🔹 MATLAB & Veterinary 🔹

☑️ مزایای یادگیری MATLAB برای دامپزشکان :

🔹 تحلیل داده‌های دامپزشکی و بررسی و تحلیل دقیق اطلاعات سلامت، ایجاد مدل‌های بیولوژیکی، تحلیل تصاویر دامپزشکی مثل رادیوگرافی و سونوگرافی، پیاده‌سازی الگوریتم‌ها و نمایش گرافیکی نتایج، کمک به اتخاذ تصمیمات درمانی بهتر.

🔹 به طور کلی، زبان های برنامه نویسی Python و MATLAB ابزارهای مفیدی برای بهبود عملکرد دامپزشکان فراهم می‌کنند، و مناسب ترین زبان ها برای دامپزشکان محسوب میشوند.

🤖  @Veterinary_AI  🐎

🔹 هوش مصنوعی و تغذیه حیوانات خانگی 🔹

❓ تا حالا شده از خودت بپرسی واقعاً چی باید به سگ یا گربت بدی بخوره؟
غذایی که از هر نظر سلامتش تضمین شده باشه و تمام نیازهای پت رو براورده کنه 🥩🥔
 
اینجاست که هوش مصنوعی وارد میشه! 🤖🐾

با استفاده از مدل‌های مختلف هوش مصنوعی میشه با توجه به سن، وزن، نژاد و حتی بیماری‌های زمینه‌ای‌ مناسب ترین رژیم غذایی رو برای پت تهیه کرد. 🥘📈

☑️ مثلاً میگه: این گربه‌ چون عقیم‌شده و کم‌تحرکه، باید پروتئین بالا ولی کالری کنترل‌شده بخوره.
☑️ یا میگه: این سگ چون سنش بالا رفته، به مکمل مفصلی نیاز داره.


✅ تولید شده توسط واحد اینستاگرام تیم هوش مصنوعی دامپزشکی Veterinary ~ AI

〰〰〰〰〰〰〰〰〰
🤖  @Veterinary_AI  🐎
〰〰〰〰〰〰〰〰〰

🟦 هوش مصنوعی می‌تواند فقط با تحلیل حالات چهره بزها درد آنها را تشخیص دهد.

🔹 محققان کالج دامپزشکی دانشگاه فلوریدا با استفاده از هوش مصنوعی توانسته‌اند با دقت نسبتاً بالای ۶۲ تا ۸۰ درصدی درد بزها را شناسایی کنند. آنها ابتدا از چهره ۴۰ بز فیلم‌برداری کردند که تعدادی درد داشتند و تعدادی سالم بودند. این فیلم‌ها به مدل هوش مصنوعی مخصوصی داده شد که یاد گرفته بود درد را با حالات صورت تشخیص دهد.

🔹 لودوویکا چیاواکینی، دانشیار بالینی بیهوشی در کالج دامپزشکی دانشگاه فلوریدا، دراین‌باره گفت: این فقط مسئله رفاه حیوانات نیست. ما می‌دانیم حیواناتی که درد دارند، وزن اضافه نمی‌کنند و بهره‌وری کمتری دارند. می‌توانید تصور کنید کشاورزان نوعی برنامه را روی تلفن همراه خود داشته باشند که سریعاً به آنها اجازه دهد تعداد زیادی بز را ارزیابی کنند تا ببینند کدام‌یک نیاز به بررسی بیشتر دارد بدون اینکه نیاز به متوقف‌کردن آنها داشته باشند یا مجبور باشند به‌آرامی هر حیوان را دستی ارزیابی کنند یا منتظر بمانند مشکلات شدیدتر شوند.

🔗 لینک خبر 🔗 لینک مقاله

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

🔹 پرورش آبزیان و هوش مصنوعی 🔹

🎥 ویدئوی تولید شده توسط واحد اینستاگرام تیم

🤖  @Veterinary_AI  🐎

🔹 کتاب اصول هوش مصنوعی در پزشکی 🔹

☑️ آشنایی با مفاهیم، رویکردها و چالش‌های هوش مصنوعی در عرصه پزشکی

✅ مطالعه این کتاب به علاقه‌مندان توصیه می‌شود.

📚 #کتاب
🤖  @Veterinary_AI  🐎

🔹 کوئیز کلینیکی 🔹

سگ ۶ ماهه نر عقیم نشده
بی حال  است و با دهان باز نفس می کشد
قلب ۱۸۰ و تاکی کارد است  مخاط کمی پیل است و گوشه لب و زبان زخم و سوختگی دارد
صدای قلب مرمر ندارد ولی کمی رال یا کراکل (صدایی شبیه باز کردن چسبهای لباسی ولکرو) از ریه شنیده می شود.
رادیوگراف قفسه سینه پیوست شده محتمل ترین سناریو چیست؟

هوش مصنوعی را به چالش بکشید و از او بخواهید این رادیوگراف را تفسیر کند

لینک به گزینه های کوئیز - پاسخ در کامنت

🤖  @Veterinary_AI  🐎

🔷 Poultry disease early detection methods using deep learning technology

🤖  @Veterinary_AI  🐎

🟦 روش‌های تشخیص زودهنگام بیماری‌های طیور با استفاده از فناوری یادگیری عمیق

🔹 مقدمه
فناوری‌های پیشرفته، به ویژه یادگیری عمیق، پتانسیل بالایی برای بهبود مدیریت سلامت طیور و تشخیص زودهنگام بیماری‌ها دارند.مقاله حاضر به بررسی روش‌های تشخیص زودهنگام بیماری‌های طیور با استفاده از فناوری یادگیری عمیق می‌پردازد. این روش‌ها شامل تحلیل تصاویر، صداها، مدفوع و رفتارهای غیرعادی طیور است. برخی از این روش‌ها عبارتند از:

تحلیل دمای بدن: استفاده از دوربین‌های حرارتی برای تشخیص تغییرات دمای سطح بدن طیور که می‌تواند نشانه‌ای از بیماری باشد.
تحلیل صداهای غیرعادی: تشخیص بیماری‌ها از طریق تحلیل صداهای غیرعادی که طیور بیمار تولید می‌کنند.
تحلیل مدفوع: بررسی تغییرات در رنگ و ویژگی‌های مدفوع که می‌تواند نشانه‌ای از بیماری‌های مختلف باشد.
تحلیل رفتارهای غیرعادی: تشخیص بیماری‌ها از طریق تغییرات در رفتارهای طبیعی طیور مانند کاهش فعالیت یا تغییر در عادات غذایی.

🔹 نتایج
این نتایج نشان می‌دهند که فناوری‌های مبتنی بر یادگیری عمیق، به ویژه شبکه‌های عصبی کانولوشنال (CNN)، در مقایسه با روش‌های سنتی، عملکرد بهتری دارند. از جمله نتایج بدست آمده می توان موارد زیر را نام برد:
1. دقت تشخیص بیماری‌ها
تحلیل تصاویر: استفاده از شبکه‌های عصبی کانولوشنال (CNN) برای تحلیل تصاویر طیور، دقت تشخیص بیماری‌ها را به میزان قابل توجهی افزایش داده است. به عنوان مثال، در برخی مطالعات، دقت تشخیص بیماری‌هایی مانند آنفولانزای مرغی و نیوکاسل به بیش از 90% رسیده است.
تحلیل صداها: روش‌های مبتنی بر تحلیل صداهای غیرعادی طیور نیز دقت بالایی در تشخیص بیماری‌ها نشان داده‌اند. به عنوان مثال، در یک مطالعه، دقت تشخیص بیماری نیوکاسل از طریق تحلیل صداها به 91.06% رسید.
تحلیل مدفوع: استفاده از روش‌های یادگیری عمیق برای تحلیل مدفوع طیور، دقت تشخیص بیماری‌هایی مانند کوکسیدیوز و سالمونلا را به بیش از 97% افزایش داده است.
2. سرعت تشخیص
فناوری‌های مبتنی بر یادگیری عمیق، قادرند بیماری‌ها را در زمان واقعی تشخیص دهند. این امر به ویژه در مزارع بزرگ که تعداد زیادی طیور وجود دارد، بسیار مفید است. به عنوان مثال، استفاده از دوربین‌های حرارتی و شبکه‌های عصبی، امکان تشخیص تغییرات دمای بدن طیور را در زمان واقعی فراهم می‌کند.
3. کاهش هزینه‌ها
استفاده از فناوری‌های یادگیری عمیق، هزینه‌های مرتبط با تشخیص بیماری‌ها را کاهش می‌دهد. به عنوان مثال، روش‌های سنتی مانند آزمایش‌های بیوشیمیایی، هزینه‌بر و زمان‌بر هستند، در حالی که روش‌های مبتنی بر یادگیری عمیق، هزینه‌ها را به میزان قابل توجهی کاهش داده‌اند.
4. بهبود مدیریت مزارع
فناوری‌های یادگیری عمیق، امکان نظارت مستمر و خودکار بر سلامت طیور را فراهم می‌کنند. این امر به مدیران مزارع اجازه می‌دهد تا در صورت تشخیص بیماری، اقدامات لازم را به سرعت انجام دهند و از شیوع بیماری‌ها جلوگیری کنند.
5. کاهش تلفات
تشخیص زودهنگام بیماری‌ها و اقدامات به موقع، می‌تواند تلفات ناشی از بیماری‌ها را به میزان قابل توجهی کاهش دهد. به عنوان مثال، در یک مطالعه، استفاده از فناوری یادگیری عمیق، تلفات ناشی از بیماری نیوکاسل را تا 50% کاهش داد.
6. افزایش سودآوری
بهبود مدیریت سلامت طیور و کاهش تلفات ناشی از بیماری‌ها، می‌تواند به افزایش سودآوری مزارع منجر شود. به عنوان مثال، در یک مطالعه، استفاده از فناوری یادگیری عمیق، سودآوری یک مزرعه طیور را تا 20% افزایش داد.

🔹 کاربردها
استفاده از این فناوری‌ها می‌تواند به بهبود مدیریت مزارع طیور، کاهش تلفات ناشی از بیماری‌ها و افزایش سودآوری کمک کند. همچنین، این روش‌ها می‌توانند به عنوان ابزاری برای نظارت مستمر و خودکار بر سلامت طیور در مزارع بزرگ مورد استفاده قرار گیرند.

🔹 چالش‌ها
با وجود مزایای فراوان، چالش‌هایی نیز در استفاده از این فناوری‌ها وجود دارد. از جمله این چالش‌ها می‌توان به نیاز به داده‌های برچسب‌گذاری شده زیاد، تأثیر شرایط محیطی بر دقت داده‌ها و هزینه‌های مرتبط با جمع‌آوری و پردازش داده‌ها اشاره کرد.

🔹 نتیجه‌گیری
فناوری یادگیری عمیق پتانسیل بالایی برای تحول در صنعت طیور و بهبود مدیریت سلامت این حیوانات دارد. با استفاده از این فناوری‌ها، می‌توان به صورت خودکار و در زمان واقعی، بیماری‌های طیور را تشخیص داده و اقدامات لازم را برای جلوگیری از شیوع بیماری‌ها انجام داد. این امر نه تنها به بهبود سلامت طیور کمک می‌کند، بلکه می‌تواند به افزایش بهره‌وری و سودآوری مزارع نیز منجر شود.

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

☑️ پی‌نوشت:

🔺 شبکه عصبی مصنوعی (ANN) یک مدل محاسباتی است که از ساختار مغز انسان الهام گرفته و برای یادگیری از داده‌ها و شناسایی الگوها طراحی شده است. این شبکه شامل نورون‌ها و لایه‌های ورودی، پنهان و خروجی می‌باشد. نورون‌ها ورودی‌ها را پردازش کرده و با استفاده از وزن‌ها، بایاس‌ها و تابع‌های فعال‌سازی، خروجی تولید می‌کنند. شبکه‌های عصبی در کاربردهایی مانند شناسایی تصویر، پردازش زبان طبیعی و پیش‌بینی سری‌های زمانی مورد استفاده قرار می‌گیرند و به دلیل توانایی بالای خود در یادگیری از داده‌های بزرگ، بسیار محبوب هستند.

🔺 شبکه عصبی کانولوشن (CNN) یا Convolutional Neural Network یکی از ابزارهای اصلی در یادگیری عمیق و هوش مصنوعی است. این نوع شبکه عصبی به طور خاص برای پردازش داده‌های ساختاریافته مانند تصاویر طراحی شده است. CNNها به دلیل توانایی بالای خود در شناسایی الگوها و ویژگی‌ها در تصاویر، به طور گسترده‌ای در حوزه‌های مختلفی از جمله بینایی کامپیوتر، شناسایی تصویر، تشخیص اشیاء و پردازش ویدئو مورد استفاده قرار می‌گیرند. به طور کلی، هر جایی که نیاز به تحلیل بصری باشد، مانند تشخیص لنگش، تحلیل عکس‌های رادیولوژی، جراحی، پاتولوژی و تشخیص بالینی، کاربرد دارند.

اجزای اصلی CNN:

1. لایه کانولوشن (Convolutional Layer): این لایه مسئول استخراج ویژگی‌ها از تصویر ورودی است. با استفاده از فیلترها (یا کرنل‌ها)، این لایه ویژگی‌های مختلف مانند لبه‌ها، بافت‌ها و الگوها را شناسایی می‌کند.

2. لایه فعال‌سازی (Activation Layer): این لایه به مدل غیرخطی بودن اضافه می‌کند (مثلاً با استفاده از تابع ReLU).

3. لایه تجمیع (Pooling Layer): این لایه برای کاهش ابعاد ویژگی‌ها و همچنین کاهش تعداد پارامترها و محاسبات استفاده می‌شود.

4. لایه‌های کاملاً متصل (Fully Connected Layer): در انتهای شبکه، معمولاً یک یا چند لایه کاملاً متصل وجود دارد که ویژگی‌های استخراج‌شده را به خروجی نهایی تبدیل می‌کند. این لایه‌ها معمولاً برای طبقه‌بندی یا پیش‌بینی استفاده می‌شوند.

🔺 در نهایت، شبکه عصبی (ANN) معمولاً برای داده‌های عددی و متنی کاربرد دارد، در حالی که شبکه عصبی کانولوشن (CNN) به طور خاص برای پردازش تصاویر و ویدیوها طراحی شده است.

برای درک بهتر مراتب هوش مصنوعی

🤖  @Veterinary_AI  🐎

🔹 کاربرد هوش مصنوعی در جراحی 🔹

🔹 دکتر خسرو صفری
مدرس دانشگاه فردوسی مشهد و متخصص جراحی با بورد تخصصی جراحی و بیهوشی

🤖  @Veterinary_AI  🐎

🔹 بنابر گزارش Zeki، پایگاه داده استعدادهای هوش مصنوعی جهان، در ۵ سال گذشته ۱۲۰۰ استعداد ایرانی در حوزه هوش مصنوعی راهی آمریکا شده‌اند. از این نظر ایران در جایگاه دوم پس از هند قرار دارد.

🔹 معین کافی، مدیرعامل کافه‌بازار بین‌الملل، علت اصلی این وضعیت را شرایط اقتصادی و سپس اجتماعی و فرهنگی می‌داند. به اعتقاد او این استعداد‌ها اگر در بهترین شرکت‌های ایرانی هم مشغول شوند، در رفع مایحتاج زندگی‌شان به مشکل می‌خورند.

🔹 شراره عزت‌نژاد، موسس پروداکت‌رود، با اشاره به اینکه امارات و عربستان با بستن قرارداد با بزرگ‌ترین شرکت‌های هوش مصنوعی دنیا، به سیلیکون ولی دوم تبدیل می‌شوند، می‌گوید: اگر روند فعلی ادامه یابد، استعدادهایمان را از دست می‌دهیم. شرکت‌هایمان سنتی می‌مانند و شکاف تکنولوژیک ما با دنیا عمیق‌تر می‌شود.

🤖  @Veterinary_AI  🐎

🔹 کاربرد هوش مصنوعی در جراحی 🔹

🎥 ویدئوی تولید شده توسط واحد اینستاگرام تیم

✅ اینبار به زبان فارسی !

🤖  @Veterinary_AI  🐎

🔷 Detection of canine external ear canal lesions using artificial intelligence

🟦 تشخیص ضایعات مجرای گوش سگ با هوش مصنوعی

🔹 اهمیت بالینی و چالش‌های تشخیصی: اوتیت خارجی (OE) یکی از دلایل اصلی مراجعه به کلینیک‌های دامپزشکی است و تشخیص نادرست می‌تواند منجر به عوارض جدی و کاهش کیفیت زندگی حیوانات شود.

🔹 یافته‌های کلیدی مدل AI: مدل YOLOv5 توانست سه حالت سالم، اوتیت و توده را با دقت قابل قبولی تشخیص دهد. بهترین عملکرد (mAP@50 = 0.85) مربوط به مدل‌هایی بود که با مجموعه داده‌های بزرگتر آموزش دیده بودند. چالش اصلی تمایز بین هیپرپلازی غدد سرومینوس و توده‌های واقعی بود.

🔹 کاربردهای عملی: این فناوری می‌تواند در آموزش دامپزشکان، کمک به تشخیص اولیه، پشتیبانی از تله‌مدیسین و مستندسازی درمان استفاده شود.

🔹 محدودیت‌ها و مسیر توسعه آینده: نیاز به افزودن زیرگروه‌های تشخیصی، افزایش دقت در تشخیص انواع توده‌ها، کاهش وابستگی به کیفیت تصاویر و ادغام اطلاعات بالینی وجود دارد.

🔹 داده‌های فنی: بهترین مدل (D) به recall 0.72 برای تشخیص توده‌ها دست یافت و زمان آموزش کمتر از 2 ساعت بود. داده‌های تکراری باعث overfitting شدند.

🔹 نتیجه‌گیری: هوش مصنوعی می‌تواند به عنوان یک دستیار تشخیصی در درماتولوژی دامپزشکی عمل کند، اما نیاز به مطالعات اعتبارسنجی بیشتر و بهبود دقت در موارد مرزی دارد.

❌ از آنجا که ممکن است مطالعه خلاصه مقاله از حوصله خارج باشد، این پست به صورت مختصر تر قرار گرفته است، متن کامل در کامنت قرار گرفت👇

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

☑️ پی‌نوشت

🔺 الگوریتم YOLOv5
(You Only Look Once version 5)
یک مدل پیشرفته برای شناسایی اشیاء در تصاویر و ویدئوها است که به دلیل سرعت بالا، دقت بالا، نسخه های متفاوت و آسانی استفاده محبوبیت زیادی دارد.
این ویژگی‌ها YOLOv5 را به ابزاری مناسب برای شناسایی اشیاء در صنعت و تحقیقات تبدیل کرده است.
به طور کلی، این مدل در دامپزشکی در هر جایی که نیاز به تحلیل بصری باشد، مانند تشخیص لنگش، تحلیل عکس‌های رادیولوژی، جراحی، پاتولوژی و تشخیص بالینی، کاربرد دارد. ◀️ توضیحات بیشتر

🔺 معیار mAP یک معیار ارزیابی برای مدل‌های شناسایی اشیاء است. این معیار دقت مدل را بر اساس پیش‌بینی‌ هایی که حداقل 50 درصد همپوشانی با برچسب واقعی دارند، محاسبه می‌کند. mAP به سادگی و وضوح خود مشهور است و به مقایسه عملکرد مدل‌های مختلف کمک می‌کند. ◀️ توضیحات بیشتر

🔺 بیش برازش یا Overfitting زمانی رخ می‌دهد که یک مدل یادگیری ماشین به داده‌های آموزشی خود به‌طور بیش از حد وابسته می‌شود و قادر به تعمیم به داده‌های جدید نیست. علائم آن شامل دقت بالا بر روی داده‌های آموزشی و دقت پایین بر روی داده‌های تست است. برای جلوگیری از overfitting می‌توان از افزایش داده ها و ساده‌سازی استفاده کرد. این روش‌ها کمک می‌کنند تا مدل‌ها عملکرد بهتری بر روی داده‌های جدید داشته باشند. ◀️ توضیحات بیشتر

🔺 وزن‌های pretrained به پارامترهای یک مدل یادگیری عمیق اشاره دارد که قبلاً بر روی داده‌های بزرگ آموزش دیده‌اند. استفاده از این وزن‌ها مزایایی مانند کاهش زمان آموزش، بهبود دقت و امکان انتقال یادگیری به مدل‌های جدید را فراهم می‌کند. به عنوان مثال، می‌توان از این وزن‌ها در مدل‌های شناسایی اشیاء مانند YOLO یا ResNet استفاده کرد.


✅ در پی‌نوشت ها هدف این است که شما را به مرور با اصطلات پایه‌ای رایج مربوط به هوش مصنوعی که در مقالات، اخبار و گزارش ها با آنها روبه رو میشویم آشنا کنیم.

✅ لینک دسترسی به توضیحات بیشتر در جلوی هر مورد قرار گرفت.

🤖  @Veterinary_AI  🐎

🟦 هوش مصنوعی هسته‌ای

🔹 گوگل، آمازون و مایکروسافت بی‌سروصدا در حال خرید رآکتورهای هسته‌ای هستند تا برق مورد نیاز هوش مصنوعی رو تأمین کنند.

🔹 استارتاپ‌هایی که توسط غول‌های فناوری حمایت می‌شوند، مشغول ساخت نسل جدید نیروگاه‌های هسته‌ای هستند؛ از ماژول‌های نمک مذاب گرفته تا نیروگاه‌های شناور روی دریا.

🔹 رشد هوش مصنوعی به برق دائمی و بی‌وقفه نیاز دارد و در حال حاضر، انرژی هسته‌ای تنها گزینه جدی روی میز محسوب می‌شود.

🔹 مقاله‌ی TechCrunch با عنوان «استارتاپ‌های شکافت هسته‌ای مورد حمایت شرکت‌های بزرگ فناوری» به بررسی روند رو به رشد سرمایه‌گذاری شرکت‌های بزرگ فناوری مانند گوگل، آمازون، مایکروسافت و متا در استارتاپ‌های فعال در حوزه‌ی انرژی هسته‌ای می‌پردازد. این شرکت‌ها به‌دلیل افزایش تقاضای برق برای مراکز داده و نیاز به منابع انرژی پایدار و بدون کربن، به سمت فناوری‌های نوین رآکتورهای هسته‌ای، به‌ویژه رآکتورهای مدولار کوچک (SMR)، روی آورده‌اند.


🤖  @Veterinary_AI  🐎

💙 پیشرفت و تعالی همواره از بحث و همفکری نشأت می‌گیرد. با گفتگو و بررسی نظرات مختلف می‌توان نقاط ضعف را شناسایی کرده و به ایده‌های نو دست پیدا کرد و این باعث می‌شود به سوی بهتر شدن حرکت کنیم.

💙 از این رو، شما را به عضویت در گروه چت این کانال دعوت می‌کنیم. لطفاً با ما در ارتباط باشید و نظرات خود را با ما به اشتراک بگذارید.

🔹 https://news.1rj.ru/str/Veterinary_AI_Chat 🔹