🤖 تشخیص اختلال افسردگی بر اساس EEG به کمک هوش مصنوعی!

⬅️ تشخیص افسردگی عمدتاً براساس مکانیزمی ذهنی توسط روانپزشک مشخص می‌شود. در طی این مطالعه محققین چینی سعی کرده‌اند با استفاده از هوش مصنوعی سیگنال‌های EEG را در این راستا بررسی کنند.

⬅️ در طی این مطالعه ۴۱ بیمار و ۳۴ کنترل سالم مورد ارزیابی قرار گرفتند. در طی این مطالعه مدل MRCNN-RSE توانست به accuracy حدود ۹۸.۴۸٪ دست یابد.

🔗 لینک مقاله

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

☄️ اولین جلسه Interest Group رادیولوژی و تصویربرداری پزشکی

امروز پنجشنبه ۲۷ اردیبهشت
⏰️ رأس ساعت ۱۷
برگزار خواهد شد.

🔗 لینک ورود به جلسه:
meet.google.com/mck-ajvw-crb


▶️ سرفصل مطالعاتی مقالات

❌ تا اول بخش 4.Practical applications از مقاله مشخص شده


▶️ سرفصل مطالعاتی رفرنس

❌ صفحات ۳-۹ از رفرنس مشخص شده
Part 1: 1 introduction: Game Chabgers in Radiology

#پژوهشی

| 📍 @maiaSBMU |

🤖 قابل اطمینان نیستم!

⬅️ وقتی شما به یک هوش مصنوعی تشخیصی داده‌های لازم را می‌دهید، پاسخ مدل یا مثبت هست و یا منفی؛ مثلاً یا می‌گوید فرد مورد آزمایش مبتلا به فلان بیماری هست یا خیر.

⬅️ مقاله‌ای که امروز بررسی می‌کنیم قابلیت جالبی را برای هوش مصنوعی در نظر گرفته است. قابلیت بیان قطعیت و اطمینان هوش مصنوعی نسبت به تصمیمی که گرفته تا اگر یک تشخیص از قطعیت پایینی برخوردار بود مورد ارزیابی قرار گیرد و از تشخیص غلط جلوگیری شود.

🔗 لینک مقاله

ℹ️ تحلیلی بر مطالعه فوق:
متأسفانه این قابلیت هنوز در بین مدل‌های مختلف گسترش کافی پیدا نکرده است در حالی که اگر این گسترش رخ دهد مسیر بالینی کردن مدل‌ها بسیار هموارتر می‌شود. شاید این سیستم پازل گم شده استفاده از هوش مصنوعی در بالین باشد.

به محققین گرامی ورود به این زمینه قویاً توصیه می‌گردد.

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

🤖 تشخیص زودهنگام آدنوکارسینوم مجرای پانکراس با استفاده از CT بدون کنتراست به کمک هوش مصنوعی

⬅️ سرطان پانکراس به عنوان کشنده‌ترین بدخیمی موجود شناخته می‌شود و عمدتاً در مرحله غیرقابل جراحی تشخیص داده می‌شود.

⬅️ برای حل مشکل تشخیص دیرهنگام آن، محققین اقدام به ایجاد مدلی از هوش مصنوعی به نام PANDA کرده‌اند. این مدل با استفاده از CT بدون کنتراست اقدام به تشخیص ضایعات پانکراس می‌کند؛ از این رو غربالگری گسترده سرطان پانکراس را ممکن می‌سازد.

⬅️ این مدل بر پایه داده‌های ۳۲۰۸ بیمار آموزش دیده است. این هوش مصنوعی توانسته به AUC = ۰.۹۸۶_۰.۹۹۶ دست یابد. همچنین توانست به حساسیت ۹۲.۹ درصد و ویژگی ۹۹.۹ درصد دست یابد که در مقایسه با میانگین عملکرد رادیولوژیست ۳۴.۱٪ حساسیت بیشتر و ۶.۳٪ ویژگی بیشتری داشت.

🔗 لینک مقاله


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

🤖 تشخیص کراتیت عفونی به همراه عامل آن توسط هوش مصنوعی!

⬅️ مقاله‌ای که امروز بررسی می‌کنم هوش مصنوعی‌ای را در زمینه تشخیص کراتیت عفونی در سه قالب عملکردی مورد ارزیابی قرار می‌دهد.

قالب عملکردی ۱ = تشخیص کراتیت عفونی
قالب عملکردی ۲ = تمایز بین کراتیت قارچی و باکتریایی
قالب عملکردی ۳ = تمایز بین نوع مخمری و رشته‌ای کراتیت قارچی

⬅️ این هوش مصنوعی توانست به ترتیب به Accuracyهای ۹۹.۳ درصد، ۸۴ درصد، ۷۷.۵ درصد در سه قالب ذکر شده دست یابد.

⬅️ برای انجام این مطالعه از ۹۳۲۹ تصویر slit_lamp از ۹۹۷ بیمار استفاده شده است.

🔗 لینک مقاله


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

🤖 پیش‌بینی خطر مرگ و میر پس از عمل به کمک هوش مصنوعی!

⬅️ یکی از اصلی‌ترین پایه‌های تصمیم برای انجام یک مداخله درمانی، خطر مرگ و میر پس از آن عمل است.

⬅️ مدلی که امروز قصد بررسی آن را داریم با استفاده از ECG بیماران خطر مرگ و میر پس از مداخله مورد نظر ما را پیش‌بینی می‌کند. برای انجام این مطالعه از داده‌های ۴۵۹۶۹ بیمار استفاده گردید.

⬅️ این الگوریتم در گروه آزمایشی داخلی خود توانست به AUC = ۰.۸۳ دست یابد و در دو سیستم مستقل بهداشتی دیگر در ایالات متحده توانست به AUC = ۰.۷۹ و AUC = ۰.۷۵ دست یابد. شاید این مطالعه را بتوان به عنوان یکی از جالب‌ترین مطالعات در زمینه پیش‌بینی عوارض پس از مداخله پزشکی قلمداد کرد.

🔗 لینک مقاله


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

🤖 پیش‌بینی پیوند کیناز_دارو

⬅️ با توجه به اینکه بسیاری از واکنش‌های سلولی با واسطه پروتئین کینازها صورت می‌گیرد و نقش برجسته‌ای در بیماری‌های مختلف دارند، دانستن برهمکنش و ترکیب کینازها با دارو از اهمیت فارماکولوژیک بالایی برخوردار است.

⬅️ امروز می خواهیم راجب مدل KDNet صحبت کنیم. این مدل با در نظر گرفتن حالت سه بعدی فرایند اتصال دارو به کیناز، اقدام به پیش‌بینی ترکیب دارو با پروتئین مذکور می‌کند.

⬅️ طبق ادعای نویسندگان این مطالعه، این مدل عملکرد بهتری نسبت به دیگر مدل‌های مشابه دارد. همچنین این مدل قابلیت بیان میزان عدم قطعیت خود در پاسخی که بدان دست یافته را دارد.

🔗 لینک مقاله


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

🤖 مدل تشخیصی قلبی عروقی بر پایه ECG

⬅️ در این مطالعه از ۶۵۸۴۸۶ ECG دوازده لیده استفاده شده است. این مدل توانایی تشخیص ۶۰ شرایط تشخیصی را بر پایه ECG دوازده لیده دارا می‌باشد.

⬅️ این مدل توانست به AUC متوسط ۰.۹۷۵ دست یابد. همچنین به ترتیب حساسیت و ویژگی ۰.۷۳۶ و ۰.۹۵۴ برای این مدل گزارش شده است.

🔗 لینک مقاله


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

🤖 تشخیص نوع تومور CNS توسط هوش مصنوعی!

⬅️ مطالعه‌ای که امروز مورد بررسی قرار می‌دهیم کمتر از یک هفته قبل توسط ژورنال Nature انتشار یافته است.

⬅️ در این مطالعه هوش مصنوعی‌ای با نام DEPLOY معرفی می‌شود که می‌تواند برای متخصصین پاتولوژی مدلی کارآمد باشد.

⬅️ این مدل بر پایه متیلاسیون DNA اقدام به تشخیص تومور CNS کرده و آنها را در یک گروه‌بندی ده شاخه‌ای تقسیم می‌کند.

⬅️ این مدل بر روی داده‌های ۱۷۹۶ بیمار آموزش داده شده است.

🔗 لینک مقاله

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

🤖 تشخیص سرطان‌های گوارشی به کمک هوش مصنوعی!

⬅️ امروز می‌خواهیم یکی از جدیدترین مطالعات فیلد هوش مصنوعی را بررسی کنیم.

⬅️ در این مقاله مدلی از هوش مصنوعی با نام HSWOA-DLGCD معرفی شده است که با قابلیت تجزیه و تحلیل تصاویر اقدام به تشخیص سرطان‌های گوارشی می‌کند.

⬅️ طبق ادعای نویسندگان این مدل عملکرد بهتری در مقایسه با دیگر موارد مشابه اخیر خود دارد.

در ایجاد این الگوریتم از دیگر تکنیک‌ها یا دیگر الگوریتم‌هایی چون XGBoost, Xception, moth flame optimization, bilateral filtering استفاده شده است.

🔗 لینک مقاله


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

☄️ دومین جلسه Interest Group رادیولوژی و تصویربرداری پزشکی

امروز پنجشنبه ۳ خرداد
⏰️ رأس ساعت ۲۱
برگزار خواهد شد.

🔗 لینک ورود به جلسه:
meet.google.com/mvf-fobm-ihb


▶️ سرفصل مطالعاتی مقالات

❌ از بخش 4. Practical Applications of AI in Radiology Practice تا انتهای مقاله از مقاله مشخص شده


▶️ سرفصل مطالعاتی رفرنس

❌ صفحات ۹-۱۴ از رفرنس مشخص شده
Part 2
The Role of Medical Image Computing and Machine LearninginHealthcare
تا اول
2.5 Model-Based Image Analysis

#پژوهشی

| 📍 @maiaSBMU |

🤖 نقش هوش مصنوعی در کمک به طبقه‌بندی بیماری Epiretinal Membrane (ERM)

⬅️ در مطالعه‌ای که امروز مورد بررسی قرار می‌دهیم مدلی طراحی شده که می‌تواند به پزشکان در راستای طبقه‌بندی ERM بر پایه تصاویر OCT کمک کند.

⬅️ در بخشی از این مطالعه خواسته شده بود که چهار چشم پزشک بدون استفاده از هوش مصنوعی اقدام به طبقه‌بندی مبتلایان ERM بکنند. چهار چشم پزشک به ترتیب توانستند به Accuracy = ۸۱.۷٪ ، ۸۰.۷٪ ، ۷۸٪ ، ۸۰.۷٪ دست یابند.

⬅️ در ادامه از چهار پزشک مذکور خواسته شد از مدل هوش مصنوعی طراحی شده استفاده کنند. در این حالت چهار چشم پزشک توانستند به ترتیب به Accuracy = ۸۷.۷٪ ، ۸۶.۷٪ ، ۸۹٪ ، ۹۱.۳٪ دست یابند، که این نشان از مؤثر بودن مدل طراحی شده است.

🔗 لینک مقاله


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

🤖 شناسایی قطعات Tibia و Fibula قبل از عمل تروما با استفاده از هوش مصنوعی!

⬅️ در مدلی که امروز قصد بررسی آن را داریم، محققین با استفاده از معماری DeepLab v3+ اقدام به طراحی هوش مصنوعی برای تقسیم‌بندی قطعات استخوان‌های فیبولا و تیبیا می‌کند.

⬅️ در واقع پیش از عمل‌های ترومای شدید که منجر به خردشدگی‌های گسترده در این دو استخوان شده است، این هوش مصنوعی با ایجاد یک طراحی سه بعدی از نحوه شکستگی (شکل قطعات، سایز و فاصله قطعات از یکدیگر) می‌تواند به پزشکان در طراحی نقشه عمل جراحیشان کمک شایانی بکند.

⬅️ این مدل با استفاده از بیش از ۱۱ میلیون تصویر CT آموزش داده شده است.

⬅️ این مدل با Accuracy = 98.92% می‌تواند با سرعتی معادل ۵ تا ۸ برابر متخصصان اقدام به تقسیم‌بندی دو استخوان تیبیا و فیبولا بکند.

🔗 لینک مقاله


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

🤖 پیش‌بینی ابتلا سرطان کولورکتال و پاسخ به درمان آن توسط هوش مصنوعی

⬅️ در مطالعه‌ای که امروز مورد ارزیابی قرار می‌دهیم محققین اقدام به توسعه هوش مصنوعی‌ای برای پیش‌بینی سرطان کولورکتال با استفاده از داده‌های ایمونولوژیک کردند.

⬅️ در واقع این مدل با ارزیابی پاسخ‌های ایمونولوژیک ضد توموری اقدام به پیش‌بینی وقوع سرطان کولورکتال می‌کند.

⬅️ همچنین این مدل قابلیت پیش‌بینی پاسخ سرطان کولورکتال به درمان با نئوادجونت‌ها را دارا می‌باشد.

🔗 لینک مقاله

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| 📍 @maiaSBMU |

👀 ایجاد یک مدل هوش مصنوعی برای تخمین عملکرد ریوی (FVC و FEV1) از اشعه ایکس قفسه سینه

◀️ روش: مطالعه گذشته‌نگر با استفاده از یادگیری عمیق بر روی ۱۴۱۷۳۴ جفت رادیوگرافی قفسه سینه و اسپیرومتری از ۸۱۹۰۲ بیمار در پنج موسسه ژاپنی.

◀️ توسعه مدل:
- آموزش (training)، اعتبارسنجی (validation) و آزمایش داخلی (internal testing): ۱۳۴۳۰۷ عکس اشعه ایکس از ۷۵۷۶۸ بیمار
- آزمایش خارجی (external testing): ۷۴۲۷ عکس رادیوگرافی از ۶۱۳۴ بیمار در دو موسسه جداگانه

◀️ نتایج:
- همبستگی (correlation) بالا بین برآوردهای هوش مصنوعی و نتایج اسپیرومتری (r≈ 0.90-0.91 برای FVC و FEV1)
- توافق قوی اندازه‌گیری شده توسط ICC (0.89-0.91 برای FVC و 0.90 برای FEV1)
- نرخ خطای پایین (RMSE: 0.33-0.41 L، MAE: 0.25-0.31 L)

◀️ پیامدها:
- جایگزین بالقوه برای اسپیرومتری، به ویژه برای بیمارانی که قادر به انجام آزمایش نیستند.
- ممکن است به سفارشی کردن پروتکل‌های تصویربرداری CT کمک کند.
- می‌تواند تشخیص و مدیریت بیماری‌های ریوی را بهبود بخشد.


🌐 لینک مقاله

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| ➡️ @maiaSBMU |

🫡Diagnostic Accuracy of an Integrated AI Tool to Estimate Gestational Age From Blind Ultrasound Sweeps

◀️این مطالعه ارزیابی کرد که آیا پزشکان تازه‌کار می‌توانند سن حاملگی (GA) را با استفاده از یک پروب سونوگرافی کم هزینه و مجهز به هوش مصنوعی تخمین بزنند یا خیر. این مطالعه شامل ۴۰۰ فرد باردار در زامبیا و کارولینای شمالی بود. GA نیز توسط متخصصان با استفاده از سونوگرافی استاندارد تایید شد. در ویزیت‌های پیگیری تصادفی در دوران بارداری، پزشکان تازه‌کار بدون آموزش قبلی سونوگرافی از دستگاه هوش مصنوعی برای تخمین GA استفاده کردند.

◀️یافته‌های کلیدی:
- دستگاه مجهز به هوش مصنوعی به اندازه روش‌های سنتی دقیق بود و تنها ۰.۲ روز بین این دو تفاوت داشت.
- ۹۰.۷ درصد ارزیابی‌های مبتنی بر هوش مصنوعی در بازه ۷ روز از GA واقعی انجام شده است، که این میزان قابل مقایسه با روش‌های سنتی ۹۲.۵ درصد است.

◀️پیامدها:
- این ابزار هوش مصنوعی می‌تواند مراقبت‌های زنان و زایمان را در محیط‌های با منابع کم با ارائه تخمین‌های GA قابل اعتماد بدون نیاز به سونوگرافیست ماهر بهبود بخشد. این با هدف سازمان بهداشت جهانی برای در دسترس قرار دادن تخمین GA برای همه افراد باردار مطابقت دارد.

🌐 لینک مقاله

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

| ➡️ @maiaSBMU |

🔍 احتمالا در مطالعه مقالات هوش مصنوعی پزشکی با واژه Accuracy در ارزیابی مدل‌ها زیاد برخورد کرده باشید، اما Accuracy یعنی چه و چه اهمیتی دارد؟

دقت یا Accuracy

⬅️ تعریف: دقت نسبت نتایج واقعی (هم مثبت واقعی و هم منفی واقعی) را در بین تعداد کل موارد بررسی شده اندازه‌گیری می‌کند. فرمول آن بدین گونه است که: (بیماران با تشخیص صحیح + سالم‌ها با تشخیص صحیح) تقسیم بر (تعداد کل جامعه)

⬅️ اهمیت: نشان می‌دهد که مدل هوش مصنوعی تا چه اندازه نتایج را به درستی پیش‌بینی می‌کند یا به طور کلی تشخیص می‌دهد.

⬅️ محدودیت‌ها: در صورت عدم تعادل داده‌ها، دقت بالا ممکن است گمراه‌کننده باشد، به این معنی که مدل ممکن است در نتایج معمول خوب عمل کند اما در موارد نادر اما بحرانی ضعیف باشد. برای مثال در جامعه‌ای ۱۰۰ نفری که وقوع یک بیماری نادر تنها ۳ مورد است، حتی اگر مدل هوش مصنوعی هیچ یک از این ۳ مورد را تشخیص نداده و همه افراد را سالم معرفی کند، به دقت ۹۷٪ دست می‌یابد.

آموزش هوش مصنوعی پزشکی 👍

#آموزشی
#محتوای_اختصاصی

➡️ @maiaSBMU

💡 مرور مقالات بررسی شده هفته اخیر


📌 ایجاد یک مدل هوش مصنوعی برای تخمین عملکرد ریوی (FVC و FEV1) از اشعه ایکس قفسه سینه

⚡️ پیامدهای چشمگیر:
- جایگزین بالقوه برای اسپیرومتری، به ویژه برای بیمارانی که قادر به انجام آزمایش نیستند.
- کمک به سفارشی کردن پروتکل‌های تصویربرداری CT
- بهبود تشخیص و مدیریت بیماری‌های ریوی

📌 Diagnostic Accuracy of an Integrated AI Tool to Estimate Gestational Age From Blind Ultrasound Sweeps

⚡️ پیامدهای چشمگیر:
- بهبود مراقبت‌های زنان و زایمان را در محیط‌های با منابع کم با ارائه تخمین‌های GA قابل اعتماد بدون نیاز به سونوگرافیست ماهر.
- تطابق با هدف سازمان بهداشت جهانی برای در دسترس قرار دادن تخمین GA برای همه افراد باردار.


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU