🔹#روش‌های_مشارکت در MedX | بخش اول
🌐 همان‌طور که قبلا هم ذکر شد، MedX یک پروژه‌ی منبع‌باز (Open Source) است و هر کسی که مایل باشد، می‌تواند در آن مشارکت کند. اما برای شفاف‌تر شدن روش‌های مختلف مشارکت در MedX، تصمیم گرفتیم که پست‌هایی را با هشتگ #روش‌های_مشارکت آماده کنیم تا افراد علاقه‌مند، آشنایی بیشتر و بهتری با روش‌های مختلف مشارکت داشته باشند.
🖋️ در اولین پست از روش‌هاش مشارکت در MedX، به «نوشتن» می‌پردازیم! طبق ارزش‌های ما، «هر» کسی می‌تواند از این بستر برای نوشتن و کمک به گسترش دانش عمومی در زمینه‌ی «سلامت هوشمند» استفاده کند.
🔖 بنابراین، ما از همه‌ی دانشجویان، پژوهشگران، نویسندگان و همه‌ی کسانی که مایل به فعالیت در این زمینه هستند دعوت می‌کنیم که با مراجعه به «بخش نویسندگان در صفحه‌ی مشارکت»، اقدامات تعریف‌شده برای عضویت به عنوان «نویسنده‌ی مورد تایید MedX» را انجام دهند، تا ما افتخار همراهی ایشان را در این مسیر داشته باشیم.
🚀 دوستان زیادی تا به حال به جامعه‌ی نویسندگان MedX ملحق شده‌اند و این نشان از عزم روزافزون فعالین این زمینه دارد و با کمک شما عزیزان، امیدواریم که این حضور بیشتر، پررنگ‌تر و موثرتر هم بشود.
⚠️ تمام جزئیات مورد نیاز، در صفحه‌ی مشارکت وجود دارد. اما برای اطلاعات بیشتر و همچنین در صورت پیش‌آمد هرگونه سوالی، می‌توانید با ادمین در ارتباط باشید:
@MedX_admin
🌐 | @medxmedia_net
🌐 همان‌طور که قبلا هم ذکر شد، MedX یک پروژه‌ی منبع‌باز (Open Source) است و هر کسی که مایل باشد، می‌تواند در آن مشارکت کند. اما برای شفاف‌تر شدن روش‌های مختلف مشارکت در MedX، تصمیم گرفتیم که پست‌هایی را با هشتگ #روش‌های_مشارکت آماده کنیم تا افراد علاقه‌مند، آشنایی بیشتر و بهتری با روش‌های مختلف مشارکت داشته باشند.
🖋️ در اولین پست از روش‌هاش مشارکت در MedX، به «نوشتن» می‌پردازیم! طبق ارزش‌های ما، «هر» کسی می‌تواند از این بستر برای نوشتن و کمک به گسترش دانش عمومی در زمینه‌ی «سلامت هوشمند» استفاده کند.
🔖 بنابراین، ما از همه‌ی دانشجویان، پژوهشگران، نویسندگان و همه‌ی کسانی که مایل به فعالیت در این زمینه هستند دعوت می‌کنیم که با مراجعه به «بخش نویسندگان در صفحه‌ی مشارکت»، اقدامات تعریف‌شده برای عضویت به عنوان «نویسنده‌ی مورد تایید MedX» را انجام دهند، تا ما افتخار همراهی ایشان را در این مسیر داشته باشیم.
🚀 دوستان زیادی تا به حال به جامعه‌ی نویسندگان MedX ملحق شده‌اند و این نشان از عزم روزافزون فعالین این زمینه دارد و با کمک شما عزیزان، امیدواریم که این حضور بیشتر، پررنگ‌تر و موثرتر هم بشود.
⚠️ تمام جزئیات مورد نیاز، در صفحه‌ی مشارکت وجود دارد. اما برای اطلاعات بیشتر و همچنین در صورت پیش‌آمد هرگونه سوالی، می‌توانید با ادمین در ارتباط باشید:
@MedX_admin
🌐 | @medxmedia_net
🔹آینده سلول‌درمانی نیازمند مدل‌های هوش مصنوعی است!
سلول‌های بنیادی القایی، از سلول‌های تمایزیافته «طی برنامه‌ریزی مجدد تنظیمات سلولی آن‌ها» به وجود می‌آیند و قابلیت تبدیل‌شدن به «همه» انواع سلول‌های بدن انسان را دارند.
اما با توجه به ناپایداری ژنتیکی سلول‌های بنیادی القایی (به دلیل روش برنامه‌ریزی مجدد آن‌ها و بازدهی کم روند تولید و همچنین اهمیت عملکرد صحیح سلول‌های بنیادی القایی در بالین)، به «ارزیابی مداوم» آن‌ها نیازمندیم که این موضوع، با روش‌های فعلی، نه تنها «بسیار زمانبر» است، بلکه پتانسیل بالایی برای «خطای انسانی» دارد و روش بهینه‌ای نیست.
برای رفع این مشکل، محققان در مطالعات بسیاری نشان داده‌اند که می‌توان از هوش مصنوعی [و علی‌الخصوص پردازش تصویر] در قسمت‌هایی مانند بررسی تولید سلول‌هاي بنیادی القایی، بررسی تمایز آن‌ها به سلول‌های مورد نظر برای دسته‌بندی، بررسی نوع کلونی سلولی و عملکرد آن‌ها و... استفاده کرد و این پروسه را به صورت بهینه به انجام رساند.
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
سلول‌های بنیادی القایی، از سلول‌های تمایزیافته «طی برنامه‌ریزی مجدد تنظیمات سلولی آن‌ها» به وجود می‌آیند و قابلیت تبدیل‌شدن به «همه» انواع سلول‌های بدن انسان را دارند.
اما با توجه به ناپایداری ژنتیکی سلول‌های بنیادی القایی (به دلیل روش برنامه‌ریزی مجدد آن‌ها و بازدهی کم روند تولید و همچنین اهمیت عملکرد صحیح سلول‌های بنیادی القایی در بالین)، به «ارزیابی مداوم» آن‌ها نیازمندیم که این موضوع، با روش‌های فعلی، نه تنها «بسیار زمانبر» است، بلکه پتانسیل بالایی برای «خطای انسانی» دارد و روش بهینه‌ای نیست.
برای رفع این مشکل، محققان در مطالعات بسیاری نشان داده‌اند که می‌توان از هوش مصنوعی [و علی‌الخصوص پردازش تصویر] در قسمت‌هایی مانند بررسی تولید سلول‌هاي بنیادی القایی، بررسی تمایز آن‌ها به سلول‌های مورد نظر برای دسته‌بندی، بررسی نوع کلونی سلولی و عملکرد آن‌ها و... استفاده کرد و این پروسه را به صورت بهینه به انجام رساند.
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
پیش‌بینی وضعیت بعدی بیمار در سیستم سلامت، همانند کلمات بعدی یک متن!
پژوهشگران Mass General Brigham در مقاله‌ای بسیار نوآورانه از روش‌های مبتنی بر transformer که برای پیش‌بینی کلمه‌ی بعدی در یک متن استفاده می‌شد و تمام مدل‌های زبانی فعلی بر همین اساس ساخته شده‌اند، برای «پیش‌بینی وضعیت بعدی بیمار در سیستم سلامت» استفاده کردند و مدلی به نام «ETHOS» را معرفی کرده‌اند که می‌تواند با دقت خوبی آن وضعیت را پیش‌بینی کرد!
از ویژگی‌های این مدل که با روش zero-shot learning آموزش دیده است، می‌توان به توانایی آن در پیش‌بینی مرگ و میر بیماران در بیمارستان و ICU، تخمین مدت زمان اقامت در ICU و تعیین احتمال بازگشت به بیمارستان اشاره کرد. همچنین قادر است نمره‌ی SOFA [که معیاری برای ارزیابی وضعیت بیماران در ICU محسوب می‌شود] را در زمان پذیرش بیمار پیش‌بینی کند. در ضمن کد و وزن‌های این مدل هم به صورت open source منتشر شده است!
📎کد
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
پژوهشگران Mass General Brigham در مقاله‌ای بسیار نوآورانه از روش‌های مبتنی بر transformer که برای پیش‌بینی کلمه‌ی بعدی در یک متن استفاده می‌شد و تمام مدل‌های زبانی فعلی بر همین اساس ساخته شده‌اند، برای «پیش‌بینی وضعیت بعدی بیمار در سیستم سلامت» استفاده کردند و مدلی به نام «ETHOS» را معرفی کرده‌اند که می‌تواند با دقت خوبی آن وضعیت را پیش‌بینی کرد!
از ویژگی‌های این مدل که با روش zero-shot learning آموزش دیده است، می‌توان به توانایی آن در پیش‌بینی مرگ و میر بیماران در بیمارستان و ICU، تخمین مدت زمان اقامت در ICU و تعیین احتمال بازگشت به بیمارستان اشاره کرد. همچنین قادر است نمره‌ی SOFA [که معیاری برای ارزیابی وضعیت بیماران در ICU محسوب می‌شود] را در زمان پذیرش بیمار پیش‌بینی کند. در ضمن کد و وزن‌های این مدل هم به صورت open source منتشر شده است!
📎کد
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
آیا بیماران آماده پذیرش هوش مصنوعی در مراقبت‌های بهداشتی هستند؟
در گزارشی از bain، به این پرداخته شده است که بیماران آمریکایی، به طور فزاینده‌ای نسبت به استفاده از هوش مصنوعی مولد (generative ai) در مراقبت‌های بهداشتی تمایل نشان داده‌اند!
این تمایل، به‌ویژه در زمینه «تجزیه و تحلیل تصاویر رادیولوژی و دریافت تشخیص از این تکنولوژی» مشاهده می‌شود. اما این بیماران هنوز در «تعامل مستقیم» با هوش مصنوعی احساس راحتی «نمی‌کنند» و بیشتر ترجیح می‌دهند که از این تکنولوژی به عنوان «ابزاری حمایتی برای پزشکان» استفاده شود.
پزشکان هم با احساسات مشابهی مواجه هستند و در عین حال که پتانسیل هوش مصنوعی برای کاهش بار کاری خود را می‌بینند، «نگران تأثیر آن بر رابطه بیمار و پزشک» هستند. این چالش‌ها نیازمند توجه جدی به نحوه استفاده از تکنولوژی و مشارکت پزشکان در تصمیم‌گیری‌های استراتژیک است و گزارش bain هم به همین موضوع پرداخته است.
🔗 برای خواندن ادامه این مطلب به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
در گزارشی از bain، به این پرداخته شده است که بیماران آمریکایی، به طور فزاینده‌ای نسبت به استفاده از هوش مصنوعی مولد (generative ai) در مراقبت‌های بهداشتی تمایل نشان داده‌اند!
این تمایل، به‌ویژه در زمینه «تجزیه و تحلیل تصاویر رادیولوژی و دریافت تشخیص از این تکنولوژی» مشاهده می‌شود. اما این بیماران هنوز در «تعامل مستقیم» با هوش مصنوعی احساس راحتی «نمی‌کنند» و بیشتر ترجیح می‌دهند که از این تکنولوژی به عنوان «ابزاری حمایتی برای پزشکان» استفاده شود.
پزشکان هم با احساسات مشابهی مواجه هستند و در عین حال که پتانسیل هوش مصنوعی برای کاهش بار کاری خود را می‌بینند، «نگران تأثیر آن بر رابطه بیمار و پزشک» هستند. این چالش‌ها نیازمند توجه جدی به نحوه استفاده از تکنولوژی و مشارکت پزشکان در تصمیم‌گیری‌های استراتژیک است و گزارش bain هم به همین موضوع پرداخته است.
🔗 برای خواندن ادامه این مطلب به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
از تولید خطا تا بهبود دقت مدل!
یکی از ایده‌های محققان برای بهبود هرچه بیشتر عملکرد مدل‌های هوش مصنوعی، «آموزش خطاها» است. چند روز پیش هم محققان دانشگاه هاروارد از همین ایده برای بهبود دقت مدل‌های هوش مصنوعی در «رادیولوژی» استفاده کردند و مدلی به نام ReXErr را معرفی کردند.
این مدل، به منظور تولید و اضافه‌کردن «خطاهای شبه‌واقعی» به گزارش‌های رادیولوژی طراحی شده است و می‌تواند با آموزش خطاها، به مدل‌ها کمک کند تا خطاهایی مانند ایرادات تشخیصی، مسائل نگارشی و... را تشخیص دهند و آن خطاها را تکرار نکنند و نهایتا هم دقت بهتری داشته باشند!
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
یکی از ایده‌های محققان برای بهبود هرچه بیشتر عملکرد مدل‌های هوش مصنوعی، «آموزش خطاها» است. چند روز پیش هم محققان دانشگاه هاروارد از همین ایده برای بهبود دقت مدل‌های هوش مصنوعی در «رادیولوژی» استفاده کردند و مدلی به نام ReXErr را معرفی کردند.
این مدل، به منظور تولید و اضافه‌کردن «خطاهای شبه‌واقعی» به گزارش‌های رادیولوژی طراحی شده است و می‌تواند با آموزش خطاها، به مدل‌ها کمک کند تا خطاهایی مانند ایرادات تشخیصی، مسائل نگارشی و... را تشخیص دهند و آن خطاها را تکرار نکنند و نهایتا هم دقت بهتری داشته باشند!
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
🔹 خبرنامه‌ی هفتگی MedX
📥 آیا می‌دانید که ما یک «خبرنامه‌ی هفتگی» هم داریم و در حال حاضر، بیش از صد نفر همه‌ی مطالب وب‌سایت را به صورت رایگان در صندوق ایمیل‌شان دریافت می‌کنند؟
🔻 برای عضویت در این خبرنامه، می‌توانید این فرم را تکمیل کنید تا به صورت خودکار به خبرنامه‌ی هفتگی MedX اضافه شوید!
🌐 | @medxmedia_net
📥 آیا می‌دانید که ما یک «خبرنامه‌ی هفتگی» هم داریم و در حال حاضر، بیش از صد نفر همه‌ی مطالب وب‌سایت را به صورت رایگان در صندوق ایمیل‌شان دریافت می‌کنند؟
🔻 برای عضویت در این خبرنامه، می‌توانید این فرم را تکمیل کنید تا به صورت خودکار به خبرنامه‌ی هفتگی MedX اضافه شوید!
🌐 | @medxmedia_net
آیا با معرفی مدل o1 به هوش مصنوعی پزشک نزدیک‌تر شده‌ایم؟ بله!
«آیا مدل o1، ما را به دکترهای هوش مصنوعی نزدیک‌تر کرده است؟» این عنوان یکی از جدیدترین مقالات منتشرشده است که به بررسی قابلیت‌های جدید مدل o1 [که اخیرا توسط شرکت openai معرفی شد و ما هم در گذشته به عملکردش در سوالات پزشکی پرداختیم] در زمینه‌ی پزشکی می‌پردازد و به طور خاص، بر روی «توانایی‌های درک و استدلال (reasoning)» آن تمرکز دارد.
محققان با استفاده از ۳۷ مجموعه داده پزشکی، توانایی‌های مدل را در شش وظیفه مختلف ارزیابی کرده‌اند و نتایج نشان می‌دهد که o1 در اکثر وظایف، دقت بسیار بالاتری را نسبت به سایر مدل‌ها دارد و قابلیت‌های استدلال آن «به طور قابل توجهی» بهبود یافته است. با این حال، آن‌ها همچنان به برخی از ضعف‌ها مانند توهمات (hallucinations) و ناهماهنگی در توانایی‌های چندزبانه اشاره کرده‌اند.
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
«آیا مدل o1، ما را به دکترهای هوش مصنوعی نزدیک‌تر کرده است؟» این عنوان یکی از جدیدترین مقالات منتشرشده است که به بررسی قابلیت‌های جدید مدل o1 [که اخیرا توسط شرکت openai معرفی شد و ما هم در گذشته به عملکردش در سوالات پزشکی پرداختیم] در زمینه‌ی پزشکی می‌پردازد و به طور خاص، بر روی «توانایی‌های درک و استدلال (reasoning)» آن تمرکز دارد.
محققان با استفاده از ۳۷ مجموعه داده پزشکی، توانایی‌های مدل را در شش وظیفه مختلف ارزیابی کرده‌اند و نتایج نشان می‌دهد که o1 در اکثر وظایف، دقت بسیار بالاتری را نسبت به سایر مدل‌ها دارد و قابلیت‌های استدلال آن «به طور قابل توجهی» بهبود یافته است. با این حال، آن‌ها همچنان به برخی از ضعف‌ها مانند توهمات (hallucinations) و ناهماهنگی در توانایی‌های چندزبانه اشاره کرده‌اند.
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
تولید گزارش رادیولوژی از روی تصاویر قفسه‌ی سینه به کجا رسیده است؟
بیمارستان‌هایی که قصد استفاده از مدل‌های هوش مصنوعی را دارند، یا باید از مدل‌های closed source استفاده کنند که هم هزینه‌ی بالایی دارد و هم نگرانی‌های امنیتی زیادی را شامل می‌شود، یا باید از مدل‌های open source و عمومی استفاده کنند که هزینه‌ی محاسباتی بالایی دارد و در بسیاری از مناطق صرفه‌ی اقتصادی ندارند.
محققان دانشگاه آکسفورد هم با دیدن این مسئله، تصمیم به توسعه‌ی مدل open sourceای گرفتند که «اندازه‌ی کوچکی» هم دارد و می‌تواند در شرایطی با کمترین امکانات هم مورد استفاده قرار بگیرد. این مدل که «SLaVA-CXR» نام دارد، مدلی زبانی-تصویری برای تولید خودکار گزارش‌های مربوط به تصاویر X-Ray قفسه‌ی سینه است و نه‌تنها بهتر از سایر مدل‌های بزرگ‌تر از خود عمل کرده است، بلکه از نظر بهینه‌بودن استنتاج‌اش (inference efficiency) هم «۶ برابر» سریع‌تر است!
📎کد
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
بیمارستان‌هایی که قصد استفاده از مدل‌های هوش مصنوعی را دارند، یا باید از مدل‌های closed source استفاده کنند که هم هزینه‌ی بالایی دارد و هم نگرانی‌های امنیتی زیادی را شامل می‌شود، یا باید از مدل‌های open source و عمومی استفاده کنند که هزینه‌ی محاسباتی بالایی دارد و در بسیاری از مناطق صرفه‌ی اقتصادی ندارند.
محققان دانشگاه آکسفورد هم با دیدن این مسئله، تصمیم به توسعه‌ی مدل open sourceای گرفتند که «اندازه‌ی کوچکی» هم دارد و می‌تواند در شرایطی با کمترین امکانات هم مورد استفاده قرار بگیرد. این مدل که «SLaVA-CXR» نام دارد، مدلی زبانی-تصویری برای تولید خودکار گزارش‌های مربوط به تصاویر X-Ray قفسه‌ی سینه است و نه‌تنها بهتر از سایر مدل‌های بزرگ‌تر از خود عمل کرده است، بلکه از نظر بهینه‌بودن استنتاج‌اش (inference efficiency) هم «۶ برابر» سریع‌تر است!
📎کد
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
انقلاب هوش مصنوعی در تصویربرداری قلب:نگاهی به آینده درمان
در ارزیابی‌های قلبی، فناوری‌های تصویربرداری مانند اشعه ایکس، سی‌تی اسکن، ام‌آرآی و اکوکاردیوگرافی نقش حیاتی دارند. تحقیقات زیادی هم در حوزه‌ی هوش مصنوعی بر بهبود این روش‌ها تمرکز کرده‌اند، چرا که بیماری‌های قلبی-عروقی از بزرگ‌ترین عوامل مرگ‌ومیر در جهان هستند.
استفاده از هوش مصنوعی می‌تواند هزینه‌های درمانی را کاهش دهد و کیفیت خدمات پزشکی را بهبود بخشد. مدل‌های مبتنی بر شبکه‌های پیچشی (CNN) برای هم‌ترازی تصاویر پزشکی مانند سی‌تی اسکن و ام‌آرآی به کار گرفته شده‌اند که نتایج بسیار بهتری نسبت به روش‌های قدیمی ارائه می‌دهند.
همچنین، یک چارچوب نوآورانه برای ارزیابی خطر بیماری ایسکمیک قلب با مدل‌های یادگیری عمیق معرفی شده است. این روش‌ها عملکرد بهتری نسبت به ابزارهای سنتی در پیش‌بینی خطر بیماری‌های قلبی-عروقی دارند.
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
در ارزیابی‌های قلبی، فناوری‌های تصویربرداری مانند اشعه ایکس، سی‌تی اسکن، ام‌آرآی و اکوکاردیوگرافی نقش حیاتی دارند. تحقیقات زیادی هم در حوزه‌ی هوش مصنوعی بر بهبود این روش‌ها تمرکز کرده‌اند، چرا که بیماری‌های قلبی-عروقی از بزرگ‌ترین عوامل مرگ‌ومیر در جهان هستند.
استفاده از هوش مصنوعی می‌تواند هزینه‌های درمانی را کاهش دهد و کیفیت خدمات پزشکی را بهبود بخشد. مدل‌های مبتنی بر شبکه‌های پیچشی (CNN) برای هم‌ترازی تصاویر پزشکی مانند سی‌تی اسکن و ام‌آرآی به کار گرفته شده‌اند که نتایج بسیار بهتری نسبت به روش‌های قدیمی ارائه می‌دهند.
همچنین، یک چارچوب نوآورانه برای ارزیابی خطر بیماری ایسکمیک قلب با مدل‌های یادگیری عمیق معرفی شده است. این روش‌ها عملکرد بهتری نسبت به ابزارهای سنتی در پیش‌بینی خطر بیماری‌های قلبی-عروقی دارند.
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
به‌عنوان یک دانشجوی پزشکی چگونه با ChatGPT صحبت کنیم؟
چت‌جی‌پی‌تی یک هوش مصنوعی قدرتمند ساخته شده توسط OpenAI است. این ابزار، برای درک و پاسخ به پرسش‌های شما طراحی شده است و می‌تواند برای دانشجویان پزشکی منبع بسیار باارزشی باشد تا به عنوان «شریک درسی» دیجیتال‌شان هنگام یادگیری یا آمادگی برای امتحانات از آن استفاده کنند.
در این مقاله، سعی شده است که نکات لازم برای نوشتن یک دستور (Prompt) مناسب برای ChatGPT مرور شود. همچنین الگوهای دستوری‌ای که می‌توانند مورد استفاده‌ی دانشجویان پزشکی قرار بگیرند، نظیر «ساخت فلش کارت» و «نمونه سوال امتحانی» و حتی نوشتن «خلاصه‌ی مقالات»، نیز بررسی شده است.
در عصر جدید، تنها پزشکانی حذف نخواهند شد که بیاموزند چگونه از این دستیارهای فوق‌العاده «بیشترین استفاده و بازدهی» را داشته باشند. ما می‌توانیم با استفاده از ابزارهای هوش مصنوعی، زندگی خود را بهتر مدیریت کنیم و در کنار دسترسی راحت و سریع به منابع آموزشی، به کمک این ابزارها، استفاده‌ی بهتری از زمان‌مان داشته باشیم.
🔗 برای مطالعه‌ی این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
چت‌جی‌پی‌تی یک هوش مصنوعی قدرتمند ساخته شده توسط OpenAI است. این ابزار، برای درک و پاسخ به پرسش‌های شما طراحی شده است و می‌تواند برای دانشجویان پزشکی منبع بسیار باارزشی باشد تا به عنوان «شریک درسی» دیجیتال‌شان هنگام یادگیری یا آمادگی برای امتحانات از آن استفاده کنند.
در این مقاله، سعی شده است که نکات لازم برای نوشتن یک دستور (Prompt) مناسب برای ChatGPT مرور شود. همچنین الگوهای دستوری‌ای که می‌توانند مورد استفاده‌ی دانشجویان پزشکی قرار بگیرند، نظیر «ساخت فلش کارت» و «نمونه سوال امتحانی» و حتی نوشتن «خلاصه‌ی مقالات»، نیز بررسی شده است.
در عصر جدید، تنها پزشکانی حذف نخواهند شد که بیاموزند چگونه از این دستیارهای فوق‌العاده «بیشترین استفاده و بازدهی» را داشته باشند. ما می‌توانیم با استفاده از ابزارهای هوش مصنوعی، زندگی خود را بهتر مدیریت کنیم و در کنار دسترسی راحت و سریع به منابع آموزشی، به کمک این ابزارها، استفاده‌ی بهتری از زمان‌مان داشته باشیم.
🔗 برای مطالعه‌ی این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
انقلابی در مراقبت‌های سرطان: ترکیب دوقلوی دیجیتال و هوش مصنوعی
دوقلوهای دیجیتال، نسخه‌های مجازی بیماران هستند که «به طور مداوم» با داده‌های واقعی به‌روزرسانی می‌شوند. این دوقلوها، می‌توانند به پزشکان برای شبیه‌سازی و پیش‌بینی نتایج درمانی بیماران کمک کنند و نهایتا منجر به اتخاد تصمیم‌های بهتری توسط آنان شوند.
در مقاله‌ی جدیدی که توسط RISA Lab منتشر شده است هم به این دوقلوها و فواید استفاده از آن‌ها در مسیر درمان سرطان پرداخته شده است. این مقاله، یک چارچوب نوآورانه برای دوقلوهای دیجیتال در فرآیندهای درمانی سرطان معرفی می‌کند که شامل سه دوقلوی متفاوت می‌باشد: ۱) دوقلوی ضرورت پزشکی، ۲) دوقلوی تاریخچه بالینی و ۳) دوقلوی راهنمای مراقبت هستند. هر کدام از این دوقلوها هم نقش بسیار مهمی در بهبود کارایی و شخصی‌سازی مراقبت‌های بیمار ایفا می‌کنند.
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
دوقلوهای دیجیتال، نسخه‌های مجازی بیماران هستند که «به طور مداوم» با داده‌های واقعی به‌روزرسانی می‌شوند. این دوقلوها، می‌توانند به پزشکان برای شبیه‌سازی و پیش‌بینی نتایج درمانی بیماران کمک کنند و نهایتا منجر به اتخاد تصمیم‌های بهتری توسط آنان شوند.
در مقاله‌ی جدیدی که توسط RISA Lab منتشر شده است هم به این دوقلوها و فواید استفاده از آن‌ها در مسیر درمان سرطان پرداخته شده است. این مقاله، یک چارچوب نوآورانه برای دوقلوهای دیجیتال در فرآیندهای درمانی سرطان معرفی می‌کند که شامل سه دوقلوی متفاوت می‌باشد: ۱) دوقلوی ضرورت پزشکی، ۲) دوقلوی تاریخچه بالینی و ۳) دوقلوی راهنمای مراقبت هستند. هر کدام از این دوقلوها هم نقش بسیار مهمی در بهبود کارایی و شخصی‌سازی مراقبت‌های بیمار ایفا می‌کنند.
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
#معرفی_شرکت‌ها | قسمت ۳
⭐️ پتلفرم Qventus
این شرکت در سال ۲۰۱۲ توسط آقای Mudit Garg در شهر San Francisco راه‌اندازی شد. ایشان فارغ‌التحصیل برق و MBA دانشگاه استنفورد هستند و Quventus را با هدف «خودکارسازی عملیات‌های سیستم سلامت با کمک فناوری‌هایی مانند هوش مصنوعی» آغاز کردند. این شرکت خصوصی تا به حال بیشتر از ۸۳ میلیون دلار سرمایه جذب کرده است و تعداد کارمندانش هم به بیشتر از ۱۸۰ نفر رسیده است.
این شرکت را می‌توان یکی از پیشگامان به‌کارگیری هوش مصنوعی در فعالیت روزانه‌ی بیمارستان‌ها در نظر گرفت و تا به امروز هم توسط سازمان‌های زیادی مورد استفاده قرار گرفته است. کاربران این شرکت را متخصصان بهداشت و مدیران در بیمارستان‌ها و سیستم‌های بهداشتی تشکیل داده‌اند و این کاربران برای ساده‌سازی جریان کار، افزایش کارایی عملیاتی و در نهایت ارائه نتایج بهتر برای بیماران از طریق «مدیریت مؤثرتر بیمارستان»، به این پلتفرم تکیه می‌کنند.
🔗 وب‌سایت | لینکدین | توییتر | کرانج‌بیس
🌐 | @medxmedia_net
⭐️ پتلفرم Qventus
این شرکت در سال ۲۰۱۲ توسط آقای Mudit Garg در شهر San Francisco راه‌اندازی شد. ایشان فارغ‌التحصیل برق و MBA دانشگاه استنفورد هستند و Quventus را با هدف «خودکارسازی عملیات‌های سیستم سلامت با کمک فناوری‌هایی مانند هوش مصنوعی» آغاز کردند. این شرکت خصوصی تا به حال بیشتر از ۸۳ میلیون دلار سرمایه جذب کرده است و تعداد کارمندانش هم به بیشتر از ۱۸۰ نفر رسیده است.
این شرکت را می‌توان یکی از پیشگامان به‌کارگیری هوش مصنوعی در فعالیت روزانه‌ی بیمارستان‌ها در نظر گرفت و تا به امروز هم توسط سازمان‌های زیادی مورد استفاده قرار گرفته است. کاربران این شرکت را متخصصان بهداشت و مدیران در بیمارستان‌ها و سیستم‌های بهداشتی تشکیل داده‌اند و این کاربران برای ساده‌سازی جریان کار، افزایش کارایی عملیاتی و در نهایت ارائه نتایج بهتر برای بیماران از طریق «مدیریت مؤثرتر بیمارستان»، به این پلتفرم تکیه می‌کنند.
🔗 وب‌سایت | لینکدین | توییتر | کرانج‌بیس
🌐 | @medxmedia_net
This media is not supported in your browser
VIEW IN TELEGRAM
افزایش دقت روش‌های تحریک مغز با تکنیکی جدید برای تجسم سه‌بعدی!
در پیشرفتی قابل توجه برای عمل‌های جراحی مغز و اعصاب، پژوهشگران روشی نوآورانه برای «تصویربرداری سه‌بعدی از هسته‌های عمقی مغز» توسعه داده‌اند که هدف آن افزایش دقت روش‌های تحریک عمقی مغز (DBS) است!
این تیم پژوهشی، برای مقابله با چالش موجود، از «روش کلینگلر» برای آماده‌سازی نمونه‌های مغزی استفاده کردند که امکان تشریح دقیق را فراهم می‌کند و آناتومی پیچیده ساختارهای عمقی مغز را حفظ می‌کند. این پیشرفت نمایانگر گامی اساسی در بهبود مداوم روش‌های DBS است و ممکن است به عنوان «ابزاری پایه‌ای» برای پزشکان بالینی و پژوهشگرانی که به درمان اختلالات مدار حرکتی اختصاص دارند، استفاده شود.
در ویدئوی مربوط به این مطلب، می‌توانید نحوه‌ی عملکرد این مدل را مشاهده کنید. همچنین در این وب‌سایت هم می‌توانید به رایگان این مدل‌های سه‌بعدی را امتحان کنید و از کیفیت و دقت آن‌ها لذت ببرید!
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
در پیشرفتی قابل توجه برای عمل‌های جراحی مغز و اعصاب، پژوهشگران روشی نوآورانه برای «تصویربرداری سه‌بعدی از هسته‌های عمقی مغز» توسعه داده‌اند که هدف آن افزایش دقت روش‌های تحریک عمقی مغز (DBS) است!
این تیم پژوهشی، برای مقابله با چالش موجود، از «روش کلینگلر» برای آماده‌سازی نمونه‌های مغزی استفاده کردند که امکان تشریح دقیق را فراهم می‌کند و آناتومی پیچیده ساختارهای عمقی مغز را حفظ می‌کند. این پیشرفت نمایانگر گامی اساسی در بهبود مداوم روش‌های DBS است و ممکن است به عنوان «ابزاری پایه‌ای» برای پزشکان بالینی و پژوهشگرانی که به درمان اختلالات مدار حرکتی اختصاص دارند، استفاده شود.
در ویدئوی مربوط به این مطلب، می‌توانید نحوه‌ی عملکرد این مدل را مشاهده کنید. همچنین در این وب‌سایت هم می‌توانید به رایگان این مدل‌های سه‌بعدی را امتحان کنید و از کیفیت و دقت آن‌ها لذت ببرید!
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
هوش مصنوعی گزارش‌های رادیولوژی بیماران را به صورت ویدئویی برای آن‌ها توضیح می‌دهد!
اگر تجربه‌ی دریافت و مشاهده‌ی گزارش‌های رادیولوژی را داشته باشید، حتما می‌دانید که تفسیر آن‌ها کار هر کسی نیست و بیماران هم که اغلب دانش پایه‌ای لازم برای تفسیر این گزارشات را ندارند، همواره با مشکل «ندانستن معنای گزارشی که در دست‌شان است» روبه‌رو هستند.
اما حالا دیگر نیازی به نگرانی درمورد این مسئله نیست! مدل ReXplain [که چند روز پیش در مقاله‌ای از پژوهشگران دانشگاه هاروارد معرفی شد] قرار است آن‌ها را به ویدئوهای کوتاه و قابل فهمی برای بیماران تبدیل کند تا متوجه مسئله‌شان شوند و نهایتا هم تجربه‌ی بهتری از کل مسیر درمانی‌شان داشته باشند!
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
اگر تجربه‌ی دریافت و مشاهده‌ی گزارش‌های رادیولوژی را داشته باشید، حتما می‌دانید که تفسیر آن‌ها کار هر کسی نیست و بیماران هم که اغلب دانش پایه‌ای لازم برای تفسیر این گزارشات را ندارند، همواره با مشکل «ندانستن معنای گزارشی که در دست‌شان است» روبه‌رو هستند.
اما حالا دیگر نیازی به نگرانی درمورد این مسئله نیست! مدل ReXplain [که چند روز پیش در مقاله‌ای از پژوهشگران دانشگاه هاروارد معرفی شد] قرار است آن‌ها را به ویدئوهای کوتاه و قابل فهمی برای بیماران تبدیل کند تا متوجه مسئله‌شان شوند و نهایتا هم تجربه‌ی بهتری از کل مسیر درمانی‌شان داشته باشند!
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
MedX
🔹#روش‌های_مشارکت در MedX | بخش اول 🌐 همان‌طور که قبلا هم ذکر شد، MedX یک پروژه‌ی منبع‌باز (Open Source) است و هر کسی که مایل باشد، می‌تواند در آن مشارکت کند. اما برای شفاف‌تر شدن روش‌های مختلف مشارکت در MedX، تصمیم گرفتیم که پست‌هایی را با هشتگ #روش‌های_مشارکت…
🔹#روش‌های_مشارکت در MedX | بخش دوم
💻 در پست قبل به نویسندگان پرداختیم و حالا نوبت به توسعه‌دهندگان و امکان مشارکت در «توسعه‌ی »MedX می‌رسد! باز هم طبق ارزش‌های ما، «هر» کسی می‌تواند در توسعه‌ی پلتفرم MedX مشارکت کند.
👨🏼💻 ما در حال حاضر مشغول به توسعه‌ی وب‌سایت medxmedia.net و پروژه‌ی کدلب (جهت پیاده‌سازی مقالات هوش مصنوعی در علوم پزشکی) هستیم و توسعه‌دهندگان محترم می‌توانند از «بخش توسعه در صفحه‌ی مشارکت» با بررسی مسائل و کارهای موجود (Issues) و سپس Fork کردن مخزن (Repository) مربوط به MedX، اقدام به همکاری در این زمینه‌ها کنند.
🔖 تمام جزئیات مربوط به توسعه‌ی هر مسئله در توضیحات همان مسئله آمده است و ما از تمام برنامه‌نویسان محترمی که علاقه و امکان مشارکت در این پروژه را دارند دعوت می‌کنیم تا به ما بپیوندند و اثری ارزشمند در مسیر پیشبرد MedX داشته باشند!
🚀 دوستان زیادی تا به حال به جامعه‌ی توسعه‌دهندگان MedX ملحق شده‌اند و این نشان از اهمیت روزافزون کار هدفمند در میان آن‌ها دارد و امید است که با کمک شما عزیزان، این حضور پررنگ‌تر و بیشتر هم بشود.
⚠️ تمام جزئیات مورد نیاز، در صفحه‌ی مشارکت وجود دارد. اما برای اطلاعات بیشتر و همچنین در صورت پیش‌آمد هرگونه سوالی، می‌توانید با ادمین در ارتباط باشید:
@MedX_admin
🌐 | @medxmedia_net
💻 در پست قبل به نویسندگان پرداختیم و حالا نوبت به توسعه‌دهندگان و امکان مشارکت در «توسعه‌ی »MedX می‌رسد! باز هم طبق ارزش‌های ما، «هر» کسی می‌تواند در توسعه‌ی پلتفرم MedX مشارکت کند.
👨🏼💻 ما در حال حاضر مشغول به توسعه‌ی وب‌سایت medxmedia.net و پروژه‌ی کدلب (جهت پیاده‌سازی مقالات هوش مصنوعی در علوم پزشکی) هستیم و توسعه‌دهندگان محترم می‌توانند از «بخش توسعه در صفحه‌ی مشارکت» با بررسی مسائل و کارهای موجود (Issues) و سپس Fork کردن مخزن (Repository) مربوط به MedX، اقدام به همکاری در این زمینه‌ها کنند.
🔖 تمام جزئیات مربوط به توسعه‌ی هر مسئله در توضیحات همان مسئله آمده است و ما از تمام برنامه‌نویسان محترمی که علاقه و امکان مشارکت در این پروژه را دارند دعوت می‌کنیم تا به ما بپیوندند و اثری ارزشمند در مسیر پیشبرد MedX داشته باشند!
🚀 دوستان زیادی تا به حال به جامعه‌ی توسعه‌دهندگان MedX ملحق شده‌اند و این نشان از اهمیت روزافزون کار هدفمند در میان آن‌ها دارد و امید است که با کمک شما عزیزان، این حضور پررنگ‌تر و بیشتر هم بشود.
⚠️ تمام جزئیات مورد نیاز، در صفحه‌ی مشارکت وجود دارد. اما برای اطلاعات بیشتر و همچنین در صورت پیش‌آمد هرگونه سوالی، می‌توانید با ادمین در ارتباط باشید:
@MedX_admin
🌐 | @medxmedia_net
GitHub
MedX/CONTRIBUTING.md at main · MedX-Media/MedX
open source media platform for med people to explore, learn, share, and contribute to the world of health-tech. - MedX-Media/MedX
آرمانشهر هوش مصنوعی در پزشکی!
#وبلاگ
در این وبلاگ، دکتر آرمان گرجی، پزشک و پژوهشگر هوش مصنوعی، به مفهومی پرداخته‌اند که به قول ایشان اگر به صورت صحیحی مورد اجرا قرار بگیرد، می‌تواند «نهایت» کاربرد هوش مصنوعی در پزشکی باشد و آن را به کلی متحول کند!
🔗 برای مطالعه این وبلاگ به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
#وبلاگ
در این وبلاگ، دکتر آرمان گرجی، پزشک و پژوهشگر هوش مصنوعی، به مفهومی پرداخته‌اند که به قول ایشان اگر به صورت صحیحی مورد اجرا قرار بگیرد، می‌تواند «نهایت» کاربرد هوش مصنوعی در پزشکی باشد و آن را به کلی متحول کند!
🔗 برای مطالعه این وبلاگ به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
دقیق‌ترین مدل تبدیل نسخه‌های دست‌نویس به الکترونیکی معرفی شد!
در عصری که پرونده‌های الکترونیکی پزشکی (EMR) بسیار رایج شده‌اند، نسخه‌های دست‌نویس همچنان در بسیاری از کشورها، از جمله هند [و البته کشور خودمان]، متداول هستند. ادامه پیداکردن این وضع هم چالش‌های قابل‌توجهی را برای ارائه خدمات بهداشتی، تحلیل داده‌ها و ایمنی بیماران [که در عصر هوش مصنوعی اهمیت بسیار بیشتری هم پیدا کرده است] ایجاد می‌کند.
مطالعه‌ی جدیدی با عنوان «MIRAGE»، رویکردی نوآورانه را برای مقابله با این چالش‌ها با بهره‌گیری از مدل‌های زبانی بزرگ چندوجهی (LLM) برای شناسایی نسخه‌های دست‌نویس پزشکی معرفی می‌کند و توانسه است که دقت بهتری را نسبت به «همه‌ی» مدل‌های قبلی داشته باشد!
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
در عصری که پرونده‌های الکترونیکی پزشکی (EMR) بسیار رایج شده‌اند، نسخه‌های دست‌نویس همچنان در بسیاری از کشورها، از جمله هند [و البته کشور خودمان]، متداول هستند. ادامه پیداکردن این وضع هم چالش‌های قابل‌توجهی را برای ارائه خدمات بهداشتی، تحلیل داده‌ها و ایمنی بیماران [که در عصر هوش مصنوعی اهمیت بسیار بیشتری هم پیدا کرده است] ایجاد می‌کند.
مطالعه‌ی جدیدی با عنوان «MIRAGE»، رویکردی نوآورانه را برای مقابله با این چالش‌ها با بهره‌گیری از مدل‌های زبانی بزرگ چندوجهی (LLM) برای شناسایی نسخه‌های دست‌نویس پزشکی معرفی می‌کند و توانسه است که دقت بهتری را نسبت به «همه‌ی» مدل‌های قبلی داشته باشد!
📎فایل مقاله
🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!
🌐 | @medxmedia_net
2024 RAISE Health Summary Paper.pdf
961.1 KB
🔺#مهم | گزارش سمپوزیوم سلامت RAISE 2024
این گزارش، یک نگاه کلی به جایگاه فعلی و آینده‌ی هوش مصنوعی در علوم زیست-پزشکی ارائه می‌دهد. این سند، در واقع خلاصه‌ای از مهم‌ترین مباحث سمپوزیوم RAISE Health است که در ماه May امسال (۲۰۲۴) در دانشگاه استنفورد برگزار شد و حالا منتشر شده است و در دسترس همه قرار گرفته است. مطالعه‌ی این گزارش به همه‌ی علاقه‌مندان پیشنهاد می‌شود.
🌐 | @medxmedia_net
این گزارش، یک نگاه کلی به جایگاه فعلی و آینده‌ی هوش مصنوعی در علوم زیست-پزشکی ارائه می‌دهد. این سند، در واقع خلاصه‌ای از مهم‌ترین مباحث سمپوزیوم RAISE Health است که در ماه May امسال (۲۰۲۴) در دانشگاه استنفورد برگزار شد و حالا منتشر شده است و در دسترس همه قرار گرفته است. مطالعه‌ی این گزارش به همه‌ی علاقه‌مندان پیشنهاد می‌شود.
🌐 | @medxmedia_net
#معرفی_شرکت‌ها | قسمت ۴
⭐️ پلتفرم Huma
شرکت Huma در سال ۲۰۱۱ توسط آقای دانوش وحدت در شهر لندن راه‌اندازی شد. ایشان Huma را با هدف "تسریع پذیرش راه‌حل‌های دیجیتال در مراقبت سلامت و پژوهش" آغاز کردند و توانسته‌اند که تا به حال بیشتر از ۲۵۰ میلیون دلار جذب سرمایه داشته باشند و تعداد کارمندان این شرکت هم به بیشتر از ۱۹۰ نفر رسیده است.
پلتفرم Huma که به عنوان یکی از پیشروان حوزه‌ی TeleHealth شناخته می‌شود، تا به حال +۲۷ میلیون بیمار را در +۳۰۰۰ بیمارستان در سراسر دنیا مورد حمایت قرار داده است، ظرفیت کلینیک‌ها را دو برابر و میزان پذیرش مجدد بیماران (Readmission Rate) را تا حدود ۳۰٪ کاهش داده است!
این شرکت، با جذب سرمایه‌ی ۸۰ میلیون دلاری که اخیرا داشته، به ارزش حدودی یک میلیارد دلار (یونیکورن) رسیده است و از بزرگ‌ترین شرکت‌های حوزه‌ی سلامت دیجیتال محسوب می‌شود. همچنین به تازگی، با خرید شرکت eConsult، در حال راه‌اندازی یک Workspace جدید برای سیستم‌های درمانی است.
🔗 وب‌سایت | لینکدین | کرانج‌بیس
🌐 | @medxmedia_net
⭐️ پلتفرم Huma
شرکت Huma در سال ۲۰۱۱ توسط آقای دانوش وحدت در شهر لندن راه‌اندازی شد. ایشان Huma را با هدف "تسریع پذیرش راه‌حل‌های دیجیتال در مراقبت سلامت و پژوهش" آغاز کردند و توانسته‌اند که تا به حال بیشتر از ۲۵۰ میلیون دلار جذب سرمایه داشته باشند و تعداد کارمندان این شرکت هم به بیشتر از ۱۹۰ نفر رسیده است.
پلتفرم Huma که به عنوان یکی از پیشروان حوزه‌ی TeleHealth شناخته می‌شود، تا به حال +۲۷ میلیون بیمار را در +۳۰۰۰ بیمارستان در سراسر دنیا مورد حمایت قرار داده است، ظرفیت کلینیک‌ها را دو برابر و میزان پذیرش مجدد بیماران (Readmission Rate) را تا حدود ۳۰٪ کاهش داده است!
این شرکت، با جذب سرمایه‌ی ۸۰ میلیون دلاری که اخیرا داشته، به ارزش حدودی یک میلیارد دلار (یونیکورن) رسیده است و از بزرگ‌ترین شرکت‌های حوزه‌ی سلامت دیجیتال محسوب می‌شود. همچنین به تازگی، با خرید شرکت eConsult، در حال راه‌اندازی یک Workspace جدید برای سیستم‌های درمانی است.
🔗 وب‌سایت | لینکدین | کرانج‌بیس
🌐 | @medxmedia_net
رویکردی نوآورانه برای حل مسئله‌ی توضیح‌پذیری مدل‌ها: StoryTelling X AI
یکی از مهم‌ترین سدهای پیش روی هوش مصنوعی در ورود به فعالیت‌های روزانه‌ی متخصصان سلامت، موضوع «کمبود توضیح‌پذیری مدل‌ها» است. محققان هم برای حل این مسائل تکنیک‌هایی را تحت عنوان «Explainable AI یا XAI» توسعه داده‌اند و می‌دهند و همچنان مسیر قابل توجهی پیش روی‌مان است.
اما محققان آلمانی، چند روز پیش، با توسعه‌ی یک روش بسیار نوآورانه و با بهره‌گیری از StoryTelling، توانسته‌اند رویکردی را معرفی کنند که با distillation (تقطیع) مدل‌های بزرگ به بخش‌های کوچک‌تر، آن‌ها را قابل توضیح‌تر می‌کنند و سپس از مدل‌های ساده‌تر برای تولید توضیحاتی به شکل داستان استفاده می‌شود تا توضیح‌پذیری مدل بزرگ‌تر را به ما نشان دهند!
این رویکرد می‌تواند اعتماد متخصصان سلامت [و البته سایر متخصصانی که این مسئله‌ی هوش مصنوعی برای‌شان حائز اهمیت است] را افزایش دهد و امید است که شاهد استفاده‌ی روزافزون مدل‌های هوش مصنوعی به شکلی مفید و امن در فعالیت‌های روزانه‌ی این متخصصان باشیم.
📎فایل مقاله در گروه جامعه مدیکس
🌐 | @MedX_Media
یکی از مهم‌ترین سدهای پیش روی هوش مصنوعی در ورود به فعالیت‌های روزانه‌ی متخصصان سلامت، موضوع «کمبود توضیح‌پذیری مدل‌ها» است. محققان هم برای حل این مسائل تکنیک‌هایی را تحت عنوان «Explainable AI یا XAI» توسعه داده‌اند و می‌دهند و همچنان مسیر قابل توجهی پیش روی‌مان است.
اما محققان آلمانی، چند روز پیش، با توسعه‌ی یک روش بسیار نوآورانه و با بهره‌گیری از StoryTelling، توانسته‌اند رویکردی را معرفی کنند که با distillation (تقطیع) مدل‌های بزرگ به بخش‌های کوچک‌تر، آن‌ها را قابل توضیح‌تر می‌کنند و سپس از مدل‌های ساده‌تر برای تولید توضیحاتی به شکل داستان استفاده می‌شود تا توضیح‌پذیری مدل بزرگ‌تر را به ما نشان دهند!
این رویکرد می‌تواند اعتماد متخصصان سلامت [و البته سایر متخصصانی که این مسئله‌ی هوش مصنوعی برای‌شان حائز اهمیت است] را افزایش دهد و امید است که شاهد استفاده‌ی روزافزون مدل‌های هوش مصنوعی به شکلی مفید و امن در فعالیت‌های روزانه‌ی این متخصصان باشیم.
📎فایل مقاله در گروه جامعه مدیکس
🌐 | @MedX_Media