🔹 Classification Performance of Machine Learning Methods for Identifying Resistance, Resilience, and Susceptibility to Haemonchus contortus Infections in Sheep

🤖  @Veterinary_AI  🐎

🟦 عملکرد طبقه‌بندی روش‌های یادگیری ماشین برای شناسایی مقاومت، پایداری و حساسیت نسبت به عفونت‌های Haemonchus contortus در گوسفندان


🔹 این مطالعه امکان استفاده از ویژگی‌های فنوتیپی آسان و دردسترس برای اندازه‌گیری به منظور پیش‌بینی گوسفندهایی که نسبت به کرم‌های روده‌ای مقاوم، پایداری و حساسیت نشان می‌دهند را مورد بررسی قرار داده است.
در این پژوهش، عملکرد روش‌های طبقه‌بندی شامل Multinominal logestic regression (MLR)، Linear discriminant analysis (LDA)، Random Forest (RF) و Artificial neural network (ANN) با یکدیگر مقایسه شده و کاربردپذیری بهترین مدل طبقه‌بندی در هر مزرعه ارزیابی گردید.

🔹 روش انجام
پایگاه داده شامل ۳۶۵۴ رکورد از ۱۲۵۰ گوسفند نژاد Santa ines از ۶ مزرعه می‌باشد. حیوانات بر اساس شمارش تخم‌های مدفوعی و حجم سلولی بسته‌بندی‌شده به سه گروه مقاوم (۲۶۰۵ رکورد)، پایدار (۹۳۹ رکورد) و حساس (۱۱۰ رکورد) تقسیم‌بندی شدند. برای تعادل مجموعه داده، از روش نمونه‌گیری Random oversampling استفاده شد.
روش‌های طبقه‌بندی با استفاده از اطلاعاتی نظیر رده سنی، ماه ثبت، مزرعه، جنسیت، درجه Famacha©، وزن بدن و امتیاز وضعیت بدنی به عنوان متغیرهای پیش‌بینی‌کننده، و مقاومت، پایداری و حساسیت به عنوان کلاس‌های هدف، در داده‌های تصادفی از تمام مزارع به کار گرفته شدند.

🔹 الگوریتم ها چگونه با یکدیگر مقایسه شدند؟
حساسیت (sensitivity) برای انتخاب بهترین مدل جهت طبقه‌بندی حیوانات حساس به کار گرفته شده است. این شاخص نشان‌دهندهٔ دقت مدل در پیش‌بینی حیوانات بیمار (حیوانات حساس) است، به شرطی که میزان اشتباه مثبت (حیواناتی که به عنوان حساس طبقه‌بندی می‌شوند در حالی که نیستند) کم باشد و مدل بتواند هرچه تعداد بیشتری از حیوانات مبتلا به انگلی را شناسایی کند. با توجه به اینکه در بسیاری از مزارع درمان همه حیواناتی که به عنوان حساس شناسایی می‌شوند، رایج است، هزینه نرخ بالای اشتباه مثبت کاهش می‌یابد و این موضوع در سیستم تولید مشکلی ایجاد نمی‌کند. به همین علت از این رهیافت استفاده شده است.

🔹 نتیجه گیری
مدل‌های MLR و LDA عملکرد خوبی در پیش‌بینی حیوانات حساس و مقاوم نشان دادند. نتایج حاکی از آن است که استفاده از رکوردهای در دسترس و ویژگی‌های آسان برای اندازه‌گیری می‌تواند اطلاعات مفیدی جهت حمایت از تصمیمات مدیریتی در سطح مزرعه فراهم آورد.

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

☑️ پی‌نوشت ، در مورد الگوریتم های ذکر شده: 

🔺 MLR (Multiple Linear Regression)
مدل‌سازی رابطه خطی بین چند متغیر مستقل و یک متغیر هدف عددی.
مثال: پیش‌بینی دوز دارو بر اساس سن، وزن و حدت بیماری.
◀️ توضیحات بیشتر


🔺 LDA (Linear Discriminant Analysis)
طبقه‌بندی (Classification) داده‌ها به دسته‌های مختلف و خروجی برچسب کلاس (مثلاً «بیمار» یا «سالم»، «گربه» یا «سگ»)
◀️ توضیحات بیشتر


🔺 Random Forest (جنگل تصادفی)
مجموعه‌ای از درخت‌های تصمیم (Decision Trees) که هر درخت روی نمونه‌ای تصادفی از داده‌ها و ویژگی‌ها آموزش می‌بیند. پیش‌بینی نهایی با ترکیب نتایج همه درخت‌ها به دست می‌آید.
مثال: تشخیص بیماری، پیش‌بینی قیمت، شناسایی تقلب.
◀️ توضیحات بیشتر


🔺 ANN (شبکه عصبی مصنوعی)
الگوریتم یادگیری عمیق (Deep Learning) یا یادگیری ماشین با ساختار الهام گرفته از مغز انسان که قادر است روابط پیچیده و غیرخطی بین ورودی و خروجی را یاد بگیرد.
مثال: تشخیص تصویر، پردازش زبان طبیعی
◀️ توضیحات بیشتر


🤖  @Veterinary_AI  🐎

🟦 دراگون کوپایلت (Dragon Copilot)

🔹 نخستین دستیار صوتی هوش مصنوعی برای پزشکان که توسط مایکروسافت معرفی شد.

🔹 مکالمات بین پزشک و بیمار را به صورت خودکار ضبط و به متن تبدیل می‌کند و نیازی به نوشتن شرح مکالمات توسط پزشک در پرونده بیمار نیست.

🔹 پزشک با یک پرامپت صوتی اطلاعات پزشکی بیمار، نتایج آزمایشها و سوابق بیمار را دریافت می نماید.

🔹 وظایف تکراری مانند قرار ملاقات با بیماران، ارسال یادآوری‌ها و حتی تهیه نسخه‌ها را به صورت خودکار انجام می‌دهد.

☑️ پی‌نوشت:
ورود چنین ابزارهایی به رشته دامپزشکی باعث نظم و سازماندهی بیشتر و همچنین ارتقای کیفیت درمان و ارتباط بین اونر و دامپزشک می‌شود. لازم است آماده استقبال از چنین نوآوری هایی باشیم !

🔗 Dragon Copilot

#ابزار
🤖  @Veterinary_AI  🐎

🟦 پرامپت نویسی صحیح و اصولی در پزشکی

✅ ویدئو با حجم بالا و طولانیست ولی تماشای آن توصیه می‌شود.

☑️ پی‌نوشت:
دقت‌های بالایی که ابزارهای هوش مصنوعی در تشخیص کسب میکنند -که بعضا نسبت به متخصصان درصد بالاتری‌ست- به علت استفاده صحیح و جامع و پرامپت دقیق توسط همان افراد متخصص است، نه یک فرد عادی که توقع دارد با صرف یک عکس رادیولوژی به تشخیص دقیق برسد!

🔗 منبع

#پرامپت
🤖  @Veterinary_AI  🐎

🟦 وتولوژی (Vetology)

🔹 ابزاری مبتنی بر هوش مصنوعی است که به دامپزشکان در تفسیر سریع و دقیق تصاویر رادیوگرافی حیوانات کمک می‌کند.

🔹 این هوش مصنوعی آموزش‌دیده، تصاویر رادیولوژی را تحلیل کرده و ناهنجاری‌ها را شناسایی می‌کند و در عرض چند دقیقه یک گزارش خودکار با یافته‌های اولیه هوش مصنوعی در اختیار دامپزشک قرار می‌دهد.

🔹 در صورت نیاز به نظر تخصصی‌تر، دامپزشکان می‌توانند درخواست گزارش از رادیولوژیست‌های معتبر و متخصص ثبت کنند.

🔗 Vetology
#ابزار
🤖  @Veterinary_AI  🐎

🟦 در ۱۴ درصد از مقالات علمی نشانه‌های استفاده از هوش مصنوعی وجود دارد.

🔹 یک پژوهش نشان می‌دهد که استفاده از ابزارهای هوش مصنوعی مانند ChatGPT برای نوشتن مقالات علمی به سرعت درحال افزایش است. براساس تحلیل‌ها، در سال گذشته میلادی از هر ۷ چکیده مقاله در حوزه زیست‌پزشکی، یک مورد احتمالاً با کمک هوش مصنوعی نوشته شده است.

🔹 محققان دانشگاه توبینگن آلمان در تحقیق جدیدی به بررسی میزان نفوذ مدل‌های زبانی بزرگ (LLM) در ادبیات علمی پرداختند. این پژوهش نشان می‌دهد که در سال ۲۰۲۴ بیش از ۲۰۰ هزار (۱۴ درصد) از ۱.۵ میلیون چکیده مقاله نمایه‌شده در پایگاه داده PubMed حاوی نشانه‌های قوی از ویرایش یا نگارش توسط هوش مصنوعی بوده‌اند.

🔗 منبع

🤖  @Veterinary_AI  🐎

🟦 کاربردهای هوش مصنوعی در مهندسی پزشکی

🔹 تشخیص بیماری‌ها

الگوریتم‌های AI قادر به تحلیل داده‌های تصویربرداری پزشکی مانند MRI، CT Scan و X-ray هستند و می‌توانند بیماری‌هایی مانند سرطان یا بیماری‌های ریوی را با دقت بالا تشخیص دهند.

🔹 طراحی و بهینه‌سازی تجهیزات پزشکی

در طراحی پروتزها، اندام‌های مصنوعی و تجهیزات تشخیصی، مانند دستگاه‌های نوار قلب و دیالیز، بهینه‌سازی‌های هوشمند ایجاد کرده است.

🔹 پزشکی شخصی‌ سازی‌ شده

تحلیل داده‌های ژنتیکی و سبک زندگی بیماران به کمک هوش مصنوعی، امکان تجویز درمان‌های متناسب با ویژگی‌های فردی بیمار را فراهم کرده است.

🔹 ربات‌های جراحی

ربات‌های جراح مبتنی بر AI می‌توانند با دقت بالا و خطای کمتر نسبت به انسان، در جراحی‌های حساس شرکت کنند.

🔗 برگرفته از #کتاب :
Topol, Eric – Deep Medicine

🔺 نویسنده کتاب استدلال می‌کند که پزشکان به دلیل حجم بالای کار، زمان کافی برای ارتباط انسانی با بیماران ندارند.
او مفهوم deep time را مطرح می‌کند که در آن پزشکان با کمک AI می‌توانند زمان بیشتری را صرف درک نیازهای عاطفی و روانی بیماران کنند.


☑️ بخشی از pdf کتاب در کامنت

🤖  @Veterinary_AI  🐎

🔹 Find the Best Dog Breed 🔹

🎥 تولید شده توسط واحد اینستاگرام تیم

✅ توضیحات بیشتر

〰〰〰〰〰〰〰〰〰〰〰〰

🔥 ما را در اینستاگرام دنبال کنید :

https://www.instagram.com/veterinary_ai

〰〰〰〰〰〰〰〰〰〰〰〰

#ابزار
🤖  @Veterinary_AI  🐎

🟦 جزوه فارسی آموزش «هوش مصنوعی»

🔹 این جزوه مباحث اصلی AI رو به صورت ساده و کاربردی توضیح داده

✅ مطالعه این جزوه برای علاقه‌مندان توصیه میشود.

📚 #کتاب
🤖   @Veterinary_AI   🐎

🟦 این هوش مصنوعی، مباحث پزشکی را با دقت ۹۲ درصد تشخیص می‌دهد!

🔹 هوش مصنوعی جدید WBM از داده‌های رفتاری شما یاد می‌گیرد؛ نه از ضربان قلب یا اکسیژن خون.

🔹 مطالعه‌ای با حمایت اپل نشان می‌دهد که داده‌های رفتاری کاربران مانند میزان تحرک، خواب و فعالیت بدنی می‌توانند اطلاعات به‌مراتب دقیق‌تری درباره‌ی سلامت انسان ارائه دهند، حتی دقیق‌تر از داده‌هایی نظیر ضربان قلب یا سطح اکسیژن خون. این پژوهش منجر به توسعه‌ی مدل پایه‌ای به نام WBM شده که فقط با اتکا به همین داده‌های رفتاری آموزش دیده است.

🔹 مدل WBM در آزمایش‌ها توانست در اکثر وظایف مربوط به سلامت عملکرد بهتری داشته باشد و در ترکیب با داده‌های حسگر، دقت تشخیص بارداری را به ۹۲ درصد برساند. این یافته‌ها نشان می‌دهد ترکیب هوش مصنوعی و داده‌های رفتاری راه را برای پایش هوشمند سلامت هموار می‌کند.

☑️ پی‌نوشت:
این دست مدل ها پتانسیل بالایی برای کمک به بررسی سلامت حیوانات، فحل‌یابی در دام های بزرگ، حساسیت به تغییر رفتار طیور و به طور کل هرگونه تشخیصِ بر پایه شاخصه رفتاری دارند.

🔗 منبع داخلی 🔗 منبع خارجی

🤖  @Veterinary_AI  🐎

🟦 معرفی تعدادی ابزار جذاب آموزش هوشمند :

🔹 Vaia 🔹

✔️ ابزار جامع برای ساخت فلش‌کارت و نمونه‌سوال

✔️ قابلیت شبیه‌سازی آزمون + برنامه‌ریزی درسی 

✔️ رایگان، اما ویژگی‌های پیشرفته پولی است.

#ابزار
🤖  @Veterinary_AI  🐎

🔹 Quizlet 🔹

✔️ محبوب‌ترین ابزار فلش‌کارت و نمونه‌سوال، گزینه‌ای عالی برای دانشجویان! 

✔️ پشتیبانی کامل از فارسی ندارد، اما قابلیت تبدیل فایل فارسی به سوال انگلیسی دارد. 

#ابزار
🤖  @Veterinary_AI  🐎

🔹 Gizmo 🔹
  
✔️ ابزار هوش‌مصنوعی مخصوص دانشجویان

✔️ ساخت سوالات و فلش‌کارت هوشمند

#ابزار
🤖  @Veterinary_AI  🐎

🔹 Coursera 🔹

✔️ پلتفرم دوره‌های آموزشی از دانشگاه‌های معتبر جهانی

✔️ دسترسی به مقالات و منابع علمی 

✔️ بیشتر دوره‌ها پولی، اما دوره‌های رایگان هم دارد.

✔️ مناسب همه رشته‌ها

#ابزار
🤖  @Veterinary_AI  🐎

🔹 Notion AI 🔹

✔️ کمک به نوشتن متن، خلاصه‌سازی، ایده‌پردازی، ترجمه و تولید محتوا
 
✔️ سازماندهی یادداشت‌ها و مطالب به‌صورت هوشمند
 
✔️ با تمرین، تسلط بر آن آسان می‌شود.

#ابزار
🤖  @Veterinary_AI  🐎

🟦 پین هوش مصنوعی Humane (AI Pin)

🔹 یک گجت پوشیدنی نوآورانه است که توسط شرکت Humane، استارتاپی تأسیس‌شده توسط کارمندان سابق اپل، طراحی شده و با هدف جایگزینی گوشی‌های هوشمند معرفی شد.

🔹 همچنین از هوش مصنوعی های پیشرفته، مانند مدل‌های مایکروسافت و OpenAI (مانند GPT-4)، بهره می‌برد و به طور رسمی با قیمت 699 دلار آمریکا با هزینه اشتراک ماهانه 24 دلار آمریکا عرضه شد.

🔹 این پین هوش مصنوعی در اصل یک گوشی هوشمند بدون صفحه نمایش است که به قفسه سینه بسته می‌شود و از لیزر برای نمایش یک رابط بصری بر روی کف دست کاربر استفاده می‌کند. همچنین میتوان از دستیار مجازی آن برای گرفتن عکس، برقراری تماس، ارسال پیام و ترجمه همزمان و ارائه اطلاعات استفاده کرد. این سیستم بجای استفاده از اپلیکیشن ها درخواست ها را به ابزارهای هوش مصنوعی مناسب هدایت می‌کند.

❌ اما این سیستم به علت مشکلات زیاد در عملکرد به موفقیت نرسید و در فوریه ۲۰۲۵ از دسترس خارج شد، در نهایت شرکت HP بخش بزرگی از فناوری های این شرکت را خریداری کرد تا به ادغام هوش مصنوعی در محصولات HP کمک کند.

🔗 Humane

🤖  @Veterinary_AI  🐎

🟦 هوش مصنوعی در خدمت سلامت ایرانیان

🔷 پلتفرم «ویرامد» با ۱۵ مدل تشخیصی بیماری بزودی راه‌اندازی می‌شود.

🔷‌ ‌حسین مستخدمین حسینی، عضو کمیسیون هوش مصنوعی و علوم داده نظام صنفی رایانه‌ای استان تهران:

🔹 این زیرساخت با قابلیت تعامل به ۱۲ زبان زنده دنیا، امکان خدمت‌رسانی به بیش از پنج میلیارد انسان را فراهم می‌کند.

🔹 تا امروز حدود ۱۵ مدل تشخیصی از جمله تشخیص آسیب‌های زانو، تومور مغزی، تومور کبد، پلی‌روده بزرگ، ماموگرافی، شبکیه چشم، سن استخوان از روی رادیولوژی و پردازش آزمایش‌های خون را طراحی کرده‌ایم.

🔹 دقت مدل‌های ما بین ۹۰ تا ۹۷ درصد است و هدف ما افزایش سرعت و دقت تشخیص توسط پزشکان است. این زیرساخت برای استفاده مستقیم عموم طراحی نشده، بلکه به عنوان دستیار پزشک عمل می‌کند تا دقت و سرعت تشخیص را ارتقا دهد.

🔗 منبع
🤖  @Veterinary_AI  🐎

🔹 Potential Application of AI for the Diagnosis of Parasitic Diseases

Pages: 33 - 37

🤖  @Veterinary_AI  🐎

🟦 کاربرد بالقوه هوش مصنوعی برای تشخیص بیماری‌های انگلی

🔹 تکنیک‌های تشخیصی سنتی انگل‌ها دارای محدودیت‌های عمده‌ای هستند که شامل زمان انجام بیشتر، هزینه‌های بالا، استفاده از تجهیزات حجیم و نیاز به کارکنان آموزش‌دیده در آزمایشگاه‌ها است.
به منظور اجتناب از این موانع برای تشخیص صحیح عوامل مختلف انگلی، رشد دقیق و سریع در تحقیقات هوش مصنوعی ابزار بسیار مهمی برای بهبود عملکرد دامپزشکی است.

🔹 مالاریا:
انگل‌های پلاسمودیوم اساساً مراحل چرخه زندگی یکسان اما پیچیده را نشان می دهند که شامل دو میزبان اصلی، یعنی یک میزبان مهره‌دار (انسان یا حیوان) و یک میزبان ناقل (پشه) می‌شود که مراحل داخل اریتروسیتی (تروفوزوئیت، شیزونت و گامتوسیت) باعث مالاریا می‌شوند.
اگرچه میکروسکوپ و تهیه لام اسمیر خون و رنگ‌آمیزی، روش استاندارد تشخیص مالاریاست، اما تشخیص انگل‌های جوان در مرحله حلقوی دشوار است و گزارش‌های اشتباه مکرر در مناطق آندمیک P. malariae با P. Knowlesi دریافت می‌کند.
مراحل مختلف این انگل را می توان به راحتی با تصاویر اسمیر خونی رنگ آمیزی تشخیص داد که می‌تواند به عنوان مجموعه تصاویر مورد استفاده برای تجزیه و تحلیل تشخیص مبتنی بر یادگیری عمیق مانند سیستم AIDMAN مفید باشد.

🔹 توکسوپلاسما:
توکسوپلاسما تقریباً تمام مهره داران خونگرم را آلوده می کند و دارای مراحل مختلف چرخه زندگی است. اووسیست‌های توکسوپلاسما در مدفوع، آب و محیط را می‌توان با فیلتراسیون یا سانتریفیوژ برای بررسی با میکروسکوپ نوری جدا کرد و کیست‌های بافتی را می‌توان رنگ‌آمیزی کرد که به تشخیص انگل‌ها از سلول‌های میزبان با رنگ‌آمیزی گیمسا، هماتوکسیلین و ائوزین یا اسید پریودیک Schiff کمک می‌کند. این روش ها نسبتا وقت گیر هستند و به مهارت قابل توجهی برای به دست آوردن نتایج تشخیص قابل اعتماد نیاز دارند. بنابراین، از deep learning برای شناسایی کیست T. gondii استفاده می‌شود که انگل‌های تجمع‌یافته شبیه تصاویر دسته‌ای از موز است.

🔹 کنه:
آلودگی به کنه نه تنها باعث از دست دادن خون در نشخوارکنندگان می شود، بلکه به عنوان ناقل برای بیماری‌های مختلف به ویژه بابزیوز و تیلریوز نیز عمل می کند. علاوه بر این، کنه ها می توانند انواع دیگر پاتوژن ها مانند بیماری لایم را نیز در دام منتقل کنند.
مدل deep learning می‌تواند بیش از 2000 تصویر کنه را در یک زمان شناسایی کند و معمولاً توسط پارامترهای مختلف، از جمله اندازه‌های معمولی تصاویر، معماری‌های یادگیری عمیق، سبک‌های تصویر، و توزیع مجموعه داده‌های تست آموزشی بهینه‌سازی می‌شود.

🔹 بحث و نتیجه گیری:
این مقاله در مورد کاربرد هوش مصنوعی و مزایای فوق‌العاده آن در پردازش تعداد زیادی تصویر برای اسمیر خون، نمونه‌های مدفوع و بیوپسی بافتی صحبت می‌کند.
با استفاده از ابزارهایی مانند CNN، هوش مصنوعی مراحل انگلی مانند تخم‌ها، لاروها و کرم‌های بالغ را کاملاً شناسایی و طبقه‌بندی کرده است.

☑️ مقاله مرتبط

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎