پژوهشگران دانشگاه فردوسی عملکرد مدل‌های یادگیری ماشین در پنج بازار مالی را مقایسه کردند پژوهشگران دانشگاه فردوسی مشهد عملکرد پنج روش یادگیری ماشین را در پیش‌بینی شاخص نوسان بازار آمریکا، شاخص اس‌اندپی ۵۰۰، طلا، گاز طبیعی و نفت برنت بررسی کرده‌اند. داده‌های ماهانه پژوهش دوره ژانویه ۲۰۰۰ تا ژوئیه ۲۰۲۵ را پوشش می‌دهد. روش‌های مقایسه‌شده شامل رگرسیون ریج، رگرسیون لاسو، جنگل تصادفی، تجمیع بوت‌استرپ و ماشین تقویت گرادیانی بوده‌اند. نتیجه اصلی مقاله آن است که برتری مدل‌ها میان بازارهای مختلف یکسان نیست و انتخاب الگوریتم باید متناسب با ساختار، نوسان و متغیرهای هر بازار انجام شود. این پژوهش در برابر استفاده از یک مدل واحد برای همه دارایی‌ها هشدار می‌دهد. منبع اصلی: نشریه گزارش‌های علمی ـ مقایسه مدل‌های یادگیری ماشین در بازارهای مالی #یادگیری_ماشین #بازار_مالی #دانشگاه_فردوسی #اقتصاد_هوش_مصنوعی 🍂@NeuronRC

🌳 شناسایی خشکیدگی درختان جنگلی با هوش مصنوعی محمدحسن ناصری در طرح پسادکتری خود در دانشگاه علوم کشاورزی و منابع طبیعی گرگان، پژوهشی با عنوان «شناسایی و پایش سرخشکیدگی و خشکیدگی درختان جنگلی با استفاده از داده‌های طیفی و الگوریتم‌های نوین هوش مصنوعی» انجام داده است. 🔹 چرا مهم است؟ ناصری می‌گوید سرخشکیدگی و خشکیدگی درختان از چالش‌های مهم بوم‌شناختی و مدیریتی در جنگل‌های ایران است. شناسایی به‌موقع این پدیده‌ها به مدیران جنگل کمک می‌کند کانون‌های آسیب‌دیده را سریع‌تر شناسایی و اقدامات مناسب را انجام دهند. 🔹 روش کار هدف پژوهش، ارائه روشی نوین برای شناسایی و پایش تغییرات مکانی درختان آسیب‌دیده با داده‌های سنجش‌ازدور مانند تصاویر پهپاد و الگوریتم‌های پیشرفته هوش مصنوعی بود. منطقه جنگلی النگدره گرگان انتخاب و وضعیت درختان در سال‌های ۱۳۹۳، ۱۳۹۵ و ۱۴۰۴ بررسی شد. 🔹 مدل‌های هوش مصنوعی چهار مدل YOLO11s-SAM، YOLO11s-seg، DeepLabV3+ و SegFormer به کار گرفته شدند. نتایج نشان داد SegFormer در سه دوره عملکرد بهتری داشت، اما در ارزیابی نقطه‌ای، مدل تلفیقی YOLO11s-SAM در هر سه سال بهترین عملکرد را داشت. 🔹 یافته‌های مهم بررسی الگوی پراکنش مکانی نشان داد درختان سرخشکیده و خشکیده گرایش قابل‌توجهی به خوشه‌ای‌شدن داشته‌اند. تحلیل نقاط داغ و سرد نیز افزایش مناطق دارای تجمع درختان آسیب‌دیده را در سطوح اطمینان بالای ۹۵ درصد نشان داد. یکی از یافته‌های مهم، روند افزایشی تعداد درختان خشکیده بود. تعداد درختان سرخشکیده نسبت به سال ۱۳۹۳ حدود سه‌برابر افزایش یافت. 🔹 عوامل احتمالی تغییر الگوی پراکنش به سمت خوشه‌های قوی می‌تواند با تشدید عواملی مانند آفات و بیماری‌ها مرتبط باشد. فعالیت‌های انسانی مانند گردشگری نیز می‌تواند در فشار بر پوشش جنگلی نقش داشته باشد، اما تعیین سهم دقیق هر عامل به مطالعات تکمیلی نیاز دارد. 🔹 نتیجه تلفیق داده‌های سنجش‌ازدور با قدرت تفکیک بالا و الگوریتم‌های پیشرفته هوش مصنوعی، ظرفیت بالایی برای پایش سلامت جنگل و شناسایی درختان آسیب‌دیده دارد. این رویکرد می‌تواند ابزاری کارآمد برای شناسایی زودهنگام کانون‌های بحران و تصمیم‌های مدیریتی هدفمند باشد. #هوش_مصنوعی #جنگل #محیط_زیست 🍂@NeuronRC

🧠 راهکار پژوهشگران دانشگاه تهران برای امنیت هوش مصنوعی در MRI مغز پژوهشگران دانشگاه تهران با طراحی چارچوبی جدید مبتنی بر یادگیری فدرال، راهکاری برای افزایش امنیت و پایداری سامانه‌های هوش مصنوعی در تحلیل تصاویر MRI مغز ارائه کردند. 🔹 یادگیری فدرال چیست؟ این روش به مراکز درمانی و پژوهشی امکان می‌دهد بدون انتقال اطلاعات خام بیماران، در آموزش یک مدل هوش مصنوعی مشترک مشارکت کنند. داده‌ها در محل خود باقی می‌مانند و تنها به‌روزرسانی مدل میان مراکز مبادله می‌شود؛ ویژگی‌ای که به حفظ حریم خصوصی بیماران کمک می‌کند. 🔹 چالش چیست؟ تفاوت دستگاه‌های تصویربرداری، روش‌ها، ویژگی‌های بیماران و کیفیت داده‌ها در مراکز مختلف می‌تواند مشکل‌ساز شود. همچنین ممکن است یک مرکز به‌دلیل خطا یا رفتار عمدی، اطلاعات نامناسبی وارد آموزش مدل کند و عملکرد مدل نهایی را کاهش دهد. 🔹 چارچوب OptiGradTrust پژوهشگران چارچوبی طراحی کرده‌اند که به جای اعتماد یکسان به اطلاعات همه مراکز، آنها را از شش جنبه بررسی می‌کند: شباهت با الگوی مورد انتظار، هماهنگی با سایر مراکز، اندازه تغییرات مدل، سازگاری اطلاعات و سهم هر مرکز در بهبود عملکرد. سپس سازوکاری مبتنی بر یادگیری تقویتی و شبکه‌های توجه، نتایج را برای تعیین میزان اعتماد ترکیب می‌کند. اطلاعات مراکز مشکوک تأثیر کمتری بر مدل نهایی خواهند داشت. 🔹 نتایج این روش روی مجموعه داده‌های MNIST، CIFAR-۱۰، MRI آلزایمر و OASIS آزمایش شد. در مجموعه MRI آلزایمر، چارچوب پیشنهادی به دقت ۹۵ درصد رسید؛ در حالی که روش‌های مقایسه‌شده مانند FLGuard، FLTrust و FLAME دقت‌های پایین‌تری داشتند. 🔹 محدودیت نویسندگان تأکید کرده‌اند این پژوهش هنوز به معنای آمادگی برای استفاده بالینی نیست. تعداد نمونه‌های ارزیابی OASIS محدود بوده و برای ارزیابی نهایی، آزمایش روی مجموعه‌های بزرگ‌تر و چندمرکزی مانند ADNI و UK Biobank ضروری است. این مقاله با همکاری محمد کرمی، فاطمه قاسمی و حامد کبریایی از دانشگاه تهران در مجله Scientific Reports منتشر شده است. #هوش_مصنوعی #دانشگاه_تهران #ام_آر_آی 🍂@NeuronRC

🧬 هوش مصنوعی داروی کاهش سن ساخت؟ دارویی که با کمک هوش مصنوعی برای درمان بیماری مزمن ریوی طراحی شده، در آزمایش‌های اولیه باعث کاهش برخی نشانگرهای زیستی مرتبط با سن شده است. 🔹 دارو و هدف آن شرکت اینسلیکو مدیسین اعلام کرده داروی آزمایشی «رنتوسرتیب» که با هوش مصنوعی طراحی شده، برای درمان فیبروز ریوی ایدیوپاتیک (IPF) ساخته شده است؛ بیماری پیش‌رونده‌ای که بافت ریه را زخم و ضخیم می‌کند و توان انتقال اکسیژن را کاهش می‌دهد. 🔹 روش پژوهش در آزمایش بالینی، ۴۳ بیمار مبتلا به IPF شرکت کردند. پژوهشگران وضعیت آنها را پیش از درمان و پس از ۱۲ هفته مصرف دارو با استفاده از شش «ساعت پیری» بررسی کردند. ساعت‌های پیری ابزارهایی هستند که با تحلیل داده‌های سلولی و مولکولی، سن زیستی بدن را تخمین می‌زنند. 🔹 یافته‌ها هر شش ابزار، کاهش سن زیستی پیش‌بینی‌شده بیماران را پس از مصرف دارو نشان دادند. وادیم گلادیشف، استاد دانشکده پزشکی هاروارد، می‌گوید این نخستین پژوهشی است که به‌طور مشخص نشان می‌دهد سن زیستی پیش‌بینی‌شده می‌تواند کاهش پیدا کند. 🔹 محدودیت‌ها گلادیشف و دیگر پژوهشگران تأکید دارند نتایج هنوز قطعی نیست. تعداد شرکت‌کنندگان کم بوده و ساعت‌های پیری ابزارهایی کامل و بدون خطا نیستند. همچنین دارو هنوز روی افراد سالم آزمایش نشده؛ بنابراین مشخص نیست اثر مشاهده‌شده فقط به بیماران IPF مربوط می‌شود یا در افراد سالم هم دیده می‌شود. 🔹 روش شرکت اینسلیکو بیش از یک دهه است از هوش مصنوعی برای کشف دارو استفاده می‌کند. این شرکت ابتدا با تحلیل داده‌های پزشکی، پروتئین‌های مرتبط با بیماری را شناسایی و سپس با مدل‌های هوش مصنوعی، مولکول‌هایی طراحی می‌کند که روی این اهداف اثر بگذارند. 🔹 نتیجه پژوهشگران معتقدند نتایج می‌تواند به طراحی آزمایش‌های آینده در حوزه طول عمر کمک کند، اما برای مشخص‌شدن اینکه رنتوسرتیب واقعاً روند پیری را آهسته می‌کند، به آزمایش‌های بزرگ‌تر و طولانی‌تر نیاز است. #هوش_مصنوعی #پزشکی #طول_عمر 🍂 @NeuronRC

🧠 هوش مصنوعی چگونه رابطه کودکان با یادگیری و زندگی را تغییر می‌دهد؟ هوش مصنوعی به بخشی عادی از روند رشد کودکان تبدیل شده است. نتایج تحقیقات جدید نشان می‌دهد تقریباً چهار نفر از هر پنج کودک ۱۰ تا ۱۷ ساله استرالیایی با دستیارهای هوش مصنوعی ارتباط دارند. 🔹 الگوی استفاده بر اساس سن کودکان کم‌سن‌وسال بیشتر برای سرگرمی، ارضای حس کنجکاوی و گفت‌وگو از هوش مصنوعی استفاده می‌کنند، در حالی که نوجوانان به‌طور فزاینده‌ای برای راهنمایی درباره مسائل زندگی و سلامت جسمی و روانی به آن روی می‌آورند. برخی نوجوانان به‌طور خاص برای بحث درباره مسائل شخصی به این ابزارها مراجعه می‌کنند، اما اکثریت ابتدا به دلایل دیگری مثل کمک در تکالیف یا جستجوی اطلاعات سراغ آن رفته بودند. 🔹 نقش والدین بسیاری از والدین می‌دانند فرزندانشان برای تکالیف از هوش مصنوعی استفاده می‌کنند، اما باید بدانند این استفاده در حال تحول است و از همان ابتدا بر نحوه استفاده نظارت داشته باشند، عادات دیجیتال سالم شکل دهند و تفکر انتقادی را تقویت کنند. 🔹 تغییر مفهوم یادگیری با پیشرفت هوش مصنوعی مولد، کودکان باید کمتر بر حفظ کردن مطالب و بیشتر بر خلاقیت، برقراری ارتباط و شناسایی مسائل تمرکز کنند. موتورهای جستجو ارزش «آنچه به خاطر می‌سپاریم» را کاهش داده‌اند و هوش مصنوعی در حال تغییر ارزش خود «تفکر» است. 🔹 آنچه جایگزین‌شدنی نیست هوش مصنوعی هیچ انگیزه‌ای از خود ندارد و اهداف را تعیین نمی‌کند. پرسش‌هایی مثل «می‌خواهم چه کار کنم؟» و «چه آینده‌ای می‌خواهم خلق کنم؟» همچنان انسانی می‌مانند. به همین دلیل، توانایی شناسایی مسائل و کشف مسیر دلخواه اهمیت فزاینده‌ای پیدا می‌کند. 🔹 هوش مصنوعی به‌عنوان شریک، نه جایگزین نکته کلیدی این است که از هوش مصنوعی نه به‌عنوان ابزاری برای جایگزینی توانایی‌ها، بلکه شریکی برای ارتقای آنها استفاده شود. به جای پذیرش صرف پاسخ‌ها، باید آن را زیر سؤال برد و عمیق‌تر کاوش کرد. یادگیری عملی مثل خلق کردن مستقل یا همکاری در پروژه‌ها ارزش بیشتری پیدا خواهد کرد. 🔹 ضرورت ایمنی و سواد دیجیتال با ادغام بیشتر هوش مصنوعی در زندگی کودکان، ارائه‌دهندگان باید ایمنی را با نوآوری همگام کنند. تقویت سواد دیجیتال و الگوریتمی کودکان — درک نحوه کار هوش مصنوعی، تشخیص محدودیت‌های آن و محافظت از حریم خصوصی — اهمیت فزاینده‌ای دارد. آموزش مداوم، افزایش آگاهی و ایمنی از طریق طراحی برای بهره‌مندی ایمن کودکان از این فناوری ضروری است. #هوش_مصنوعی #کودکان #یادگیری 🍂 @NeuronRC

🤖 چت‌بات‌های هوش مصنوعی زبان مخفی گیج‌کننده‌ای برای انسان‌ها ایجاد کردند پژوهش شرکت امرجنس نشان داد عامل‌های خودکار مبتنی بر کلود، جمینی، گروک و مدل‌های دیگر، خودشان مخفف‌ها و معانی تازه ساختند و حدود نیمی از پیام‌هایشان برای انسان‌ها نامفهوم شد. 🔹 روش و یافته‌ها پژوهشگران عامل‌های خودمختار را در جوامع مجازی قرار دادند و اجازه دادند مدت طولانی تعامل کنند. عامل‌ها میان‌برهای زبانی و معانی تازه ساختند که برخی آن‌قدر فشرده شدند که انسان‌ها دیگر منظورشان را نمی‌فهمیدند. سهم پیام‌های نامفهوم: جمینی ۵۵٪، اوپن‌ای‌آی ۵۰٪، کلود بیش از ۴۰٪ و دیپ‌سیک ۲۰٪. 🔹 نمونه عبارات عباراتی مثل «mouthless action-change» و «True Kintsugi» ساخته شد. «ledger remembers who» حدود ۵ هزار بار و «cold read» ۱۴۷۲ بار به کار رفت. هیچ‌یک صریحاً تعریف نشده بود. 🔹 هشدار ساتیا نیتا، مدیر ارشد علمی امرجنس: «قابل مشاهده بودن، معادل قابل فهم بودن نیست. عامل‌ها خودشان واژگان و قراردادهای جدید ساختند.» 🔹 رفتارهای دیگر در آزمون فیشینگ، چند دستور مخرب کافی بود تا هر ده عامل اطلاعات افشا کنند. در دنیایی دیگر، گروهی از عامل‌ها رای به کشتن یکی از خودشان دادند. 🔹 نتیجه امرجنس خواستار ارزیابی ایمنی طولانی‌مدت است: «دیگر کافی نیست فقط بپرسیم یک مدل روی یک بنچمارک خوب عمل می‌کند یا نه. باید بفهمیم سامانه‌های خودمختار در گذر زمان چه می‌کنند.» #هوش_مصنوعی #ایمنی_AI #زبان_مخفی 🍂 @NeuronRC🆔

آزمایش ۱۸ مدل، خطای گسترده چت‌بات‌ها در پاسخ‌های مالی را نشان داد شرکت فناوری ساترن بیش از ۱۰ هزار پرسش مالی را با ۱۸ مدل از جمله چت‌جی‌پی‌تی، کلود، کوپایلت، گراک و جمینای آزمایش کرده است. بر اساس نتایج گزارش‌شده، پاسخ‌ها به‌طور میانگین در ۵۷ درصد موارد نادرست بوده‌اند و نرخ خطا در پرسش‌های پیچیده و چندمرحله‌ای به ۸۸ درصد رسیده است. مدل‌ها در برخی موارد تغییرات مالیاتی را نادیده گرفته، قواعد غیرواقعی ساخته یا محاسبات نادرست ارائه کرده‌اند. مدل کلود اوپوس ۵ در حالت استدلالی بهترین نتیجه را در این آزمون داشته، اما همان مدل نیز در ۳۹ درصد پاسخ‌ها خطا کرده است. این مطالعه توسط یک شرکت فناوری انجام شده و جزئیات کامل نمونه پرسش‌ها، معیار نمره‌دهی و امکان بازتولید مستقل آن باید بررسی شود؛ بنابراین اعداد را نباید بدون توجه به طراحی آزمون به همه کاربردهای مالی تعمیم داد. . منبع اصلی رسانه‌ای: فایننشال‌تایمز ـ ارزیابی پاسخ‌های مالی ۱۸ مدل هوش مصنوعی #مشاوره_مالی #خطای_مدل #حمایت_مصرف_کننده #چت_بات #شفافیت 🍂 @NeuronRC🆔

📚 مطالعه جدید: هوش مصنوعی مولد عملکرد تحصیلی و اعتماد به فناوری را افزایش می‌دهد پژوهشی از دانشگاه فینیکس نشان می‌دهد دانشجویان آنلاین بزرگسال که بیشتر از ابزارهای هوش مصنوعی مولد مانند ChatGPT، کوپایلت و جمینی استفاده می‌کنند، عملکرد تحصیلی بالاتر و اعتماد بیشتری به مهارت‌های فناوری خود دارند. این یافته‌ها در مجله «هوش مصنوعی در آموزش» منتشر شده و فرضیه رایج را به چالش می‌کشد که دانشجویان صرفاً به دلیل ضعف تحصیلی یا کمبود وقت به هوش مصنوعی روی می‌آورند. 🔹 روش پژوهش محققان مرکز تحقیقات فناوری آموزشی دانشگاه فینیکس ۴۹۱ دانشجوی کارشناسی غیرسنتی را در دوره‌های عمومی آنلاین بررسی کردند. از این تعداد، ۴۳.۲ درصد (۲۱۲ نفر) گزارش دادند از ابزارهای GenAI در تکالیف خود استفاده می‌کنند. پژوهش با تحلیل رگرسیون چندگانه انجام شد. 🔹 یافته‌های اصلی دو عامل پیش‌بینی‌کننده معنی‌دار برای فراوانی استفاده از GenAI شناسایی شد: معدل بالاتر و اعتماد به فناوری. برخلاف تصور عمومی، اعتماد تحصیلی و محدودیت زمانی تأثیر معنی‌داری بر میزان استفاده نداشتند. جالب آنکه ۹۱.۱ درصد دانشجویان استفاده‌کننده معدل ۳.۰ یا بالاتر داشتند و ۶۸.۹ درصد در همان درس نمره عالی گرفتند. 🔹 نگرش دانشجویان پاسخ‌های تشریحی سه مضمون اصلی را نشان داد: بهبود درک مفاهیم پیچیده، هم‌فکری و ایده‌پردازی، و افزایش بهره‌وری. اما دانشجویان نگرانی‌هایی نیز مطرح کردند: دقت و اصالت محتوای تولیدشده، حفظ صدای دانشگاهی فردی، و سردرگمی درباره استفاده مجاز طبق قوانین یکپارچگی علمی. 🔹 تحلیل جسیکا سیلوستر، نویسنده ارشد مطالعه، می‌گوید: «این نتایج فرض را پیچیده می‌کند که دانشجویان عمدتاً به دلیل مشکلات تحصیلی از هوش مصنوعی استفاده می‌کنند. ما استفاده از GenAI را با عملکرد تحصیلی بهتر و اعتماد دیجیتال بیشتر مرتبط یافتیم.» 🔹 توصیه‌ها محققان توصیه می‌کنند آموزش سواد هوش مصنوعی در همه رشته‌ها گنجانده شود، تکالیفی طراحی شود که دانشجویان را به نقد اطلاعات تولیدشده ترغیب کند، و رهنمودهای نهادی شفاف درباره استفاده اخلاقی ارائه شود. 🔹 محدودیت‌ها این پژوهش مقطعی و همبستگی بوده و نمونه‌ای غیراحتمالی از یک دانشگاه آنلاین داشته است. بنابراین نمی‌توان نتیجه گرفت GenAI باعث عملکرد بهتر می‌شود، بلکه صرفاً همبستگی نشان داده شده است. تحقیقات طولی و چندمؤسسه‌ای برای بررسی الگوهای بلندمدت توصیه می‌شود. 🔹 نتیجه این مطالعه نشان می‌دهد هوش مصنوعی مولد اگر به‌درستی هدایت شود، می‌تواند ابزاری برای توانمندسازی دانشجویان باشد، نه تهدیدی برای یکپارچگی علمی. آموزش عالی باید با آماده‌سازی دانشجویان برای استفاده هوشمندانه و اخلاقی از این فناوری، از آن بهره‌برداری کند. #هوش_مصنوعی #آموزش_عالی #GenAI #یادگیری 🍂@NeuronRC

# سیستم تجویز خودکار دارو بدون پزشک؛ نقطه عطف یا هشدار؟ ایالت یوتا آمریکا اولین سیستم تجویز خودکار داروی جهان را راه‌اندازی کرد؛ بدون نیاز به تأیید پزشک. 🔹 چطور کار می‌کند؟ شرکت «نولا هلث» از پرسشنامه + اسکن صورت + هوش مصنوعی استفاده می‌کند و برای درمان آکنه نسخه صادر می‌کند. اگر سیستم مطمئن نباشد، پرونده را به پزشک ارجاع می‌دهد. 🔹 نقش پزشک به تدریج کمرنگ می‌شود: ▪️ ۱۰۰ بیمار اول → تأیید هر نسخه توسط پزشک ▪️ ۵۰۰ بیمار بعدی → بررسی روزانه ▪️ بعد از آن → بررسی هفتگی نمونه‌ها 🔹 آمار شرکت: بیش از ۹۶٪ موارد، پزشکان با نسخه‌های سیستم موافق بوده‌اند. (البته این آمار را خود شرکت گفته و مستقل تأیید نشده) این طرح، آغازگذار از «سلامت دیجیتال» به «سلامت خودمختار» است؛ جایی که ماشین تصمیم می‌گیرد، نه انسان. #هوش_مصنوعی #سلامت_دیجیتال #تجویز_خودکار #فناوری_پزشکی 🍂@NeuronRC

📌 هوش مصنوعی در خدمت کشاورزی هوشمند پژوهشی تازه نشان می‌دهد هوش مصنوعی می‌تواند در شناسایی ریزوباکتری‌های سودمند و مدیریت پایدار منابع طبیعی ایران نقش کلیدی داشته باشد. 🔬 مطالعه موردی: باکتری «سودوموناس کانادنسیس» 🧠 ابزارها: یادگیری ماشین و شبکه‌های عصبی 🌱 کاربردها: پایش جنگل‌ها، پیش‌بینی خشکسالی، حفاظت از گونه‌های در معرض خطر و سلامت خاک ⚠️ موانع: کمبود داده‌های باکیفیت، هزینه بالا و نیاز به نیروی متخصص 🇮🇷 این پژوهش در نشریه «طبیعت ایران» منتشر شده و مسیری نو برای کشاورزی هوشمند و حفاظت از منابع زیستی کشور ترسیم می‌کند. #هوش_مصنوعی #کشاورزی_هوشمند #منابع_طبیعی #پژوهش 🍂 @NeuronRC

🧠 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