با تشکر از همراهی و استقبال شما در دوره آشنایی با تصویر برداری مغز ❤️

مهلت ثبت‌نام دوره به صورت حضوری به اتمام رسیده و از امروز ما شروع به انجام تدارکات کرده ایم.

در چند روز آینده با شما برای هماهنگی تماس خواهیم گرفت.

از صبوری شما متشکریم

با تشکر از شما
تیم اجرایی نورایتکس 🧠

❗️ به اطلاع شرکت کنندگان محترم دوره تصویربرداری میرسانیم که با توجه به مشکلات ارسال لینک از طریق پیامک، لینک گروه از طریق تلگرام خدمت دوستان ارسال گردیده است.

📞 دوستانی که شماره تلگرام آنها با شماره وارد شده در فرم متفاوت هست و تا کنون لینک را دریافت نکرده‌اند لطفا جهت هماهنگی با ادمین مجموعه در ارتباط باشند.

از صبوری شما متشکریم

با تشکر از شما
تیم اجرایی نورایتکس 🧠

اکتبر سال ۲۰۲۲ مقاله زیر در ساینس چاپ شد و سر و صدای زیادی به پا کرد چون این تیم کره‌ای نشون داده بودن که با روشی به نام DIANA (direct imaging of neuronal activity) میتونن با استفاده از دستگاه MRI به طور مستقیم از خود فعالیت نورونی ثبت بگیرن. چرا این مهمه؟ چون در روش‌های مرسوم fMRI، از فعالیت عصبی به صورت مستقیم ثبت گرفته نمیشه بلکه سیگنال به دست اومده میزان اکسیژن خون رو نشون میده که به عنوان نوعی پروکسی برای فعالیت عصبی در نظر گرفته میشه. بنابراین اینکه روشی بتونه با دستگاه MRI از فعالیت عصبی به صورت مستقیم ثبت بگیره میتونه نوروساینس رو واقعاً دگرگون کنه چون اجازه میده تا بتونیم به‌صورت غیرتهاجمی و با دقت مکانی و زمانی بالا (در حد چند میلی‌ثانیه) از همه مغز ثبت بگیریم. این دقیقاً ادعایی بود که مقاله زیر داشت و برای همین هم خیلی توجه‌ها رو به خودش جلب کرد:

https://www.science.org/doi/10.1126/science.abh4340

طبیعتاً وقتی یک همچین مقاله‌ای در ژورنالی مثل ساینس چاپ میشه، آدما مشتاق میشن که در اسرع وقت این روش رو خودشون پیاده کنن. اما همه تیم‌هایی که سعی میکنن تا این روش رو پیاده کنن شکست میخورن. مقاله زیر که یکی از همین تلاش‌های شکست خورده بود عملاً میگه چیزی که تو مقاله بالا گزارش شده یک آرتیفکته که در اثر انتخاب گزینشی ترایال‌ها به وجود اومده:

https://www.science.org/doi/10.1126/sciadv.adl0999

فقط هم این مقاله نبود و کارهای دیگه‌ای هم عدم تکرارپذیری DIANA رو گزارش کردن که در مقاله زیر به خوبی جمع شده:

https://doi.org/10.53053/KINZ6963

این‌ها همه باعث شد که خود ادیتورهای مقاله اصلی نگرانی‌هاشون رو ابراز کنن و بگن که نویسنده‌ها به اندازه کافی متود رو توضیح ندادن و برای همین آدمای دیگه نتونستن تکرارش کنن. خوندن این کامنت کوتاه جالبه:

https://www.science.org/doi/10.1126/science.adk4448

و درنهایت پس از بالا و پایین‌های فراوان، سه روز پیش خود تیم کره‌ای مقاله رو Retract کردن! خلاصه‌ای از این ماجرا رو در نوشته زیر میتونید بخونید:

https://www.thetransmitter.org/retraction/authors-retract-science-paper-on-controversial-fmri-method/?utm_source=bluesky&utm_medium=org-social&utm_campaign=20250925-news-authors-retract-science-paper-on-fMRI-method

این داستان بنظرم نکات مهمی رو درباره پژوهش علمی بهمون یادآوری میکنه.
اولاً علی‌رغم اهمیت فرآیند داوری مقالات، نباید فراموش کنیم که درنهایت این جامعه علمی هستش که با تکرار و تکوین اون کار، داوریش میکنه. وگرنه شکی نیست که داوری ژورنالی مثل ساینس دقیق و سختگیرانه بوده اما خب داورها نرفتن این متود رو خودشون پیاده کنن! بنابراین وقتی کاری در یک ژورنال معتبر منتشر میشه نباید بهش به عنوان وحی منزل نگاه کنیم. نمونه‌های مشابه هم بسیار زیاده.
ثانیاً این مورد نشون میده که چرا فهمیدن دقیق روش آنالیز دیتای یک مقاله انقدر مهمه. حالا این مقاله که خود متودش هم مشکل داشته اما یکی از مشکلات مربوط به روش آنالیز بوده. کلاً ما در نوروساینس دچار یک بحران بزرگ هستیم! اونم اینه که روش‌های مختلف آنالیزی بهمون جواب‌های بسیار متفاوتی میدن. یکی از کارهای درخشانی که این مشکل رو به زیبایی نشون میده مقاله زیره که حتماً پیشنهاد میدم بخونید:

https://www.nature.com/articles/s41586-020-2314-9

اما در نهایت، با مطالعه سیر اتفاقات این داستان متوجه میشید که آدم‌ها در علم گاهی زیادی به یافته‌هاشون میچسبن، خصوصاً اگر اون یافته منجر به یک نتیجه زیبا شده باشه! حتی اگر غلط باشه! نقل قول زیر از Alan Jasanoff نشون‌دهنده همین مسئله هست

🔖 این متن که توسط اقای مهندس امیررضا بهرامنی در کانالشون منتشر شده به خوبی نشون میده که چرا صرفا ایمپکت فکتور ژورنال یک مقاله به معنی معتبر بودن نتایج یک مقاله نیست

I think it’s a sad fact about science that we make mistakes, and when the mistakes lead us in interesting directions, sometimes it’s difficult to completely let go.

⭐ ما در حال انجام یک آزمایش پژوهشی درباره‌ی یادگیری حرکتی هستیم و خیلی خوشحال می‌شیم که اگه با مشارکت در قسمت نمونه‌برداری به ما کمک کنین.

🔣 محل برگزاری: پردیس دانشکدگان فنی دانشگاه تهران-دانشکده مهندسی برق و کامپیوتر، ساختمان شماره ۲- طبقه7- اتاق شماره 707
🔣 مدت زمان نمونه‌برداری: 9 جلسه و هر جلسه حدود 45 دقیقه

❗️ شرکت در این آزمایش کاملاً اختیاری است و همه‌ی اطلاعات شما محرمانه باقی می‌ماند.

❓ هدف ما از این پژوهش پاسخ به سوالاتی است که در نهایت کمک به توانبخشی بیماران و یا افزایش سرعت یادگیری ورزشکاران خواهد کرد و بدون همکاری شما این کار ممکن نخواهد بود

❤️ جهت قدردانی از همکاری شما به 3 نفر که بهترین نتایج در یادگیری را داشته باشند، مبلغ 5 میلیون ریال تقدیم خواهد شد.

🛫 اگر مایل به همکاری هستین، لطفا فرم شرکت در پژوهش رو پر کنین تا ما با شما تماس بگیریم.

خیلی از بچه‌ها به ما پیام میدن و میگن که خیلی علاقمند به کار روی دیتا‌های مغز و استفاده از هوش مصنوعی برای مدل‌سازی هستن ولی اصلا نمیدونن از کجا باید شروع کنن 😭

✨ توی هر بخش از این کتاب، نویسندگان اومدن و نقش مدل‌های هوش‌ مصنوعی رو توی هر‌ یک از بیمار‌ها بررسی کردن و پتانسیل‌های استفاده ازش رو مورد بحث قرار دادن.

پس اگر شما هم جز اون دسته از کسایی هستین که با نوروایمیجینگ اشنایین ولی نمیدونین چجوری باید ازشون استفاده کنین این کتاب میتونه خیلی دید بهتری از این فیلد بهتون بده 🤓

متاسفانه امروز با خبر شدیم که یکی از دانشجویان پزشکی در یزد بخاطر فشار‌های استاد راهنماش فوت کرده و این اتفاق باعث شد که بخواییم یکم از تجربیات این چند سال خودمون در این رابطه صحبت کنیم 💔

❗️ یکی از مواردی که تقریبا همه کسایی که به نوعی کار پژوهشی انجام میدن باهاش رو‌به‌رو شدن رفتارهای غیر حرفه‌ای، غیر محترمانه و سواستفاده از عدم اگاهی دانشجویان هستش. هرچند که رسیدگی به این قبیل رفتار‌ها و جلوگیری از اونها نیازمند یک بررسی کامل، وضع قوانین مشخص و اعمال فیلتر‌های سختگیرانه‌تر در انتخاب هیئت‌علمی و پژوهشگران در دانشگاه‌ها و فضاهای مربوطه هست، اما در هر حال حاضر این مدل رفتار‌ها همه جا وجود داره و اگر دانشجویی هستین که علارغم تلاشی که میکنید متاسفانه حقوقتون رعایت نمیشه و یا تحت فشار روانی قرار دارین نکاتی هستن که شاید دونستنشون بتونه بهتون کمک کنه:

1️⃣ سعی کنید تا حد ممکن برای ارتباط با اساتید و اعضای تیمتون از ابزار‌های رسمی مثل ایمیل یا پیامک استفاده کنین و ازشون درخواست کنید اگر کاری دارن باهاتون از این طریق ارتباط داشته باشن

2️⃣ برای جلساتتون از پلتفرم‌هایی استفاده کنین که امکان ضبط جلسه رو به صورت کامل (صدا و تصویر) رو دارن و حتما اعلام کنید که جلسه به صورت کامل در‌ حال ریکورد شدن هست.

3️⃣ در صورتی که هرگونه ‌گزارشی از کارتون میفرستین از طریق ایمیل این‌کار رو انجام بدین و سعی کنید به صورت کامل توی متن ایمیل به انگلیسی مشخص کنید که چه قسمتی توسط شما انجام شده و از اینجا به بعد چه قسمتی باید توسط شما و بقیه انجام بشه. اگر قسمت مرتبط با فرد دیگری رو انجام میدین خیلی واضح مشخص کنین که وظیفه شما نبوده ولی برای پیشبرد کار انجام دادین.

4️⃣ شما برای نویسندگی در هر مقاله باید در ۴ نقش اصلی مشارکت داشته باشین. در صورتی که میزان همکاری شما کمتر از این مقدار باشه اسم شما از نظر قانونی میتونه به عنوان نویسنده وارد مقاله نشه پس از همون اول همه موارد رو در موردش صحبت کنین و در صورت امکان به صورت مکتوب امضا کنین.

5️⃣ حقوق مادی و معنوی پایان‌نامه به دانشجو تعلق داره و در صورت عدم رضایت دانشجو استاد راهنما نمیتونه نتایج کار شما رو در اختیار فرد دیگه‌ای بزاره.

6️⃣ تمامی افراد یک تیم حق این رو دارن که بدونن با چه افرادی دارن کار میکنن و هرکسی چه نقشی در تهیه اون پژوهش و مقاله داره.

7️⃣ بر خلاف تصور عموم، کمیته اخلاق و حراست دانشگاه در صورت وجود شواهد لازم و کافی به این مسائل رسیدگی میکنه چون انتشار موارد موثق از تخلفات اخلاقی و علمی میتونه به شدت به اعتبار علمی و بین‌المللی دانشگاه و افراد خدشه وارد کنه.

8️⃣ قبل از جوین شدن به هر تیمی قبلش پرس و جو کنید، مقالات قبلی اون تیم رو بخونید و سعی کنید حتی قبلش چنتا از سخرانی‌ها یا جلسات علمی اون تیم رو برید ببینید تا مطمئن بشین دارین با افرادی کار میکنین که حداقل میدونن در مورد چی دارن حرف میزنن.

9️⃣ یک تجربه شخصی هم اینکه از کارکردن با افرادی که هیچ مقاله نویسنده اولی ندارن، سطح زبان خوبی ندارن و معمولا حتی در نوشتن و پرزنت کردن کوچکترین مباحث مشکل دارن بپرهیزید و لطفا تحت تاثیر فیک نیوز‌هایی مثل اینکه آسمون باز شده تیم ما فرود اومده قرار نگیرید 🥲


❤️ و اینکه این رو بدونین که اگر روزی کار‌ها خوب پیش نرفت، بهتون حس ناکافی بودن دادن و حتی تمام تلاشهاتون رو زیر سوال بردن، شما تنها نیستین و همه ما متاسفانه یه جایی از زندگی اکادمیکمون این تجربیات تلخ رو داشتیم. پس اگر روزی فشار زیادی رو‌ی خودتون احساس کردین و نیاز داشتین با کسی در این مورد صحبت کنین میتونین به ما پیام بدین تا باهم صحبت کنیم شاید راهی برای حل کردنش پیدا کنیم.

⁨❗️این روزها شاید ببینید که خیلی از افراد مقاله چاپ شدشون در ژورنال لنست رو پروموت میکنن که ‌تعداد بسیار زیادی نویسنده داره.

💡 مقالات بار جهانی بیماری ها یا همون GBD در لنست چاپ میشه و سالانه هزاران سایتیشن میگیرن ولی نکته اینه‌که اعتباری برای collaborator ها نداره و صرفا برای اینه که گوگل اسکولارشون رو خیلی خفن جلوه بدن.

‼️ نکته‌ی مهم تر اینه که مراقب افرادی که تلاش می کنن با GBD برای خودشون اعتبار درست کنن باشید که خدایی نکرده هزینه و وقتتون تلف نشه.

🧠 پروژه NextBrain: روایتی از سفر شگفت‌انگیز نقشه‌برداری مغز انسان

📌 توی دنیای تصویربرداری مغزی، اطلس‌ها نقش نقشه‌ی راه رو دارن؛ ابزاری برای اینکه بتونیم مغز رو به نواحی دقیق تقسیم کنیم، افراد مختلف رو با هم مقایسه کنیم، و همه چیز رو توی یه چارچوب مشترک ببینیم.

🔝 همه چیز از سال ۱۹۰۹ شروع شد، وقتی کوربینیان برودمن مغز رو به ۵۲ ناحیه در هر نیمکره تقسیم کرد. سال‌ها بعد، در ۲۰۱۶، دیوید ون‌اسن و متیو گلسر با ترکیب داده‌های ساختاری و عملکردی، اطلس ۳۶۰ ناحیه‌ای خودشون رو ارائه دادن و مرزهای شناخت مغز رو جابه‌جا کردن.

⌛ در آوریل ۲۰۲۵، تیم John Ngai در کنسرسیوم MiCRONS با بازسازی نقشه‌ی ارتباطات مغز موش در مقیاس میکروسکوپی، تونستن بیش از ۲۰۰ هزار سلول، ۷۵ هزار نورون و ۵۲۳ میلیون سیناپس رو شناسایی کنن؛ یه کار واقعاً حیرت‌انگیز!

🔄 و حالا، در نوامبر ۲۰۲۵، نوبت خوان اوخنیو ایگلسیاس و همکارانشه که تاریخ رو دوباره بنویسن: با ارائه‌ی اطلس جدیدی از ۳۳۳ ناحیه در هر نیمکره (۶۶۶ ناحیه در کل مغز) و یه ابزار بیزی پیشرفته برای تقسیم‌بندی خودکار این نواحی در تصاویر MRI.

📊 این پیشرفت فقط یه عدد جدید نیست؛ بلکه یه گام بزرگه برای اینکه بتونیم مغز رو با دقتی بی‌سابقه ببینیم، عملکردهاش رو بهتر درک کنیم و حتی مسیرهایی برای درمان‌های دقیق‌تر مبتنی بر نوروپلاستیسیته و مدل‌های هوش مصنوعی در علوم اعصاب باز کنیم.

💬 پروژه‌ی NextBrain درست همین‌جاست که معنا پیدا می‌کنه؛ جایی که علم، داده و الگوریتم کنار هم میان تا درک ما از مغز انسان رو وارد مرحله‌ی بعد کنن؛ مرحله‌ای که نقشه‌برداری فقط برای مشاهده نیست، بلکه برای درک، درمان و تحول طراحی شده.

🔗 لینک مقاله

———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

💡 چند وقت پیش یکی از دانشجوها برای مشورت درباره پایان‌نامه‌اش سراغ ما اومد؛ موضوعش ارزیابی مدل‌های زبانی در فرایندهای بالینی بود. ایده از نظر علمی جذاب و قابل دفاع بود، اما هرچه جلوتر رفتیم، سؤال‌ها و چالش‌ها بیشتر شدند. در هر بخش از طراحی،از تعریف دقیق مسئله گرفته تا نحوه سنجش مدل‌ها در موقعیت‌های واقعی، به نقطه‌هایی می‌رسیدیم که منطق مسیر با هم نمی‌خواند و نمی‌توانستیم روی یک چارچوب مشترک به جمع‌بندی برسیم.

🥲 چندین بار مجبور شدیم گفت‌وگو رو از نقطه صفر شروع کنیم، چون هر بار ابعاد جدیدی از پیچیدگی‌های کار بالینی با هوش مصنوعی خودش رو نشان می‌داد. راستش همین تضاد بین «شدنی بودن علمی» و «پیچیدگی عملی و منطقی» باعث شده بود بحث‌ها عمق بیشتری پیدا کنن و نکات ظریفی آشکار بشه که معمولاً در طراحی‌های سطحی به چشم نمیاد.

✨ امروز کاملاً اتفاقی چشممون به این مقاله افتاد و با خودمون گفتیم اگر کسی واقعاً به این موضوع علاقه‌مند باشه و بخواد از زاویه‌ای دقیق‌تر به چالش‌ها و ظرفیت‌های مدل‌های زبانی در کلینیک نگاه کنه، مطالعهٔ این مقاله می‌تونه دید تازه و بسیار ارزشمندی براش ایجاد کنه.

❗️حالا واقعاً کنجکاویم که بدونیم:
1️⃣ شما این مسیر را چطور می‌بینید؟
2️⃣ آیا فکر می‌کنید مدل‌های زبانی در کاربردهای کلینیکال واقعاً به نقطه بلوغ رسیده‌اند یا هنوز راه زیادی باقی مانده؟

———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

‏💥 اگر دغدغه استفاده درست از GPU رو دارید، ویدیو زیر برای شماست.

‏📈 این ویدیو در مورد اینه که چطور می‌تونیم مدل‌های یادگیری ماشین رو روی GPU خیلی سریع‌تر و به‌صرفه‌تر آموزش بدیم.

📌 مدرس توضیح می‌ده چرا GPU برای کارهای موازی فوق‌العاده‌ست، چطور PyTorch کارها رو روی GPU انجام می‌ده، چه چیزهایی باعث می‌شن GPU بی‌خودی منتظر بمونه، و با چه ترفندهایی، مثل آسنکرون‌سازی درست، استفاده‌ از pin memory، کم‌کردن کرنل‌های ریز، و حتی نوشتن کرنل سفارشی، می‌تونیم سرعت آموزش رو حسابی بالا ببریم.

💯 خلاصه، کل ویدیو دربارهٔ اینه که از GPU نهایت استفاده رو ببریم و زمان و هزینه آموزش رو کم کنیم. از دست ندید!


🔗 https://youtu.be/pHqcHzxx6I8?si=0FzA36m2DOwM8d7G

———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

📣 تابستون امسال g.tec یک دوره انلاین پایتون در نوروساینس برگزار کرد که خیلی از بچه‌ها شرکت کردن و خیلی راضی بودن. حالا ثبت نام مدرسه تابستونیشون برای سال اینده شروع شده که بنظر خیلی جالب میاد

BCI & NEUROTECHNOLOGY SPRING SCHOOL 2026

🗓 April 20 – 29, 2026 (Vienna time)

✨ انلاین و رایگان

🔗 https://www.gtec.at/event/bci-neurotech-spring-school-2026/

———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex