هوش مصنوعی به کمک پزشکان در تشخیص بیماری‌ها آمد مدیرعامل بیمه سلامت از به‌کارگیری هوش مصنوعی در تشخیص بیماری‌ها از طریق ماموگرافی در چند استان خبر داد. 🍂@NeuronRC

ویروس طراحی شده با هوش مصنوعی برای اولین بار به بدن انسان تزریق شد، رویدادی بی‌سابقه که گامی بلند در مسیر نوآوری‌های درمانی هوش مصنوعی محسوب می‌شود استارتاپ زیست‌پزشکی رادیکال نومریکس هفته گذشته با انتشار گزارشی اعلام کرد که برای نخستین بار، یک بیمار تحت درمان با فاژ قرار گرفته که ویروس مورد استفاده در آن توسط هوش مصنوعی طراحی شده است. به گزارش گجت نیوز، این گام بلند، فصل جدیدی در کاربرد هوش مصنوعی در علم پزشکی و مبارزه با عفونت‌های باکتریایی می‌گشاید. مدل هوش مصنوعی Omnii-1 متعلق به این شرکت، فاژی را خلق کرده که به طور اختصاصی برای مبارزه با عفونت باکتریایی یک بیمار طراحی شده بود. 🍂 @NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت جراحان مغز و اعصاب از هوش مصنوعی چه می‌خواهند؟ نمایش میزان اطمینان، نه فقط یک تصویر رنگی! پژوهشگران کالج دانشگاهی لندن (UCL)، با همکاری دانشگاه آکسفورد و گروهی بین‌المللی از جراحان مغز و اعصاب، در مطالعه‌ای منتشرشده در ۲۴ اکتبر ۲۰۲۶ در نشریه Scientific Reports، بررسی کردند که چه نوع توضیحاتی از سوی هوش مصنوعی برای جراحان قابل‌فهم‌تر و کاربردی‌تر است. نتیجه اصلی این بود که جراحان، نمایش میزان اطمینان مدل و مشخص‌کردن مرزهای آناتومیکی همراه با عدم‌قطعیت را به سایر روش‌های توضیح‌پذیری ترجیح می‌دهند. 🔍 سؤال اصلی پژوهش چه بود؟ وقتی هوش مصنوعی در تصاویر جراحی، ساختارهای حساس مانند عروق، اعصاب و بافت‌های مغز را شناسایی می‌کند، چگونه باید نتیجه را به جراح نشان دهد تا بتواند درباره قابل‌اعتمادبودن آن قضاوت کند؟ 🔬 پژوهشگران چه کردند؟ در یک مطالعه پیمایشی مقطعی بین‌المللی، ۴۷ جراح مغز و اعصاب درباره پنج روش توضیح‌دادن خروجی هوش مصنوعی نظر دادند. پژوهشگران جراحی آندوسکوپیک هیپوفیز را به‌عنوان نمونه‌ای حساس انتخاب کردند؛ عملی که در آن تشخیص دقیق ساختارهای آناتومیکی اهمیت زیادی دارد. روش‌های ارزیابی‌شده شامل امتیاز اطمینان، نقشه اطمینان، نقشه برجستگی نواحی مؤثر در تصمیم مدل، امتیاز شباهت صحنه و نمایش نمونه‌های تصویری مشابه بودند. شرکت‌کنندگان روش‌ها را رتبه‌بندی کردند، با مقیاس اصلاح‌شده رضایت از توضیحات امتیاز دادند و دیدگاه‌های خود را نیز به‌صورت متنی ثبت کردند. 📊 نتایج چه بود؟ ▪️ روش‌های مبتنی بر اطمینان مدل، در رتبه‌بندی و امتیازدهی جراحان به‌طور مداوم بالاتر از سایر روش‌ها قرار گرفتند. ▪️ نمایش عددی اطمینان به جراحان کمک می‌کرد درباره میزان قطعیت خروجی مدل قضاوت کنند؛ درحالی‌که نقشه‌های اطمینان، مرزهای آناتومیکی و نواحی دارای عدم‌قطعیت را بهتر نمایش می‌دادند. ▪️ نقشه‌های برجستگی و روش‌های مبتنی بر شباهت تصاویر، برای تصمیم‌گیری مستقیم حین جراحی کمتر مرتبط ارزیابی شدند؛ هرچند ممکن است در محیط‌های آموزشی کاربرد داشته باشند. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ این مقاله داوری‌شده است، اما مطالعه بر دیدگاه ۴۷ جراح و یک سناریوی مشخص جراحی تمرکز داشت. پژوهشگران ترجیحات و میزان رضایت جراحان را سنجیده‌اند، نه تأثیر واقعی این روش‌ها بر دقت تصمیم‌گیری یا کاهش خطاهای جراحی. همچنین نمایش اطمینان مدل، لزوماً به معنای درست‌بودن آن اطمینان نیست. برای اثبات فایده بالینی، باید عملکرد سامانه‌ها و میزان تناسب اعتماد جراح با توانایی واقعی مدل در مطالعات آینده‌نگر بررسی شود. ŸŸ چرا این پژوهش مهم است؟ در توسعه هوش مصنوعی پزشکی، معمولاً توجه زیادی به دقت الگوریتم می‌شود؛ اما نحوه ارائه نتیجه به پزشک نیز می‌تواند اهمیت زیادی داشته باشد. این مطالعه نشان می‌دهد طراحی توضیحات هوش مصنوعی باید متناسب با نیاز متخصصان و شرایط واقعی تصمیم‌گیری باشد. برای طراحان سامانه‌های کمک‌جراحی و تصمیم‌یارهای پزشکی، پیام کاربردی پژوهش این است: ارائه یک تصویر رنگی یا توضیح پیچیده کافی نیست؛ پزشک باید بتواند بفهمد مدل در کدام قسمت‌ها اطمینان بیشتری دارد و در کجا احتمال خطا وجود دارد. ŸŸ شناسنامه پژوهش مراکز همکار: کالج دانشگاهی لندن، بیمارستان ملی مغز و اعصاب و جراحی مغز لندن، دانشگاه آکسفورد و مراکز بالینی و دانشگاهی همکار از چند کشور نویسندگان اصلی: دانیال زمان خان، توبیاس جوزف آدامز، آنجانا ویجکون و همکاران نشریه: Scientific Reports، از مجموعه Nature Portfolio نوع پژوهش: پیمایش مقطعی بین‌المللی با مشارکت ۴۷ جراح مغز و اعصاب وضعیت انتشار: داوری‌شده و پذیرفته‌شده؛ نسخه انتشار زودهنگام ناشر 💡 مقاله اصلی: https://doi.org/10.1038/s41598-026-74953-y #هوش_مصنوعی_در_سلامت #هوش_مصنوعی_توضیح_پذیر #جراحی_هوشمند #اعتمادپذیری_هوش_مصنوعی #نورون #پژوهش نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 📚@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت تشخیص موزهای رسیده‌شده با مواد شیمیایی؛ دقت ۹۷ درصدی هوش مصنوعی با کمک حسگرهای گاز پژوهشگران دانشگاه خولنا و دانشگاه علم و فناوری پاتوآخالی بنگلادش، با همکاری دانشگاه تاماسات تایلند، روشی برای شناسایی موزهای رسیده‌شده با مواد شیمیایی توسعه داده‌اند. این پژوهش که ۲۵ اکتبر ۲۰۲۶ در نشریه Scientific Reports منتشر شد، نشان می‌دهد ترکیب حسگرهای گاز و یادگیری ماشین می‌تواند بدون بریدن یا آسیب‌زدن به میوه، شیوه رسیدن آن را با دقت بالایی طبقه‌بندی کند. 🔍 سؤال اصلی پژوهش چه بود؟ آیا می‌توان از روی گازهای منتشرشده از موز تشخیص داد که میوه به‌صورت طبیعی رسیده یا با مواد شیمیایی فرایند رسیدن آن تسریع شده است؟ 🔬 پژوهشگران چه کردند؟ پژوهشگران سامانه‌ای شامل مجموعه‌ای از حسگرهای گاز، دستگاه ثبت داده و نرم‌افزار LabVIEW طراحی کردند. این حسگرها به ترکیبات آلی فرار (VOCs) منتشرشده از موز واکنش نشان می‌دهند. سپس چهار الگوریتم یادگیری ماشین شامل رگرسیون لجستیک، ماشین بردار پشتیبان، درخت تصمیم و XGBoost برای تحلیل داده‌ها به کار گرفته شدند. دو مسئله بررسی شد: تشخیص رسیدن طبیعی یا شیمیایی و طبقه‌بندی نمونه‌ها بر اساس روز یا مرحله رسیدگی. 📊 نتایج چه بود؟ ▪️ الگوریتم XGBoost در تشخیص نوع رسیدگی، به دقت ۹۷٫۰۳ درصد در مجموعه آزمون دست یافت. میانگین دقت در اعتبارسنجی متقاطع ده‌بخشی نیز ۹۵٫۰۵ درصد با انحراف معیار ۲٫۹۸ واحد درصد بود. ▪️ برای طبقه‌بندی روزبه‌روز مراحل رسیدگی، الگوریتم ماشین بردار پشتیبان (SVM) بهترین عملکرد را داشت و دقت ۹۹٫۹۴ درصد در آزمون و ۹۹٫۹۲ درصد در اعتبارسنجی متقاطع گزارش شد. ▪️ پژوهشگران این روش را جایگزینی غیرمخرب و بالقوه کم‌هزینه‌تر نسبت به برخی روش‌های تصویربرداری تخصصی برای بررسی رسیدگی موز معرفی کردند. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ نتایج امیدوارکننده‌اند، اما اعداد گزارش‌شده مربوط به ارزیابی مدل در شرایط همین پژوهش هستند. هنوز نمی‌توان نتیجه گرفت که سامانه در بازارهای واقعی، با انواع مختلف موز، شرایط متفاوت نگهداری و تغییرات محیطی نیز همین دقت را خواهد داشت. همچنین تشخیص شیوه رسیدن میوه با اندازه‌گیری مستقیم باقیمانده مواد شیمیایی یا اثبات خطرناک‌بودن آن برای مصرف‌کننده یکسان نیست. 💡 چرا این پژوهش مهم است؟ این مطالعه نمونه‌ای از کاربرد هوش مصنوعی در ایمنی و کنترل کیفیت مواد غذایی است؛ حوزه‌ای که مستقیماً با سلامت عمومی ارتباط دارد. در صورت اعتبارسنجی گسترده‌تر، ترکیب حسگرهای نسبتاً ارزان و الگوریتم‌های یادگیری ماشین می‌تواند به توسعه تجهیزات قابل‌حمل برای کنترل کیفیت میوه‌ها در مراکز توزیع و نظارت بر زنجیره تأمین مواد غذایی کمک کند. 📚 شناسنامه پژوهش دانشگاه‌های همکار: دانشگاه خولنا و دانشگاه علم و فناوری پاتوآخالی در بنگلادش؛ دانشگاه تاماسات در تایلند نویسندگان: عبدالله الجاید جیم، محمد میزان‌الرحمان، چالی چاروئنلارپنوپاروت و کمرال حسن تالوکدر نشریه: Scientific Reports، از مجموعه Nature Portfolio نوع پژوهش: مطالعه آزمایشگاهی توسعه و ارزیابی سامانه حسگری مبتنی بر یادگیری ماشین وضعیت انتشار: مقاله داوری‌شده؛ انتشار زودهنگام پیش از نسخه نهایی ناشر 🔗 مقاله اصلی: https://doi.org/10.1038/s41598-026-76940-9 #هوش_مصنوعی_در_سلامت #یادگیری_ماشین #حسگرهای_هوشمند #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت @neuronrc

🍌 خبر فناوری | هوش مصنوعی در سلامت هوش مصنوعی از بوی موز می‌فهمد طبیعی رسیده یا با مواد شیمیایی! آیا می‌توان بدون بریدن یا پوست‌کندن موز، فهمید که به‌صورت طبیعی رسیده یا با کمک مواد شیمیایی؟ پژوهشگران سامانه‌ای هوشمند ساخته‌اند که با بررسی گازهای منتشرشده از میوه، شیوه رسیدن آن را تشخیص می‌دهد. 🔍 راز این فناوری چیست؟ میوه‌ها هنگام رسیدن، ترکیبات گازی مختلفی آزاد می‌کنند. حسگرهای مخصوص این گازها را شناسایی می‌کنند و هوش مصنوعی با تحلیل الگوی آن‌ها، نوع رسیدگی موز را تشخیص می‌دهد. نکته جالب اینکه این فرایند بدون آسیب‌زدن به میوه انجام می‌شود. 💡 چه کاربردی دارد؟ این فناوری می‌تواند در آینده به کنترل کیفیت میوه‌ها در بازار، انبارها و مراکز توزیع کمک کند؛ البته تشخیص شیوه رسیدن، به‌تنهایی به معنای تعیین سالم یا ناسالم بودن میوه نیست. 🔗 مقاله اصلی: https://doi.org/10.1038/s41598-026-76940-9 #هوش_مصنوعی_در_سلامت #فناوری_سلامت #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت @neuronrc

🧠 ابزار پژوهشی | هوش مصنوعی در سلامت از یک تصویر آندوسکوپی تا نمونه‌های متعدد؛ هوش مصنوعی به آموزش بیماری‌های نادر کمک می‌کند! تصور کنید پزشک برای یادگیری تشخیص یک بیماری نادر گوارشی، تنها چند تصویر محدود در اختیار داشته باشد. آیا هوش مصنوعی می‌تواند تصاویر آموزشی بیشتری از همان بیماری تولید کند؟ پژوهشگران با توسعه سامانه‌ای به نام EndoRare نشان داده‌اند که می‌توان با استفاده از یک تصویر واقعی آندوسکوپی، تصاویر مصنوعی متنوعی از ضایعات نادر گوارشی تولید کرد. 🔍 این فناوری چگونه کار می‌کند؟ سامانه ابتدا ویژگی‌های مهم ضایعه را از تصویر اصلی استخراج می‌کند؛ سپس با کمک هوش مصنوعی مولد، تصاویر تازه‌ای می‌سازد که ویژگی‌های اصلی بیماری را حفظ می‌کنند، اما از نظر ظاهر و جزئیات متفاوت‌اند. 🎯 چه کاربردی دارد؟ این فناوری می‌تواند به دو مشکل مهم کمک کند: ▪️ کمبود تصاویر پزشکی برای آموزش مدل‌های تشخیص بیماری‌های نادر ▪️ محدودبودن نمونه‌های آموزشی برای پزشکان و دانشجویان پزشکی در پژوهش انجام‌شده، استفاده از تصاویر تولیدشده با بهبود عملکرد برخی مدل‌های تشخیصی همراه بود. همچنین در یک ارزیابی مقدماتی، پزشکان کم‌تجربه پس از مشاهده این تصاویر، عملکرد بهتری در شناسایی ضایعات نشان دادند. 💡 کد پژوهش نیز منتشر شده است! پژوهشگران کد سامانه EndoRare را در گیت‌هاب در دسترس قرار داده‌اند تا علاقه‌مندان بتوانند روش تولید تصاویر و ارزیابی کیفیت آن‌ها را بررسی کنند. ⚠️ این ابزار فعلاً یک چارچوب پژوهشی است، نه نرم‌افزار آماده استفاده بالینی. داده‌های اصلی عمومی نیستند و مخزن کد نیز هنوز مجوز نرم‌افزاری مشخصی ندارد. 📚 مقاله علمی: Nature Communications، اکتبر ۲۰۲۶ 🔗 دسترسی به کد: https://github.com/Jia7878/EndoRare 🔗 مقاله اصلی: https://doi.org/10.1038/s41467-026-78492-y #هوش_مصنوعی_در_سلامت #آندوسکوپی #هوش_مصنوعی_مولد #ابزار_پژوهشی نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🇮🇷 پژوهش ایرانی | هوش مصنوعی در سلامت کشف یک ترکیب طبیعی امیدوارکننده برای درمان آریتمی قلب با کمک هوش مصنوعی پژوهشگران دانشگاه علوم پزشکی مشهد، با همکاری دانشگاه علوم پزشکی ایران، دانشگاه صنعتی امیرکبیر و مؤسسه علوم پزشکی وارستگان، با استفاده از یادگیری ماشین یک ترکیب طبیعی را به‌عنوان نامزد اولیه توسعه داروهای ضدآریتمی قلب شناسایی کردند. این پژوهش با مشارکت سینا خسروی، فاطمه یارمحمدی، مهدی حاتمی‌پور و همکاران، در نشریه Scientific Reports منتشر شده است. 🔍 سؤال اصلی پژوهش چه بود؟ آیا هوش مصنوعی می‌تواند از میان هزاران ترکیب طبیعی، موادی را شناسایی کند که احتمالاً بر کانال سدیمی NaV1.5 اثر می‌گذارند؟ این کانال در انتقال پیام‌های الکتریکی قلب نقش دارد و یکی از اهداف دارویی برای کنترل اختلالات ریتم قلب، از جمله فیبریلاسیون دهلیزی، محسوب می‌شود. 🔬 پژوهشگران چه کردند؟ پژوهشگران ابتدا اطلاعات ۱٬۵۱۲ مهارکننده شناخته‌شده کانال NaV1.5 را از پایگاه ChEMBL گردآوری کردند. سپس سه الگوریتم یادگیری ماشین شامل LightGBM، XGBoost و جنگل تصادفی را آموزش دادند و عملکرد آن‌ها را با جداسازی ترکیبات بر اساس ساختار شیمیایی ارزیابی کردند. مدل‌های توسعه‌یافته برای غربالگری مجازی ۱۰۰٬۴۰۴ ترکیب طبیعی به کار رفتند. ترکیبات منتخب نیز با شبیه‌سازی مولکولی و پیش‌بینی ویژگی‌های دارویی بررسی شدند. ŸŸ نتایج چه بود؟ ▪️ مدل LightGBM بهترین عملکرد را داشت و در مجموعه آزمون مستقل از نظر ساختار شیمیایی، ضریب همبستگی متیوز (MCC) برابر با ۰٫۶۶ کسب کرد. این معیار کیفیت طبقه‌بندی را نشان می‌دهد و معادل دقت ۶۶ درصدی نیست. ▪️ از میان بیش از ۱۰۰ هزار ترکیب طبیعی، ۱۰ ترکیب نامزد انتخاب شدند. در بررسی‌های تکمیلی، ترکیبی به نام Piperaduncin C نتایج محاسباتی امیدوارکننده‌ای نشان داد. ▪️ این ترکیب در شبیه‌سازی‌ها، اتصال پایداری به هدف مولکولی داشت و انرژی اتصال پیش‌بینی‌شده آن مطلوب‌تر از داروی کینیدین بود. ارزیابی رایانه‌ای همچنین احتمال نسبتاً پایین‌تری از برخی خطرات دارویی مرتبط با کانال hERG را پیشنهاد کرد. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ این مقاله داوری‌شده است و از چند روش محاسباتی برای بررسی ترکیبات استفاده می‌کند؛ اما تمام نتایج در محیط رایانه‌ای به دست آمده‌اند. هنوز اثر واقعی Piperaduncin C بر کانال سدیمی در آزمایشگاه، ایمنی آن و توانایی‌اش در درمان آریتمی قلب تأیید نشده است. بنابراین این ترکیب فعلاً یک نامزد پژوهشی است، نه داروی جدید یا درمان اثبات‌شده. ŸŸ چرا این پژوهش مهم است؟ کشف دارو از میان ترکیبات طبیعی معمولاً به بررسی تعداد زیادی مولکول نیاز دارد. این مطالعه نشان می‌دهد چگونه می‌توان با ترکیب یادگیری ماشین و مدل‌سازی مولکولی، گزینه‌های امیدوارکننده را برای آزمایش‌های بعدی اولویت‌بندی کرد. همکاری پژوهشگران حوزه‌های داروسازی، فناوری اطلاعات سلامت و مهندسی کامپیوتر در ایران نیز نمونه‌ای از ظرفیت پژوهش‌های میان‌رشته‌ای در کشف دارو با هوش مصنوعی است. ŸŸ شناسنامه پژوهش دانشگاه‌های همکار: دانشگاه علوم پزشکی مشهد، دانشگاه علوم پزشکی ایران، دانشگاه صنعتی امیرکبیر و مؤسسه علوم پزشکی وارستگان کشور: ایران نشریه: Scientific Reports، از مجموعه Nature Portfolio نوع پژوهش: مطالعه محاسباتی کشف دارو با یادگیری ماشین و مدل‌سازی مولکولی وضعیت انتشار: داوری‌شده؛ نسخه انتشار زودهنگام ناشر 📊 مقاله اصلی: https://doi.org/10.1038/s41598-026-76489-7 #پژوهش_ایرانی #هوش_مصنوعی_در_سلامت #بیماری_های_قلبی #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 💡@NeuronRC

🌍 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