🔬 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

🔬 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