MedX


Channel's geo and language: not specified, not specified
Category: not specified


رسانهٔ سلامت هوشمند | MedX
🌐وب‌سایت:
MedXmedia.net
⭐️گروه جامعه MedX:
https://t.me/+zXrAR5dUC31iNDk0
🚀کانال inside medx:
https://t.me/insidemedx
📥ادمین:
@medx_admin

Related channels

Channel's geo and language
not specified, not specified
Category
not specified
Statistics
Posts filter


🔹#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


#معرفی_شرکت‌ها | قسمت ۲

⭐️ شرکت Picnic Health

این شرکت، در سال ۲۰۱۴ توسط خانم Noga Leviner راه‌اندازی شد. ایشان زمانی که به عنوان بیمار با مشکل عدم دسترسی‌شان به داده‌های شخصی مواجه شدند، ایده‌ی راه‌اندازی محصولی که «دسترسی بیماران به داده‌های شخصی‌شان را راحت‌تر کند و همچنین این داده‌ها را برای پژوهشگران بهینه سازد» به نظرشان رسید و این شرکت را راه اندازی کرد. پیکنیک‌هلث در حال حاضر حدود ۱۰۰ کارمند دارد و با جذب سرمایه‌ی ۶۰ میلیون دلاری که در سال ۲۰۲۲ داشت، چیزی در حدود ۳۰۰ میلیون دلار ارزش‌گذاری می‌شود.

این محصول، داده‌های بیمار را به صورت کاملا ایمن به ایشان نمایش می‌دهد و همچنین با کمک مدل‌های هوش مصنوعی، کمک می‌کند که این داده‌ها به دیتاست‌های ارزشمندی برای استفاده‌ی پژوهشگران تبدیل شوند. از آن‌جایی که مشکل «کمبود و حتی نبود داده‌های مناسب در صنعت سلامت» بسیار جدی است، نیاز به شرکت‌هایی مانند پیکنیک‌هلث هر روز بیشتر از دیروز حس می‌شود.

🔗 وب‌سایت | لینکدین |‌ توییتر | گیتهاب

🌐 | @medxmedia_net


هوش مصنوعی در مطالعات بالینی: بخش اول

هوش مصنوعی، تغییر بزرگی در استخدام بیماران برای مطالعات بالینی در سیستم‌های سلامت را باعث خواهد شد. ابزارهای هوش مصنوعی، با شناسایی شرکت‌کنندگان واجد شرایط از طریق سوابق پزشکی گسترده، گسترده‌تر کردن طیف بیماران مورد بررسی و بهبود کارایی آزمایش، تمام این فرآیند را ساده‌تر می‌کنند و این رویکرد، به غلبه بر موانع سنتی، مانند غربالگری دستی و عدم حضور گروه های اقلیت کمک زیادی خواهد کرد.

توانایی‌های هوش مصنوعی برای تجزیه و تحلیل کارآمد مجموعه داده‌های بزرگ به سیستم‌های سلامت کمک می‌کند تا «اقلیت‌های جمعیت» را هدف قرار دهند و «تنوع» را در تحقیقات بالینی بلندمدت مد نظر قرار دهند. علاوه بر این، ابزارهای هوش مصنوعی می‌توانند به سرعت با تغییر شرایط آزمایش «سازگار» شوند و آن‌ها را نسبت به روش‌های سنتی استخدام «انعطاف پذیرتر» می‌کنند. این پیشرفت‌ها منجر به استخدام سریع‌تر، نمایش بهتر اطلاعات جمعیتی مختلف و در نهایت نتایج کارآزمایی بالینی قابل اعتمادتر خواهد شد.

🔗 برای خواندن ادامه این مطلب به وب‌سایت ما مراجعه کنید!

🌐 | @medxmedia_net


مدل جدید Chai-1 معرفی شد، دقیق‌تر از AlphaFold3!

این روزها صنعت کشف دارو در داغ‌ترین حالت خودش قرار دارد! مدتی پیش، با معرفی مدل AlphaFold3 توسط Google DeepMind، همه‌ی توجه‌ها به این مدل جلب شد. چرا که دقیق‌تر از تمام مدل‌های قبلی بود و همچنین می‌توانست شکل ظاهری «همه‌ی» مولکول‌های زیستی را پیش‌بینی کند. اما از هفته‌ی گذشته، با معرفی Chai-1، این بازی وارد مرحله‌ی جدیدتری هم شده است.

این مدل که در برخی از بنچ‌مارک‌ها توانسته دقیق‌تر از AlphaFold3 هم عمل کند، توسط تیم Chai Discovery [که هنوز چند ماه از شروع فعالیت‌اش نمی‌گذرد]، به صورت منبع‌باز (Open Source) به دنیای کشف دارو معرفی شده است و فرصت بسیار خوبی را برای پژوهشگران این حیطه فراهم آورده است.

📎کد
📎بلاگ
📎فایل مقاله

🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!

🌐 | @medxmedia_net


تشخیص زودهنگام آلزایمر با هوش مصنوعی به کجا رسیده است؟

آلزایمر اختلالی است که اثر بسیار بدی بر روی حافظه و توانایی‌های ذهنی می‌گذارد و می‌توان آن را با تشخیص زودهنگام، به خوبی کنترل کرد. اما عدم رویت علائمش در مراحل ابتدایی، باعث می‌شود که تشخیص زودهنگام آن با چالش‌های زیادی همراه باشد.

پنج روز پیش، محققان مدل جدیدی به نام DS-VIT را معرفی کردند که بر اساس یادگیری عمیق و آنالیز تصاویر MRI مغزی کار می‌کند و با ترکیب دو عمل segmentation و classification [که در حالت عادی به صورت مجزا انجام می‌شوند] توانسته است نتایج بهتری را در تشخیص آلزایمر نسبت به مطالعات قبلی حاصل کند.

یکی دیگر از نوآوری‌های این محققان، افزونه‌ای است با نام RTAB که به صورت مداوم تصاویر MRI مربوط به زمان‌های مختلف را بررسی می‌کند و با پایش تغییرات مغز در طی زمان، می‌تواند آلزایمر را حتی «۶ ماه زودتر» از روش‌های سنتی پیش‌بینی کند!

📎فایل مقاله

🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!

🌐 | @medxmedia_net


عملکرد بی‌نظیر مدل جدید o1 بر روی سوالات پزشکی!

دو روز از معرفی سری جدید مدل‌های هوش مصنوعی شرکت openai می‌گذرد و افراد مختلفی به سراغ بررسی و تست این مدل‌ها رفته‌اند و نتایج، به معنای واقعی کلمه «شگفت‌انگیز» بوده‌اند!

این مدل‌ها که برای پاسخ‌گویی به پرسش‌های پیچیده [که نیازمند استدلال و بررسی استراتژی‌های مختلف و... هستند] طراحی شده‌اند، زمان بیشتری را برای پردازش در لایه‌ی استنتاج (inference) صرف می‌کنند و به نظر می‌رسد که قبل از پاسخ، «فکر می‌کنند» و این‌گونه، پاسخ‌های بسیار بهتری را به کاربر می‌دهند! چیزی شبیه به همان سیستم دوم و کند فکری انسان!

در این روش، مدل پس از دریافت ورودی (prompt) و قبل از ارائه‌ی پاسخ به کاربر، همان پاسخ [و البته پاسخ‌های دیگری به صورت متوالی و موازی] را به‌عنوان ورودی به خودش می‌دهد و صحت و سقم آن را به صورت منطقی می‌سنجد. به این صورت، پاسخ بهتری به کاربر نمایش داده می‌شود و مدل را قادر به پاسخ‌گویی «پرسش‌هایی که پیچیدگی علمی و پردازشی زیادی دارند» می‌کند!

📎بلاگ
📎ویدئوهای بررسی

🔗 برای خواندن گزارشی از این موضوع به وب‌سایت ما مراجعه کنید!

🌐 | @medxmedia_net


#معرفی_شرکت‌ها | قسمت ۱

⭐️ پلتفرم Clipboard Health

این پلتفرم، در سال ۲۰۱۶ در شهر San Francisco در ایالت California آمریکا توسط خانم Wei Deng راه‌اندازی شد و هدف‌اش را «بهبود وضعیت اقتصادی متخصصان سلامت [علی‌الخصوص پرستاران] با معرفی شیفت‌های شغلی مرتبط و پرداخت فوری» اعلام کرد.

این شرکت با جذب سرمایه ۸۰ میلیون دلاری که در سال ۲۰۲۲ داشت، در حال حاضر ۱.۳ میلیارد دلار ارزش‌گذاری می‌شود و از یونیکورن‌های مطرح صنعت سلامت دیجیتال است. همچنین امروزه حدود ۶۰۰ نفر در این شرکت مشغول به کار هستند و درآمدش هم در ۱۸ ماه گذشته ۲۵ برابر شده است!

🔗 وب‌سایت | تک‌کرانچ | لینکدین |‌ توییتر | گیتهاب

🌐 | @medxmedia_net


تخمین عمق هر چیزی در جراحی رباتیک، با کمک مدل‌های پایه‌ای هوش مصنوعی!

یکی از چالش‌های کاربرد هوش مصنوعی در جراحی، کمبود داده‌های برچسب گذاری‌شده است و این کمبود، باعث می‌شود که نتوانیم بسیاری از تسک‌های مرتبط با این موضوع را با دقت خوبی به سرانجام برسانیم. پژوهشگران ایتالیایی و انگلیسی اما از این فرصت استفاده کردند و با روش self-supervised (خودنظارتی) اقدام به حل یکی از این مسائل کردند.

این پژوهشگران، در مقاله‌ای [که حدودا ده روز پیش منتشر کرده‌اند] روشی به نام مخفف DARES را برای بهبود «دقت» تخمین عمق در جراحی‌های رباتیک ارائه کرده‌اند که در واقع تکنیک جدیدی (Vector-LoRA) بر روی مدل‌های DAM یا Depth Anything Models است و می‌تواند تخمین عمق را «توسط دید تک‌چشمی» را بهبود قابل توجهی ببخشد.

📎کد
📎فایل مقاله

🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!

🌐 | @medxmedia_net


یافته جدید و عجیب محققان استنفورد: ایجاد تصاویر شفاف از بافت زنده زیر پوست موش!

یکی از بزرگ‌ترین چالش‌ها در تصویربرداری از بافت‌های زنده [و به صورت کلی مواد بیولوژیکی]، «پراکندگی نور» حاصل از پیچیدگی ساختار آن‌هاست. به این معنا که به دلیل پیچیدگی ساختار، نور نمی‌تواند به راحتی وارد و خارج شود و این موضوع، باعث کدورت در تصویربرداری می‌شود.

حالا محققان دانشگاه استنفورد در پژوهشی جالب [که دو روز پیش منتشر شده است] روشی را معرفی کرده‌اند که می‌تواند این مسئله را به شکل عجیبی حل کند. آن‌ها با استفاده از ایجاد جذب شدید نوری در ناحیه‌ی آبی و نزدیک به فرابنفش، مشاهده کردند که ضریب شکست در ناحیه‌ی قرمز، بدون افزایش جذب، افزایش می‌یابد و باعث بهبود شفافیت تصویر گرفته‌شده از بافت زنده می‌شود!

🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!

🌐 | @medxmedia_net


مدل CancerLLM: کوچک‌تر اما دقیق‌تر از مدل‌های قبلی!

تسک‌های NLP (پردازش زبان طبیعی) در پزشکی، توسط مدل‌های مختلفی به انجام رسیده است و این مدل‌ها، دقت‌های مختلفی را از خود نشان داده‌اند. اما محققان دانشگاه مینه‌سوتا هفته‌ی گذشته با معرفی مدل cancerLLM، «دقت و بهینه‌بودن» انجام تسک‌های NLP در زمینه‌ی سرطان را وارد مرحله جدیدی کرده‌اند. این مدل که دقتی بیشتر از مدل‌های قبلی دارد، اندازه‌ی به‌شدت کوچک‌تری (۷ میلیارد پارامتر در مقابل مدل‌های ۷۰ میلیارد پارامتری)‌ هم دارد و این موضوع باعث می‌شود که هزینه‌ی استفاده از آن، به مراتب کمتر هم باشد و امکان پیاده‌سازی آن با امکانات محدود مراکز درمانی را فراهم آورد.

📎فایل مقاله

🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!

🌐 | @medxmedia_net


روشی جدید و بر پایه مدل‌های زبانی بزرگ برای بهبود عملکرد سیستم‌های پرونده‌نویسی!

بیش از بیست سال است که پژوهشگران در تلاش برای تبدیل هرچه بهتر و خودکار گفتگوهای پزشک-بیمار به سوابق پزشکی الکترونیکی (EMR) هستند و این تلاش‌ها، یا در بهبود سیستم‌های ASR [که مدل‌های خودکار تشخیص صوت هستند] صورت می‌گیرند و یا در پردازش خروجی‌های آن‌ها.

مقاله‌ای که به تازگی توسط محققان سنگاپوری و انگلیسی منتشر شده است، یکی از روش‌های بهبود نتایج خروجی سیستم‌های ASR را معرفی می‌کند که نام‌اش MEDSAGE است. این رویکرد تازه، از مدل‌های زبانی بزرگ (LLMs) برای تولید گفتگوهای مصنوعی [که خطاهای ASR را شبیه‌سازی می‌کند] استفاده می‌کند و این داده‌های مصنوعی [که تفاوت آن‌ها با داده‌های واقعی به حداقل رسیده است]، می‌توانند برای تقویت داده‌های آموزشی مدل‌های خلاصه‌سازی گفتگو استفاده شوند و پایداری آن‌ها را در برابر خطاهای ASR بهبود ببخشند.

🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!

🌐 | @medxmedia_net


آیا مدل‌های هوش مصنوعی واقعا می‌توانند گزارش رادیولوژی را مثل یک رادیولوژیست متوجه شوند؟ فعلا خیر!

مقالات زیادی درمورد مدل‌های مختلف هوش مصنوعی که توانایی درک و تولید گزارش‌های رادیولوژی را [حتی بهتر از خود رادیولوژیست‌ها] دارند، در سال‌های اخیر مطرح شده است. اما آیا این مدل‌های هوش مصنوعی «دقیقا» همان‌گونه که یک رادیولوژیست گزارش‌اش را می‌بیند و متوجه می‌شود، آن‌را می‌بینند و متوجه می‌شوند؟ یا روش مدل‌ها برای انجام این تسک به شکل دیگری است؟ این سوالی‌ست که مقاله‌ی منتشر شده [توسط پژوهشگران دانشگاه هاروارد] قصد پاسخ‌گویی به آن‌را دارد.

در این مقاله روشی به نام ReXKG برای ارزیابی درک مدل‌های هوش مصنوعی از گزارش‌های رادیولوژی مطرح شده است که می‌تواند اطلاعات ساختاریافته‌ای را از گزارش‌های رادیولوژی بیرون بکشد و یک گراف دانشی (knowledge graph) ایجاد کند. این روش روابط بین ساختارهای آناتومیکی، پاتولوژی‌ها، یافته‌های تصویربرداری، دستگاه‌های پزشکی و... را در نظر می‌گیرد و به این صورت، درک مدل را می‌سنجد.

🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!

🌐 | @medxmedia_net


اولین مدل هوش مصنوعی و بزرگترین دیتاست پرسش و پاسخ ویدئویی در جراحی معرفی شد!

محققان دانشگاه buffalo در مقاله‌ای که دو هفته‌ی پیش منتشر کرده‌اند، به معرفی دو تا از تازه‌ترین پیشرفت‌های هوش مصنوعی در «جراحی» پرداخته‌اند. مدلی برای پرسش و پاسخ ویدئویی که در نوع خودش بی‌نظیر است و دیتاستی منبع‌باز شامل بیشتر از ۱۰۲ هزار ویدئوی جراحی که می‌توانند مورد استفاده‌ی پژوهشگران این زمینه [برای آموزش مدل‌های دیگر] قرار بگیرند.

این دیتاست (Surg-QA)، مدل آموزش‌دیده (LLaVA-Surg) بر روی آن [که توسط همین پژوهشگران معرفی شده] و تمامی کدها هم قرار است که به صورت open source منتشر شوند و این اتفاق می‌تواند نویدبخش حضور مفید، ارزشمند، و هرچه بیشتر هوش مصنوعی در جراحی باشد.

🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!

🌐 | @medxmedia_net


پیش‌بینی ساختار تمام مولکول‌های زیستی با آلفافولد۳ ممکن شد!

گوگل دیپ‌مایند (google deepmind) با معرفی AlphaFold 3 صنعت کشف دارو را وارد مرحله جدیدی کرده است! این جمله اغراق‌آمیز نیست! اگر به مقاله مرتبط با مدل alphafold 3 که در مجله‌ی معتبر Nature منتشر شده است نگاهی بیاندازید، عمق موضوع را درک خواهید کرد. در این مطلب برخی از نکات مهم این مقاله را بررسی خواهیم کرد.

اما بیایید کمی به گذشته بازگردیم. سه سال پیش، AlphaFold 1 معرفی شد تا ساختار پروتئین‌ها را بر اساس رشته‌ی ورودی پیش‌بینی کند، این یک انقلاب بود. با هر معیاری هم که بسنجیم، مقاله‌ای با بیش از بیست هزار استناد طی سه سال گذشته، یک جهش علمی بسیار بزرگ محسوب می‌شود و دیپ‌مایند با ادامه دادن مسیر AlphaFold یک و دو و معرفی AlphaFold 3 در هشتم مه ۲۰۲۴، پیشگام صنعتی چندین تریلیون دلاری در آینده است.

این مدل برخلاف نسخه‌های قبلی‌اش از معماری diffusion استفاده می‌کند و علاوه بر پروتئین‌ها قادر به پیش‌بینی ساختارهایی مانند DNA و RNA و حتی برخی لیگاندها و یون‌ها هم می‌باشد!

🔗 برای خواندن گزارشی از این مقاله به وب‌سایت ما مراجعه کنید!

🌐 | @medxmedia_net


تولید تصاویر شبه‌واقعی X-Ray قفسه سینه توسط مدل‌های جدید هوش مصنوعی!

محققان دانشگاه استنفورد موفق به طراحی مدلی شده‌اند که می‌تواند تصاویر chest x-ray نزدیک به واقعیت تولید کند! این مدل که RoentGen نام دارد نوعی مدل پایه‌ای تصویری-زبانی است (vision-language foundation model) که می‌تواند نویدبخش حل مشکلات بسیار زیادی در زمینه‌ی نبود دیتاست‌های ارزشمند باشد و حتی پیش‌بینی می‌شود که برخی از مشکلات آموزشی دانشجویان را هم حل کند.

🔗 اگر به این موضوع علاقه‌مند هستید پیشنهاد می‌کنیم گزارشی که از این مقاله تهیه کرده‌ایم را مطالعه کنید.
🌐 | @medxmedia_net


دستیار‌های مبتنی بر هوش مصنوعی در آموزش پزشکی از راه رسید!

یکی از حیطه‌هایی که در میان پژوهش‌های مختلف medical artificial intelligence مورد غلفت واقع شده است، آموزش پزشکی (medical education) است. حیطه‌ای که پتانسیل بسیار بالایی برای استفاده از هوش مصنوعی دارد و مقاله‌ای که چهار روز پیش منتشر شده، به یکی از همین کاربردها پرداخته است.

این مقاله، به معرفی یکی از جدیدترین ابزارهایی که می‌تواند نسخه‌ی مشابهی از آموزش پزشکی واقعی را برای دانشجویان شبیه‌سازی کند، می‌پردازد. این ابزار نام‌اش MEDCO است که از Medical EDucation COpilots گرفته شده و چارچوبی چندعامله (multi agent) دارد. به این معنا که چند شخصیت به صورت همزمان در آن حضور دارند و به دانشجوی پزشکی کمک می‌کنند که مسیر یادگیری بهتری داشته باشد!

🔗 برای خواندن گزارشی از این مقاله، به وب‌سایت ما مراجعه کنید!

🌐 |
@medxmedia_net


🔹کانال تلگرام MedX شروع به فعالیت کرد!

این رسانه که به صورت منبع‌باز (open source)، آزاد و بدون وابستگی به سازمان‌های دولتی و غیردولتی فعالیت می‌کند، فضایی برای کاوش، یادگیری و مشارکت است و با تمرکز بر موضوع «سلامت هوشمند» شروع به فعالیت کرده است.

دانشجویان، علاقه‌مندان و فعالان این زمینه می‌توانند برای استفاده از خدمات این رسانه به وب‌سایت medxmedia.net مراجعه کرده و یا از طریق این کانال تلگرام همراه ما باشند.

🔗 | لینک عضویت در خبرنامه هفتگی

🌐 | @MedXMedia_net



18 last posts shown.

302

subscribers
Channel statistics