🌍 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

🔬 پژوهش جدید | هوش مصنوعی در سلامت آیا هوش مصنوعی می‌تواند نابرابری در غربالگری چشم کودکان دیابتی را کاهش دهد؟ پژوهشگران دانشگاه جانز هاپکینز، با همکاری دانشگاه‌های ویسکانسین و آیووا در آمریکا، در مطالعه‌ای که ۲۳ اکتبر ۲۰۲۶ در نشریه Nature Communications منتشر شد، نشان دادند که استفاده از هوش مصنوعی خودکار در مراکز مراقبت دیابت می‌تواند دسترسی کودکان و نوجوانان به غربالگری آسیب شبکیه چشم را بهبود دهد. یافته مهم این پژوهش، نزدیک‌شدن میزان تکمیل غربالگری در گروه‌هایی بود که پیش‌تر از نظر دسترسی به خدمات تفاوت قابل‌توجهی داشتند. 🔍 سؤال اصلی پژوهش چه بود؟ آیا می‌توان با استفاده از هوش مصنوعی مستقل، غربالگری رتینوپاتی دیابتی (آسیب شبکیه ناشی از دیابت) را در همان محل مراجعه بیمار انجام داد و نابرابری در میزان انجام این معاینه را کاهش داد؟ 🔬 پژوهشگران چه کردند؟ در مطالعه آینده‌نگر ACCESS2، تعداد ۳۹۷ کودک و نوجوان مبتلا به دیابت شرکت کردند؛ ۷۲ درصد دیابت نوع یک و ۲۸ درصد دیابت نوع دو داشتند. شرکت‌کنندگان هنگام مراجعه به مرکز مراقبت دیابت، تحت معاینه چشم با هوش مصنوعی خودکار و تصویربرداری توموگرافی انسجام نوری (OCT) قرار گرفتند. پژوهشگران میزان تکمیل غربالگری را میان شرکت‌کنندگان سفیدپوست و غیرسفیدپوست مقایسه کردند و عملکرد تشخیصی هوش مصنوعی را نیز با ارزیابی مرجع سنجیدند. ŸŸ نتایج چه بود؟ ▪️ پیش از مداخله، ۷۹٫۸ درصد از شرکت‌کنندگان سفیدپوست سابقه انجام معاینه چشم دیابتی داشتند؛ این میزان در گروه غیرسفیدپوست تنها ۶۱٫۸ درصد بود. اختلاف از نظر آماری معنادار بود. ▪️ پس از ارائه معاینه مبتنی بر هوش مصنوعی، میزان تکمیل غربالگری به ۹۹٫۵ درصد در گروه سفیدپوست و ۹۸ درصد در گروه غیرسفیدپوست رسید. بر اساس معیار از پیش تعیین‌شده مطالعه، میزان تکمیل غربالگری در دو گروه معادل ارزیابی شد. ▪️ حساسیت سامانه برای شناسایی رتینوپاتی دیابتی شدیدتر از نوع خفیف، ۱۰۰ درصد و ویژگی آن ۷۶ درصد گزارش شد. حساسیت نشان‌دهنده توانایی شناسایی موارد بیمار و ویژگی نشان‌دهنده توانایی تشخیص صحیح افراد فاقد وضعیت موردنظر است. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ این پژوهش آینده‌نگر و داوری‌شده است، اما حساسیت ۱۰۰ درصدی به معنای تشخیص بدون خطا نیست؛ فاصله اطمینان ۹۵ درصدی حساسیت از ۶۷٫۶ تا ۱۰۰ درصد گزارش شده است. همچنین مطالعه نشان‌دهنده بهبود دسترسی و تکمیل غربالگری در محیط بررسی‌شده است، نه اثبات کاهش نابینایی یا پیامدهای بلندمدت بیماری. تعمیم نتایج به سایر کشورها و نظام‌های سلامت نیز به ارزیابی بیشتری نیاز دارد. ŸŸ چرا این پژوهش مهم است؟ اهمیت این مطالعه فقط در دقت الگوریتم نیست؛ بلکه در بررسی تأثیر هوش مصنوعی بر دسترسی عادلانه‌تر به خدمات سلامت است. در بسیاری از مناطق، مراجعه به چشم‌پزشک یا مراکز تخصصی غربالگری برای بیماران دیابتی دشوار است. انجام معاینه در همان مرکز مراقبت دیابت، با کمک هوش مصنوعی خودکار، می‌تواند یکی از راهکارهای کاهش این مانع باشد. این الگو برای نظام سلامت ایران نیز ارزش بررسی دارد؛ به‌ویژه در مناطق کم‌برخوردار که دسترسی به خدمات تخصصی چشم محدودتر است. 📊 شناسنامه پژوهش دانشگاه‌های همکار: دانشگاه جانز هاپکینز، دانشگاه ویسکانسین–مدیسن و دانشگاه آیووا، آمریکا؛ با مشارکت شرکت Digital Diagnostics نشریه: Nature Communications نوع پژوهش: مطالعه بالینی آینده‌نگر، ACCESS2 وضعیت انتشار: مقاله داوری‌شده و پذیرفته‌شده، منتشرشده در نسخه زودهنگام پیش از نسخه نهایی ناشر شناسه ثبت مطالعه: NCT05463289 💡 مقاله اصلی: https://doi.org/10.1038/s41467-026-78842-w #هوش_مصنوعی_در_سلامت #رتینوپاتی_دیابتی #غربالگری_هوشمند #عدالت_در_سلامت #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 📚@NeuronRC

🧠 ابزار پژوهشی | هوش مصنوعی در سلامت کد یک پژوهش درباره تشخیص آسیب مغزی نوزادان نارس با هوش مصنوعی منتشر شد پژوهشگران دانشگاه علم و فناوری شاآنشی چین، کدهای پژوهشی سامانه GloResNet را در گیت‌هاب منتشر کرده‌اند؛ سامانه‌ای که برای تحلیل تصاویر سه‌بعدی MRI مغز نوزادان نارس و طبقه‌بندی شدت آسیب مغزی طراحی شده است. اهمیت این انتشار فقط دسترسی به یک مدل یادگیری عمیق نیست؛ پژوهشگران می‌توانند مراحل پردازش تصاویر، آموزش مدل و ارزیابی نتایج را بررسی کنند و درباره اعتبار روش پژوهش قضاوت دقیق‌تری داشته باشند. 🔍 این ابزار چه کاری انجام می‌دهد؟ سامانه GloResNet از یک شبکه عصبی سه‌بعدی نسبتاً سبک، مبتنی بر معماری ResNet-10، استفاده می‌کند. ورودی آن تصاویر MRI با وزن‌دهی T2 است. مدل با استفاده از یادگیری انتقالی و وزن‌های ازپیش‌آموزش‌دیده MedicalNet، الگوهای تصویری مرتبط با آسیب مغزی نوزادان نارس را تحلیل می‌کند. 🔬 چه امکاناتی در مخزن منتشر شده است؟ ▪️ کد آماده‌سازی و بارگذاری تصاویر سه‌بعدی MRI ▪️ پیاده‌سازی مدل‌های سه‌بعدی ResNet-10، ResNet-18 و ResNet-50 ▪️ اسکریپت‌های آموزش و اعتبارسنجی متقاطع پنج‌بخشی ▪️ فایل اطلاعات برچسب‌گذاری‌شده مربوط به ۱۲۹ آزمودنی و راهنمای دریافت داده‌های تصویربرداری از پروژه Developing Human Connectome ▪️ راهنمای استفاده از وزن‌های MedicalNet و اجرای آزمایش‌ها 📊 پژوهش مرتبط چه چیزی نشان می‌دهد؟ در مقاله ممیزی روش‌شناختی منتشرشده در نشریه Scientific Reports، پژوهشگران نشان دادند که نحوه تقسیم داده‌ها، تکرار اسکن‌های یک بیمار و انتخاب مدل می‌تواند بر نتایج ارزیابی تأثیر بگذارد. یکی از نکات مهم مطالعه این بود که مدل‌های پیچیده‌تر لزوماً در مجموعه‌داده‌های کوچک پزشکی عملکرد بهتری ندارند و مقایسه معتبر، به شرایط آزمایش یکسان نیاز دارد. ⚠️ نکته مهم درباره اعتبار نتایج انتشار کد به معنای تأیید کاربرد بالینی سامانه نیست. داده‌های خام MRI و وزن‌های ازپیش‌آموزش‌دیده باید جداگانه دریافت شوند و بازتولید مستقل نتایج این مخزن در این بررسی انجام نشده است. همچنین نتایج ارزیابی داخلی، به‌تنهایی نشان نمی‌دهند که سامانه برای تشخیص بالینی یا غربالگری نوزادان آماده است. 💡 این مخزن به چه درد پژوهشگران می‌خورد؟ این پروژه برای دانشجویان و پژوهشگران هوش مصنوعی پزشکی، به‌ویژه در حوزه تصویربرداری مغز، یادگیری عمیق سه‌بعدی و اعتبارسنجی مدل‌ها، یک نمونه عملی قابل بررسی است. می‌توان از آن برای مطالعه روش‌های پیش‌پردازش MRI، مقایسه معماری‌های سبک و سنگین و آشنایی با اهمیت جداسازی داده‌ها در سطح بیمار استفاده کرد. 📚 مشخصات منبع نام پروژه: GloResNet-Preterm-Brain حوزه: تصویربرداری پزشکی و یادگیری عمیق سه‌بعدی زبان برنامه‌نویسی: پایتون وضعیت: مخزن عمومی پژوهشی مقاله مرتبط: Scientific Reports، اکتبر ۲۰۲۶ 🔗 دسترسی به کد و مستندات: https://github.com/ICL-SUST/GloResNet-Preterm-Brain 🔗 مقاله علمی مرتبط: https://doi.org/10.1038/s41598-026-77358-z #هوش_مصنوعی_در_سلامت #تصویربرداری_پزشکی #یادگیری_عمیق #ابزار نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🧠 خبر مهم | هوش مصنوعی در سلامت مایکروسافت از پیشرفت تازه در «ابرهوش پزشکی» خبر داد؛ دقت ۸۳ درصدی هوش مصنوعی در تشخیص پرونده‌های پیچیده مایکروسافت در ۲۲ اکتبر ۲۰۲۶ (۳۰ مهر ۱۴۰۵) نتایج تازه پژوهش خود درباره سامانه تشخیص پزشکی MAI-DxO را منتشر کرد؛ سامانه‌ای که در آزمون‌های پژوهشی، برای تشخیص برخی پرونده‌های پزشکی عملکرد بهتری از گروه پزشکان مورد مقایسه نشان داده است. این نتایج در مقاله‌ای در نشریه Science منتشر شده‌اند و بخشی از برنامه مایکروسافت برای توسعه آن چیزی هستند که این شرکت «ابرهوش پزشکی» (Medical Superintelligence) می‌نامد. 🔍 مایکروسافت چه چیزی ساخته است؟ سامانه MAI-DxO به‌جای ارائه فوری یک تشخیص، فرایند تصمیم‌گیری چند پزشک مجازی را شبیه‌سازی می‌کند. این عامل‌های هوش مصنوعی تشخیص‌های احتمالی را پیشنهاد می‌دهند، درباره آزمایش‌های لازم تصمیم می‌گیرند، فرضیه‌های یکدیگر را نقد می‌کنند و با دریافت اطلاعات جدید، تشخیص خود را اصلاح می‌کنند. مایکروسافت همچنین چارچوب ارزیابی SDBench را توسعه داده است که علاوه بر درستی تشخیص، مراحل استدلال، آزمایش‌های درخواستی و هزینه تخمینی آن‌ها را بررسی می‌کند. 📊 نتایج چه بوده است؟ ▪️ تشخیص پرونده‌های پیچیده: در ارزیابی پرونده‌های نشریه پزشکی نیوانگلند (NEJM)، دقت تشخیصی سامانه به ۸۳ درصد رسید؛ درحالی‌که پزشکان بدون منابع کمکی ۲۲ درصد و با دسترسی به منابع مرجع ۳۶ درصد دقت داشتند. ▪️ موارد رایج‌تر اورژانس: در ارزیابی داده‌های MIMIC-IV-ED، دقت سامانه ۸۰ درصد و دقت پزشکان ۴۷ درصد گزارش شد؛ یعنی حدود ۱٫۷ برابر. ▪️ کاهش هزینه آزمایش‌ها: در یکی از تنظیمات بهینه‌شده، سامانه با دقت ۸۱ درصد، هزینه تخمینی بررسی‌های تشخیصی را به کمتر از نصف سامانه‌های مقایسه‌ای رساند. این اعداد مربوط به محیط ارزیابی پژوهشی هستند، نه عملکرد اثبات‌شده در بیمارستان‌های واقعی. 🏥 گام بعدی؛ آزمایش در محیط بالینی مایکروسافت از همکاری جدید با مرکز پزشکی Beth Israel Deaconess در بوستون خبر داده است. قرار است در مطالعه‌ای آینده‌نگر، بیماران مستقیماً با سامانه تعامل کنند و عملکرد آن با ارزیابی مستقل پزشکان مقایسه شود. این شرکت همچنین با Mayo Clinic برای توسعه سامانه‌هایی مبتنی بر داده‌های چندوجهی و سوابق طولی بیماران همکاری می‌کند. ⚠️ آیا ابرهوش پزشکی از راه رسیده است؟ عنوان «ابرهوش پزشکی» فعلاً بیانگر چشم‌انداز مایکروسافت است، نه یک توانایی بالینی اثبات‌شده. مقایسه‌های منتشرشده در شرایط مشخص پژوهشی انجام شده‌اند و هنوز شواهد کافی برای نتیجه‌گیری درباره جایگزینی پزشکان، ایمنی در استفاده مستقل یا بهبود پیامدهای واقعی بیماران وجود ندارد. 💡 چرا این خبر مهم است؟ اهمیت این پیشرفت فقط در افزایش دقت تشخیص نیست؛ بلکه در تغییر شیوه طراحی هوش مصنوعی پزشکی است: حرکت از مدل‌هایی که یک پاسخ تولید می‌کنند، به سامانه‌های عامل‌محوری که سؤال می‌پرسند، شواهد جمع‌آوری می‌کنند، هزینه‌ها را می‌سنجند و تصمیم خود را بازبینی می‌کنند. این رویکرد می‌تواند مسیر تازه‌ای برای پژوهش درباره هوش مصنوعی عامل‌محور، ارزیابی اعتمادپذیری و طراحی تصمیم‌یارهای بالینی ایجاد کند؛ مشروط بر اینکه نتایج آزمایشگاهی در محیط واقعی نیز تأیید شوند. 📚 شناسنامه خبر شرکت: Microsoft AI سامانه: Microsoft AI Diagnostic Orchestrator (MAI-DxO) چارچوب ارزیابی: Sequential Diagnosis Benchmark (SDBench) منبع: اطلاعیه رسمی مایکروسافت و پژوهش منتشرشده در Science 🔗 منبع رسمی خبر: https://microsoft.ai/news/building-medical-superintelligence/ #هوش_مصنوعی_در_سلامت #ابرهوش_پزشکی #نورون #خبر نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🧠 ابزار پژوهشی | هوش مصنوعی در سلامت مایکروسافت بنچمارک تشخیص پزشکی مرحله‌ای را متن‌باز کرد؛ آیا هوش مصنوعی می‌تواند مانند پزشک، گام‌به‌گام به تشخیص برسد؟ مایکروسافت هم‌زمان با انتشار پژوهش «تشخیص مرحله‌ای با مدل‌های زبانی» در نشریه Science، کد بنچمارک SDBench را به‌صورت عمومی در گیت‌هاب منتشر کرده است. این ابزار برای پاسخ به یک مسئله مهم طراحی شده است: آیا یک مدل هوش مصنوعی فقط می‌تواند پاسخ درست یک سؤال پزشکی را حدس بزند، یا قادر است با پرسیدن سؤال، درخواست آزمایش و بررسی شواهد، به‌صورت مرحله‌ای به تشخیص برسد؟ 🔍 بنچمارک SDBench چیست؟ بنچمارک تشخیص مرحله‌ای (Sequential Diagnosis Benchmark) محیطی پژوهشی برای ارزیابی مدل‌های زبانی و عامل‌های هوش مصنوعی پزشکی است. برخلاف آزمون‌های چهارگزینه‌ای پزشکی، در این محیط تشخیص نهایی از ابتدا در اختیار مدل قرار نمی‌گیرد. مدل باید با اطلاعات اولیه محدود شروع کند، درباره وضعیت بیمار سؤال بپرسد، آزمایش‌های لازم را انتخاب کند و در نهایت تشخیص خود را ارائه دهد. 🔬 این ابزار چگونه کار می‌کند؟ سامانه از سه بخش اصلی تشکیل شده است: ▪️ عامل تشخیصی (Diagnostic Agent): مدل هوش مصنوعی مورد آزمایش که سؤال می‌پرسد، آزمایش درخواست می‌کند و تشخیص می‌دهد. ▪️ ارائه‌دهنده اطلاعات (Gatekeeper): اطلاعات پرونده را متناسب با درخواست مدل آشکار می‌کند. اگر نتیجه‌ای در پرونده موجود نباشد، می‌تواند پاسخ شبیه‌سازی‌شده تولید کند. ▪️ ارزیاب (Judge): تشخیص نهایی را با تشخیص مرجع مقایسه کرده و به آن امتیاز می‌دهد. سامانه همچنین هزینه تخمینی آزمایش‌های درخواستی را محاسبه می‌کند تا پژوهشگران بتوانند رابطه میان صحت تشخیص و هزینه بررسی‌های پزشکی را مطالعه کنند. 📊 چه امکاناتی منتشر شده است؟ ▪️ کد اجرای بنچمارک و ارزیابی مدل‌های مختلف ▪️ پرامپت‌ها و تنظیمات عامل‌های تشخیصی و ارزیاب ▪️ امکان استفاده از مدل‌های ابری و مدل‌های زبانی محلی ▪️ قابلیت افزودن مجموعه‌داده‌های اختصاصی برای پژوهش ▪️ پنج پرونده پزشکی کاملاً مصنوعی برای آزمایش فنی سامانه ⚠️ محدودیت مهم داده‌ها پنج پرونده مصنوعی موجود در مخزن صرفاً برای توسعه و آزمایش نرم‌افزار در نظر گرفته شده‌اند و نباید برای گزارش دقت تشخیصی مدل‌ها استفاده شوند. مجموعه‌داده‌های بالینی مورد استفاده در پژوهش اصلی، از جمله پرونده‌های NEJM و داده‌های MIMIC، همراه کد منتشر نشده‌اند و دسترسی به آن‌ها شرایط و مجوزهای جداگانه دارد. همچنین عملکرد مدل در این بنچمارک، به‌تنهایی نشان‌دهنده ایمنی یا اثربخشی آن در مراقبت واقعی از بیماران نیست. 💡 چرا این ابزار مهم است؟ این بنچمارک می‌تواند برای پژوهشگران هوش مصنوعی پزشکی، به‌ویژه در حوزه هوش مصنوعی عامل‌محور (Agentic AI)، کاربرد داشته باشد. یکی از مسیرهای ارزشمند پژوهشی، توسعه نسخه فارسی با پرونده‌های بالینی معتبر و ارزیابی توانایی مدل‌ها در شرح‌حال‌گیری، انتخاب آزمایش، تشخیص مرحله‌ای و مدیریت هزینه است. چنین پژوهشی می‌تواند به طراحی روش‌های دقیق‌تر برای سنجش اعتمادپذیری عامل‌های هوش مصنوعی در محیط‌های حساس پزشکی کمک کند. 📚 مشخصات ابزار نام: SDBench توسعه‌دهنده: Microsoft AI حوزه: ارزیابی مدل‌های زبانی و عامل‌های تشخیص پزشکی وضعیت: متن‌باز با مجوز MIT مقاله علمی مرتبط: Sequential Diagnosis with Language Models نشریه: Science، سال ۲۰۲۶ 🔗 مخزن رسمی گیت‌هاب: https://github.com/microsoft/sdbench 🔗 مستندات و راهنمای بنچمارک: https://microsoft.github.io/sdbench/ 🔗 مقاله علمی: https://doi.org/10.1126/science.aeh7930 #هوش_مصنوعی_در_سلامت #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🧬 خبر پژوهشی | هوش مصنوعی در سلامت کلود در ۶۴ ساعت بیش از ۳۱۸ هزار پروتئین طراحی کرد؛ گامی اولیه به سوی توسعه پادزهر عقرب شرکت آنتروپیک (Anthropic) در ۲۰ اکتبر ۲۰۲۶ نتایج یک پروژه پژوهشی را منتشر کرد که در آن مدل هوش مصنوعی کلود (Claude) توانسته است طی ۶۴ ساعت، بیش از ۳۱۸ هزار طرح پروتئینی برای اتصال به سموم عصبی عقرب تولید کند. از میان این طرح‌ها، ۲۱۱ مورد به مرحله آزمایشگاهی رسیدند و ۱۷ پروتئین توانستند معیارهای تعیین‌شده برای اتصال به سموم را برآورده کنند. این دستاورد هنوز به تولید پادزهر منجر نشده، اما نمونه‌ای از کاربرد هوش مصنوعی عامل‌محور در پژوهش‌های زیست‌پزشکی است. 🔍 پژوهشگران به دنبال چه بودند؟ سالانه دست‌کم ۱٫۲ میلیون نفر در جهان دچار عقرب‌گزیدگی می‌شوند و بیش از ۳۲۵۰ نفر جان خود را از دست می‌دهند. تولید پادزهرهای متداول به فرایندهای زیستی زمان‌بر وابسته است و بسیاری از آن‌ها فقط در برابر گروه محدودی از سموم مؤثرند. پرسش پژوهشگران این بود: آیا هوش مصنوعی می‌تواند طراحی پروتئین‌های متصل‌شونده به سموم خطرناک عقرب را سریع‌تر کند؟ 🔬 کلود چگونه این کار را انجام داد؟ پژوهشگران هدف اولیه را مشخص کردند و یک مدل تحقیقاتی داخلی کلود، با نظارت انسان و چهار دستور تکمیلی، بخش عمده فرایند را پیش برد. ▪️ استفاده از ۱۲ ابزار محاسباتی طراحی پروتئین ▪️ تولید ۳۱۸٬۴۸۴ طرح پروتئینی ▪️ غربالگری محاسباتی ۵۵۳٬۰۵۲ جفت پروتئین و سم ▪️ انتخاب ۱۸۰ طرح و افزودن ۳۱ طرح دیگر با همکاری پژوهشگران ▪️ آزمایش ۲۱۱ طرح توسط دو شرکت زیست‌فناوری Adaptyv Bio و Twist Bioscience این فرایند حدود ۱۰ هزار ساعت پردازش گرافیکی مصرف کرد. 📊 نتایج چه بود؟ ▪️ تعداد ۱۷ پروتئین معیارهای اتصال آزمایشگاهی به یکی از چهار سم عصبی عقرب را برآورده کردند. ▪️ دو پروتئین پیشرو با نام‌های Cn2-B1 و Cn2-B2 اتصال بسیار قوی در محدوده نانومولار به سم هدف نشان دادند. ▪️ هیچ‌یک از طرح‌های چندهدفه نتوانستند معیارهای اتصال موفق به بیش از یک سم را برآورده کنند. ⚠️ آیا کلود واقعاً پادزهر ساخته است؟ خیر. آزمایش‌ها فقط نشان داده‌اند برخی پروتئین‌های طراحی‌شده می‌توانند به سموم هدف متصل شوند. هنوز مشخص نیست این پروتئین‌ها می‌توانند اثر سمی زهر را در سلول‌ها خنثی کنند یا در موجود زنده ایمن و مؤثر باشند. همچنین این نتایج در قالب گزارش فنی شرکت منتشر شده‌اند، نه مقاله داوری‌شده در یک نشریه علمی. 💡 چرا این خبر مهم است؟ نکته مهم این پروژه فقط تولید تعداد زیادی پروتئین نیست؛ بلکه واگذاری بخش قابل‌توجهی از فرایند پژوهش به یک عامل هوش مصنوعی است. کلود توانسته از ابزارهای تخصصی استفاده کند، طرح‌ها را ارزیابی کند، گزینه‌ها را غربال کند و در تعامل با پژوهشگران، مسیر آزمایش را پیش ببرد. این رویکرد می‌تواند در آینده به سرعت‌بخشیدن به کشف مولکول‌های درمانی کمک کند؛ البته تبدیل یک مولکول آزمایشگاهی به داروی ایمن و مؤثر همچنان به پژوهش‌های گسترده نیاز دارد. 📚 شناسنامه خبر توسعه‌دهنده: Anthropic همکار پژوهشی: Citrini Research مراکز آزمایشگاهی: Adaptyv Bio و Twist Bioscience مدل: نسخه تحقیقاتی داخلی Claude Science 🔗 گزارش رسمی آنتروپیک: https://www.anthropic.com/research/claude-scorpion-toxin-binder-design 🔗 گزارش فارسی ایسنا: https://www.isna.ir/news/1405072919952 #هوش_مصنوعی_در_سلامت #طراحی_پروتئین #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC