیل تصاویر دیجیتال، به توسعه ابزارهای کمکی برای متخصصان آسیب‌شناسی کمک کنند. این مطالعه همچنین نشان می‌دهد ترکیب چند مدل پیشرفته، لزوماً تمام چالش‌های تشخیص پزشکی را برطرف نمی‌کند. مشارکت دانشگاه علوم پزشکی مشهد در چنین پژوهشی، نمونه‌ای از حضور مراکز علمی ایران در تحقیقات بین‌المللی مربوط به مدل‌های پایه پزشکی و آسیب‌شناسی دیجیتال است. 📚 شناسنامه پژوهش پژوهشگران دارای وابستگی ایرانی: آذر کاظمی و سعید اسلامی دانشگاه‌ها و مراکز همکار: دانشگاه علوم پزشکی مشهد، دانشگاه صنعتی مونیخ، دانشگاه آمستردام، مرکز پزشکی دانشگاه فرایبورگ و سایر مراکز پژوهشی آلمان نشریه: npj Digital Medicine (Nature Portfolio) نوع پژوهش: مطالعه چندمرکزی توسعه و ارزیابی مدل‌های هوش مصنوعی در آسیب‌شناسی دیجیتال وضعیت انتشار: مقاله داوری‌شده و پذیرفته‌شده؛ نسخه پیش از ویرایش نهایی ناشر 🔗 مقاله اصلی: https://doi.org/10.1038/s41746-026-03329-3 #پژوهش_ایرانی #هوش_مصنوعی_در_سلامت #سرطان_مری #آسیب_شناسی_دیجیتال #مدل_های_پایه نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🇮🇷 پژوهش ایرانی | هوش مصنوعی در سلامت پژوهشگران ایرانی کاربرد هوش مصنوعی در ایمنی و کنترل کیفیت مواد غذایی را بررسی کردند پژوهشگران دانشگاه فردوسی مشهد و واحدهای مشهد، علوم و تحقیقات تهران و قوچان دانشگاه آزاد اسلامی، در مقاله‌ای منتشرشده در نشریه Scientific Reviews از مجموعه Nature Portfolio، کاربردهای هوش مصنوعی در تولید، کنترل کیفیت و ایمنی مواد غذایی را بررسی کرده‌اند. این پژوهش مروری نشان می‌دهد هوش مصنوعی ظرفیت قابل‌توجهی برای شناسایی آلودگی‌ها، تشخیص تقلب غذایی، پیش‌بینی ماندگاری محصولات و بهینه‌سازی فرایند تولید دارد؛ اما استفاده گسترده صنعتی از آن همچنان با چالش‌هایی روبه‌رو است. 🔍 سؤال اصلی پژوهش چه بود؟ هوش مصنوعی و یادگیری ماشین چگونه می‌توانند به افزایش کیفیت و ایمنی مواد غذایی کمک کنند و چه موانعی بر سر راه استفاده قابل‌اعتماد از این فناوری‌ها در صنایع غذایی وجود دارد؟ 🔬 پژوهشگران چه کردند؟ پژوهشگران مطالعات علمی منتشرشده بین سال‌های ۲۰۱۸ تا ۲۰۲۶ را در پایگاه‌هایی از جمله Scopus، Web of Science، PubMed و ScienceDirect بررسی کردند. آن‌ها کاربرد یادگیری ماشین، بینایی ماشین، حسگرهای هوشمند، تصویربرداری فراطیفی، هوش مصنوعی مولد و فناوری دوقلوی دیجیتال را در زنجیره تولید و تأمین مواد غذایی تحلیل کردند. این مطالعه یک مرور انتقادی است و آزمایش یا مجموعه‌داده جدیدی تولید نکرده است. ? نتایج چه بود؟ ▪️ مطالعات بررسی‌شده نشان می‌دهند هوش مصنوعی می‌تواند به شناسایی آلودگی‌های غذایی، تشخیص تقلب و اصالت محصولات، ارزیابی تازگی و پیش‌بینی ماندگاری مواد غذایی کمک کند. ▪️ ترکیب یادگیری ماشین با حسگرها و سامانه‌های تصویربرداری، امکان ارزیابی سریع‌تر و در برخی موارد بدون تخریب محصول را فراهم کرده است. در یکی از مطالعات صنعتی مرورشده، کاهش ۱۲٫۸ درصدی مصرف انرژی در فرایند خشک‌کردن گزارش شده است. ▪️ بااین‌حال، عملکرد مناسب مدل‌ها در آزمایشگاه همیشه در محیط واقعی تکرار نمی‌شود. تغییر محصول، شرایط تولید و کیفیت داده‌ها می‌تواند دقت پیش‌بینی را کاهش دهد. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ این مقاله نتایج پژوهش‌های پیشین را تحلیل کرده و اثربخشی یک سامانه جدید را به‌طور مستقل آزمایش نکرده است. نویسندگان تأکید دارند که بسیاری از کاربردهای پیشرفته، از جمله عامل‌های هوشمند و برخی سامانه‌های خودکار، هنوز در مرحله پژوهش یا آزمایشگاهی قرار دارند. همچنین نبود داده‌های استاندارد، اعتبارسنجی مستقل و چارچوب‌های نظارتی روشن از موانع اصلی استفاده صنعتی هستند. ? چرا این پژوهش مهم است؟ ایمنی مواد غذایی مستقیماً با سلامت عمومی ارتباط دارد. استفاده درست از هوش مصنوعی می‌تواند به توسعه ابزارهای هوشمند برای پایش کیفیت، شناسایی خطرات و کاهش ضایعات غذایی کمک کند. اهمیت این مقاله برای ایران، علاوه بر مشارکت پژوهشگران دانشگاه‌های کشور، ارائه تصویری از فرصت‌ها و الزامات توسعه هوش مصنوعی در صنایع غذایی و نظام نظارت بر ایمنی غذاست. ? شناسنامه پژوهش پژوهشگران: فاطمه مرتضوی، طاهره عدالتی سرایانی، بهار محمدی ثانی، آترین خیام‌باشی و ایمان جاویدی پژمان مؤسسات پژوهشی: دانشگاه فردوسی مشهد، دانشگاه آزاد اسلامی واحد مشهد، واحد علوم و تحقیقات تهران و واحد قوچان نشریه: Scientific Reviews (Nature Portfolio) نوع پژوهش: مرور انتقادی مطالعات علمی وضعیت انتشار: مقاله داوری‌شده، منتشرشده با دسترسی آزاد 🔗 مقاله اصلی: https://doi.org/10.1038/s44573-026-00014-0 #پژوهش_ایرانی #هوش_مصنوعی_در_سلامت #ایمنی_مواد_غذایی #یادگیری_ماشین #سلامت_عمومی نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت @neuronrc

🔬 پژوهش جدید | هوش مصنوعی در سلامت آیا پاسخ‌های هوش مصنوعی به بیماران واقعاً به‌اندازه پاسخ پزشکان خوب هستند؟ پژوهشگران آمریکایی در مطالعه‌ای مرتبط با سامانه پیام‌رسانی بیماران UCLA Health بررسی کردند که آیا معیارهای رایج ارزیابی هوش مصنوعی می‌توانند کیفیت واقعی پاسخ‌های تولیدشده برای بیماران را نشان دهند. نتایج این پژوهش که در نشریه npj Digital Medicine منتشر شده، نشان می‌دهد شباهت یک پاسخ هوش مصنوعی به متن پزشک، لزوماً به معنای کیفیت بالینی یکسان آن‌ها نیست. 🔍 سؤال اصلی پژوهش چه بود؟ آیا معیارهای خودکار سنجش کیفیت متن می‌توانند مشخص کنند پاسخ‌های تولیدشده توسط هوش مصنوعی تا چه اندازه برای ارتباط پزشک و بیمار مناسب، قابل‌فهم و ایمن هستند؟ 🔬 پژوهشگران چه کردند؟ در این مطالعه، پیام‌های مربوط به ۳۰ پزشک مراقبت اولیه طی سال‌های ۲۰۲۳ و ۲۰۲۴ بررسی شد. پژوهشگران دو وضعیت را مقایسه کردند: در وضعیت نخست، ۲۱٬۰۷۳ پیش‌نویس تولیدشده با هوش مصنوعی به پزشکان نمایش داده شد تا در صورت تمایل آن‌ها را ویرایش و استفاده کنند. در وضعیت دوم، ۴۵٬۱۲۷ پیش‌نویس تولید شد، اما پزشکان آن‌ها را نمی‌دیدند و پاسخ‌های خود را مستقلاً می‌نوشتند. سپس معیارهای خودکار مانند BERTScore، BLEU و ROUGE با ارزیابی پزشکان از کیفیت پاسخ‌ها، احتمال سوءبرداشت و خطر آسیب مقایسه شدند. ŸŸ نتایج چه بود؟ ▪️ در گروهی که پیش‌نویس‌ها نمایش داده می‌شدند، حدود ۱۱ درصد آن‌ها با شباهت معنایی بالا در پاسخ نهایی پزشکان به کار رفتند. ▪️ پاسخ‌های مستقل پزشکان نیز از نظر معنایی به پیش‌نویس‌های هوش مصنوعی شباهت داشتند؛ بااین‌حال، در ارزیابی انجام‌شده، پزشکان پاسخ‌های نوشته‌شده توسط انسان را ترجیح دادند. ▪️ معیار BERTScore در شرایطی که پزشکان پیش‌نویس هوش مصنوعی را ویرایش می‌کردند، با ارزیابی کیفیت ارتباط داشت؛ اما در مقایسه پاسخ‌های مستقل پزشکان با پیش‌نویس‌های دیده‌نشده، چنین ارتباطی مشاهده نشد. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ این پژوهش بر داده‌های واقعی ارتباط پزشک و بیمار استوار است، اما یک مطالعه مشاهده‌ای در محیط مشخص درمانی محسوب می‌شود. همچنین نتایج نشان نمی‌دهد که تمام پاسخ‌های هوش مصنوعی نامناسب یا ناایمن هستند. یافته اصلی این است که معیارهای شباهت متنی، به‌تنهایی برای قضاوت درباره کیفیت بالینی کافی نیستند. ŸŸ چرا این پژوهش مهم است؟ بسیاری از سامانه‌های هوش مصنوعی پزشکی با معیارهای فنی ارزیابی می‌شوند؛ معیارهایی که ممکن است نشان دهند دو پاسخ چقدر به یکدیگر شبیه‌اند، اما لزوماً مشخص نمی‌کنند کدام پاسخ برای بیمار مناسب‌تر است. این مطالعه بر ضرورت ارزیابی انسانی و بالینی در کنار آزمون‌های خودکار تأکید می‌کند. نتایج آن برای توسعه چت‌بات‌های سلامت فارسی، دستیاران پزشک و سامانه‌های پاسخ‌گویی هوشمند بیمارستانی در ایران نیز اهمیت دارد. ŸŸ شناسنامه پژوهش محیط پژوهش: سامانه پیام‌رسانی بیماران UCLA Health، آمریکا پژوهشگران: G. Hui، L. Prichard، T. Martin و همکاران نشریه: npj Digital Medicine (Nature Portfolio) نوع پژوهش: مطالعه مشاهده‌ای و ارزیابی مقایسه‌ای معیارهای خودکار کیفیت پاسخ‌های هوش مصنوعی وضعیت انتشار: مقاله پذیرفته‌شده و داوری‌شده؛ نسخه اولیه پیش از ویرایش نهایی ناشر 📊 مقاله اصلی: https://doi.org/10.1038/s41746-026-03211-2 #هوش_مصنوعی_در_سلامت #هوش_مصنوعی_مولد #مدل_های_زبانی #ایمنی_بیمار #سلامت_دیجیتال نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت @neuronrc

🧬 هوش مصنوعی از روی چهره، خطر مرگ بیماران سرطانی را تخمین می‌زند پژوهشگران مرکز درمانی بریگهام در آمریکا سامانه‌ای مبتنی بر هوش مصنوعی با نام FAHR-Face توسعه داده‌اند که با تحلیل یک تصویر معمولی از چهره می‌تواند سن ظاهری فرد و احتمال بقای بیماران مبتلا به سرطان را برآورد کند. این سامانه بر پایه بیش از ۴۰ میلیون تصویر چهره آموزش دیده و از دو بخش اصلی تشکیل شده است: 🔹بخش FAHR-FaceAge برای تخمین سن ظاهری یا زیستی 🔹 بخشFAHR-FaceSurvival برای برآورد احتمال بقا در بیماران در بخشی از مطالعه روی بیماران سرطانی تحت پرتودرمانی، افرادی که چهره آن‌ها حداقل پنج سال مسن‌تر از سن واقعی‌شان ارزیابی شده بود، طی دوره پیگیری با ۲۱ درصد افزایش خطر مرگ مواجه بودند. در مقابل، افرادی که حداقل پنج سال جوان‌تر از سن واقعی خود به نظر می‌رسیدند، ۱۷ درصد خطر مرگ کمتری داشتند. همچنین مدل FAHR-FaceSurvival توانست گروهی از بیماران را شناسایی کند که احتمال مرگ در آن‌ها بیش از سه برابر گروه کم‌خطر بود. 📚 نتایج این پژوهش در مجله The Lancet Digital Health منتشر شده است. #هوش_مصنوعی #سلامت_دیجیتال #هوش_مصنوعی_در_سلامت #حکمرانی_هوش_مصنوعی #سرطان #پزشکی_هوشمند 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت آیا پزشکان می‌توانند خطاهای هوش مصنوعی را تشخیص دهند؟ نتایج یک بررسی علمی هشداردهنده است پژوهشگران دانشگاه سیچوان چین در مطالعه‌ای که ۲۳ اکتبر ۲۰۲۶ در نشریه معتبر npj Digital Medicine منتشر شد، بررسی کردند که پزشکان هنگام مواجهه با توصیه‌های اشتباه هوش مصنوعی و سامانه‌های تصمیم‌یار بالینی تا چه اندازه می‌توانند خطاها را شناسایی و اصلاح کنند. نتیجه قابل‌توجه است: حضور پزشک در فرایند تصمیم‌گیری، به‌تنهایی تضمین نمی‌کند که خطاهای هوش مصنوعی به تصمیم نهایی راه پیدا نکنند. 🔍 سؤال اصلی پژوهش چه بود؟ اگر یک سامانه هوش مصنوعی تشخیص یا توصیه پزشکی اشتباهی ارائه دهد، پزشک چقدر احتمال دارد آن خطا را تشخیص دهد و از پذیرش آن خودداری کند؟ 🔬 پژوهشگران چه کردند؟ این مطالعه از نوع مرور نظام‌مند و فراتحلیل بود. پژوهشگران ۴۶ گزارش علمی را بررسی کردند که نماینده ۴۱ مجموعه مستقل از گروه‌های مورد مطالعه بودند؛ ۴۰ گروه در تحلیل اصلی قرار گرفتند. مطالعات شامل بررسی واکنش پزشکان به توصیه‌های خودکار صحیح و اشتباه، از جمله سامانه‌های تفسیر نوار قلب، هوش مصنوعی بالینی و مدل‌های زبانی بزرگ بود. نتایج مطالعاتی که از نظر روش‌شناسی قابل ترکیب بودند، با روش فراتحلیل بررسی شدند. ŸŸ نتایج چه بود؟ ▪️ در سه گروه مطالعاتی با تحلیل تعدیل‌شده، شانس تصمیم‌گیری صحیح پزشکان هنگام دریافت توصیه درست، حدود ۱۰٫۱۹ برابر زمان دریافت توصیه اشتباه بود. فاصله اطمینان ۹۵ درصدی این نسبت، ۷٫۴۳ تا ۱۳٫۹۸ گزارش شد. این عدد نسبت شانس است، نه درصد دقت پزشکان. ▪️ در چهار مطالعه واقعی و ناهمگون درباره تفسیر رایانه‌ای نوار قلب، برآورد تجمیعی نشان داد ۲۶٫۶ درصد از تفسیرهای اشتباه شناسایی یا اصلاح نشدند. البته فاصله اطمینان بسیار گسترده، از ۶٫۴ تا ۶۵٫۶ درصد بود. ▪️ مطالعات جدیدتر درباره هوش مصنوعی و مدل‌های زبانی بزرگ نیز مواردی از اتکای آسیب‌زا به توصیه‌های اشتباه را گزارش کردند؛ اما تفاوت زیاد میان مطالعات، امکان محاسبه یک نتیجه عددی مشترک را فراهم نکرد. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ این مقاله داوری علمی شده و شواهد پژوهش‌های مختلف را گردآوری کرده است؛ بااین‌حال، نتایج عددی از زیرمجموعه‌های محدودی از مطالعات به دست آمده‌اند. ناهمگونی بسیار زیاد مطالعات نوار قلب و تفاوت سامانه‌های بررسی‌شده، تعمیم اعداد به تمام کاربردهای هوش مصنوعی پزشکی را محدود می‌کند. همچنین پیامدهای نامطلوب در سطح بیمار تنها در یک مطالعه گذشته‌نگر گزارش شده‌اند؛ بنابراین نمی‌توان از این نتایج، میزان آسیب واقعی به بیماران را در همه محیط‌های بالینی تعیین کرد. ŸŸ چرا این پژوهش مهم است؟ یکی از فرض‌های رایج در کاربرد هوش مصنوعی پزشکی این است که حضور پزشک در حلقه تصمیم‌گیری، ایمنی سامانه را تضمین می‌کند. این پژوهش نشان می‌دهد که باید توانایی واقعی پزشکان برای شناسایی و متوقف‌کردن خطاهای هوش مصنوعی، به‌صورت مستقل ارزیابی شود. برای توسعه‌دهندگان و مدیران سلامت در ایران نیز پیام روشنی دارد: پیش از استقرار سامانه‌های تصمیم‌یار بالینی، صرفاً سنجش دقت الگوریتم کافی نیست؛ باید عملکرد مشترک پزشک و سامانه، به‌ویژه هنگام تولید پاسخ اشتباه، بررسی شود. ŸŸ شناسنامه پژوهش دانشگاه‌های همکار: بیمارستان غرب چین، دانشگاه سیچوان، چنگدو، چین نویسندگان: دی زنگ، جیانیونگ لی و ژیهوی لی نشریه: npj Digital Medicine، از مجموعه Nature Portfolio نوع پژوهش: مرور نظام‌مند و فراتحلیل وضعیت انتشار: داوری‌شده و پذیرفته‌شده؛ انتشار زودهنگام پیش از نسخه نهایی ناشر 📊 مقاله اصلی: https://doi.org/10.1038/s41746-026-03408-5 #هوش_مصنوعی_در_سلامت #ایمنی_بیمار #تصمیم_یار_بالینی #ارزیابی_هوش_مصنوعی #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 💡@NeuronRC