🧠 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

🔬 پژوهش جدید | هوش مصنوعی در سلامت آیا می‌توان از روی یک عکس چهره، خطر مرگ بیماران سرطانی را پیش‌بینی کرد؟ پژوهشگران دانشکده پزشکی هاروارد و مجموعه درمانی Mass General Brigham آمریکا، سامانه‌ای مبتنی بر هوش مصنوعی به نام FAHR-Face توسعه داده‌اند که می‌تواند از روی تصویر چهره، نشانه‌هایی مرتبط با سن زیستی و خطر مرگ بیماران مبتلا به سرطان را شناسایی کند. نتایج این پژوهش در نشریه معتبر The Lancet Digital Health منتشر شده و نشان می‌دهد اطلاعات موجود در یک عکس معمولی ممکن است در آینده به ارزیابی وضعیت عمومی بیماران کمک کند. 🔍 سؤال اصلی پژوهش چه بود؟ آیا ویژگی‌های چهره می‌توانند اطلاعاتی فراتر از سن تقویمی درباره وضعیت سلامت و احتمال بقای بیماران سرطانی ارائه دهند؟ 🔬 پژوهشگران چه کردند؟ پژوهشگران ابتدا یک مدل پایه هوش مصنوعی را با بیش از ۴۰ میلیون تصویر چهره آموزش دادند و سپس دو ابزار تخصصی ساختند: ▪️ مدل FAHR-FaceAge که سن زیستی را بر اساس ویژگی‌های ظاهری چهره برآورد می‌کند. ▪️ مدل FAHR-FaceSurvival که مستقیماً از تصویر چهره، امتیازی مرتبط با خطر مرگ بیماران سرطانی تولید می‌کند. مدل پیش‌بینی بقا با تصاویر ۳۴٬۳۶۳ بیمار مبتلا به سرطان آموزش تکمیلی دید و در مجموعه‌داده‌های مستقل نیز ارزیابی شد. 📊 نتایج چه بود؟ ▪️ بیمارانی که چهره آن‌ها دست‌کم پنج سال مسن‌تر از سن تقویمی‌شان برآورد شد، با ۲۱ درصد خطر مرگ بیشتر همراه بودند. در مقابل، چهره‌هایی که دست‌کم پنج سال جوان‌تر ارزیابی شدند، با ۱۷ درصد خطر کمتر همراه بودند. ▪️ در یک مجموعه ارزیابی، از میان ۱۲۲ بیمار با بالاترین امتیاز خطر، ۶۴ نفر (حدود ۵۳ درصد) طی ۹۰ روز فوت کردند؛ درحالی‌که این رقم در گروه ۹۷۵ نفری با پایین‌ترین امتیاز خطر، حدود ۲ درصد بود. ▪️ مدل پیش‌بینی مستقیم بقا توانست گروه‌هایی با خطر مرگ متفاوت را از یکدیگر تفکیک کند. نسبت خطر تعدیل‌شده در بالاترین گروه خطر نسبت به پایین‌ترین گروه، ۳٫۲۳ گزارش شد. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ این مطالعه داوری‌شده و دارای اعتبارسنجی مستقل است؛ اما پیش‌بینی آماری خطر مرگ، به معنای تعیین سرنوشت یک بیمار از روی عکس نیست. مدل هنوز برای تصمیم‌گیری بالینی مستقل تأیید نشده و مشخص نیست استفاده از آن در کنار ارزیابی پزشکان تا چه اندازه می‌تواند پیامدهای درمان را بهبود دهد. همچنین باید عملکرد آن در جمعیت‌های متنوع‌تر و محیط‌های بالینی مختلف بررسی شود. 💡 چرا این پژوهش مهم است؟ پزشکان هنگام انتخاب درمان‌هایی مانند جراحی، شیمی‌درمانی یا پرتودرمانی باید وضعیت جسمانی و توان تحمل درمان را در نظر بگیرند. اگر اطلاعات استخراج‌شده از چهره در مطالعات آینده معتبر شناخته شوند، ممکن است به‌عنوان یک نشانگر زیستی غیرتهاجمی، در کنار آزمایش‌ها و ارزیابی‌های پزشکی به تصمیم‌گیری کمک کنند. این پژوهش مسیر تازه‌ای برای مطالعه نشانگرهای زیستی مبتنی بر تصویر و پزشکی شخصی‌سازی‌شده باز می‌کند؛ مسیری که همچنان نیازمند اعتبارسنجی بالینی و بررسی ملاحظات اخلاقی و حریم خصوصی است. 📚 شناسنامه پژوهش مراکز پژوهشی: Mass General Brigham و دانشکده پزشکی هاروارد، آمریکا، با همکاری پژوهشگران بین‌المللی نویسنده اول: Fridolin Haugg نشریه: The Lancet Digital Health نوع پژوهش: توسعه و اعتبارسنجی مدل هوش مصنوعی وضعیت انتشار: مقاله علمی داوری‌شده 🔗 مقاله اصلی: https://doi.org/10.1016/j.landig.2026.101056 🔗 گزارش رسمی مرکز پژوهشی: https://news.massgeneralbrigham.org/en/ai-facial-recognition-tools-assess-age-cancer-survival-risk #هوش_مصنوعی_در_سلامت #تصویربرداری_پزشکی #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

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