💐💐💐💐💐💐💐💐💐

~ Veterinary AI Team ~

💐💐💐💐💐💐💐💐💐

تیم هوش مصنوعی دامپزشکی سال نو را خدمت همه شما عزیزان تبریک میگوید 💫

امید است که سال پیشرو سالی سرشار از دستاوردها و موفیقت هایی بیشمار برای همه ما دغدغه‌مندان باشد.

🌺  @Veterinary_AI  🌺

🟦 مقایسه هوش مصنوعی با تشخیص رادیولوژیست دامپزشکی در تشخیص ادم ریوی قلبی در سگ‌ها

🔹 هدف مطالعه:
این مطالعه با هدف ارزیابی دقت، حساسیت و ویژگی یک نرم‌افزار مبتنی بر هوش مصنوعی (AI) در تشخیص ادم ریوی قلبی (CPE) در رادیوگرافی قفسه سینه سگ‌ها انجام شد. تشخیص رادیولوژیست دامپزشکی به عنوان استاندارد مرجع در نظر گرفته شد.

🔹 روش‌ها:
- انتخاب نمونه: 500 رادیوگرافی قفسه سینه سگ‌ که پس از ساعت‌های اداری در بخش اورژانس تهیه شده بودند، مورد بررسی قرار گرفتند. از این تعداد، 481 مورد قابل تحلیل بودند.
- تشخیص رادیولوژیست: رادیولوژیست دامپزشکی با گواهی ACVR، رادیوگرافی‌ها را بررسی و موارد CPE+ (مثبت) و CPE- (منفی) را تشخیص داد.
- تشخیص هوش مصنوعی: نرم‌افزار هوش مصنوعی (Vetology Innovations) رادیوگرافی‌ها را تحلیل و تشخیص CPE+ یا CPE- را ارائه داد.
- تحلیل داده‌ها: دقت، حساسیت، ویژگی، ارزش پیش‌بینی مثبت (PPV) و ارزش پیش‌بینی منفی (NPV) نرم‌افزار هوش مصنوعی در مقایسه با تشخیص رادیولوژیست محاسبه شد.

🔹 نتایج:
- دقت کلی: 92.3%
- حساسیت: (91.3% )یعنی نرم‌افزار 91.3% از موارد CPE+ را به درستی تشخیص داد.
- ویژگی: (92.4%)یعنی نرم‌افزار 92.4% از موارد CPE- را به درستی تشخیص داد.
- ارزش پیش‌بینی مثبت (PPV) 56%: یعنی 56% از مواردی که نرم‌افزار به عنوان CPE+ تشخیص داد، واقعاً مثبت بودند.
- ارزش پیش‌بین منفی (NPV) 99% : یعنی 99% از مواردی که نرم‌افزار به عنوان CPE- تشخیص داد، واقعاً منفی بودند.

🔹 بحث:
- کاربرد بالینی: نرم‌افزار هوش مصنوعی می‌تواند به عنوان یک ابزار غربالگری اولیه برای تشخیص CPE در سگ‌ها مورد استفاده قرار گیرد، به‌ویژه در مواقعی که رادیولوژیست در دسترس نیست. با این حال، به دلیل PPV پایین، تأیید تشخیص توسط رادیولوژیست همچنان ضروری است.
- تأثیر سن: سن بالاتر بیماران با افزایش احتمال اختلاف بین تشخیص رادیولوژیست و هوش مصنوعی مرتبط بود. این ممکن است به دلیل تغییرات رادیوگرافیک مرتبط با سن در ریه‌های سگ‌های مسن باشد.
- زمان تولید گزارش: میانگین زمان تولید گزارش توسط نرم‌افزار هوش مصنوعی 2.45 دقیقه بود که نسبتاً سریع است.

🔹 محدودیت‌ها:
- برخی موارد به دلیل عدم توانایی نرم‌افزار در تولید تشخیص خودکار، از تحلیل حذف شدند.
- تنها یک رادیولوژیست دامپزشکی رادیوگرافی‌ها را بررسی کرد که ممکن است تعمیم‌پذیری نتایج را محدود کند.
- مطالعه به‌طور خاص برای ارزیابی تأثیر نرم‌افزار هوش مصنوعی بر نتایج بالینی طراحی نشده بود.

🔹 نتیجه‌گیری:
نرم‌افزار هوش مصنوعی می‌تواند به عنوان یک ابزار غربالگری اولیه برای تشخیص ادم ریوی قلبی در سگ‌ها مفید باشد، اما تأیید تشخیص توسط رادیولوژیست دامپزشکی همچنان ضروری است. مطالعات آینده باید به بررسی تأثیر این نرم‌افزار بر تصمیم‌گیری‌های بالینی و نتایج بیماران بپردازند.

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

🔹 Deep Learning and Data Labeling for Medical Applications:

🔹 کاربرد یادگیری عمیق در تصاویر پزشکی

#کتاب
🤖  @Veterinary_AI  🐎

🟦‌‏ تشخیص سرطان با هوش مصنوعی: دقت 99 درصد در کشف علائم اولیه!

🔹 ‏هوش مصنوعی به‌ سرعت در حال تبدیل شدن به ابزاری رایج در تشخیص سرطان است و اکنون مدلی توسعه یافته که می‌تواند با دقتی نزدیک به 100 درصد علائم سرطان را شناسایی کند؛ حتی بهتر از چشم آموزش‌ دیده‌ پزشکان. این پیشرفت نویدبخش آینده‌ای است که در آن تشخیص بیماری‌ها با دقت و سرعت بالاتری انجام می‌شود.

‏🔹 یک تیم بین‌المللی از دانشمندان، از جمله محققانی از دانشگاه چارلز داروین استرالیا (CDU)، مدل هوش مصنوعی جدیدی به نام ECgMLP را توسعه داده‌اند.

‏🔹 مدل ECgMLP قادر است تصاویر میکروسکوپی سلول‌ها و بافت‌ها را تجزیه‌ و تحلیل کرده و سرطان آندومتر را با دقت 99.26 درصد تشخیص دهد.

🔗 منبع
🤖  @Veterinary_AI  🐎

🟦 استفاده از هوش مصنوعی برای پیش‌بینی احتمال زنده‌ماندن و نیاز به جراحی در اسب‌های مبتلا به درد حاد شکمی (کولیک)

🔹 مقدمه:
کولیک (درد حاد شکمی) یکی از شایع‌ترین مشکلات در اسب‌ها است که تأثیر اقتصادی قابل توجهی دارد و نگرانی اصلی برای صاحبان اسب‌ها محسوب می‌شود. علل کولیک می‌تواند از یک کولیک ساده تا انسداد خطرناک روده متغیر باشد. تشخیص دقیق و به‌موقع این بیماری برای تصمیم‌گیری در مورد نیاز به جراحی و پیش‌بینی احتمال زنده‌ماندن اسب‌ها بسیار حیاتی است. در این مطالعه، از هوش مصنوعی و یادگیری ماشین برای پیش‌بینی نیاز به جراحی و احتمال زنده‌ماندن اسب‌های مبتلا به کولیک استفاده شده است.

🔹 اهداف مطالعه:
هدف اصلی این مطالعه، بررسی توانایی الگوریتم‌های یادگیری ماشین در پیش‌بینی نیاز به جراحی و احتمال زنده‌ماندن اسب‌های مبتلا به کولیک بر اساس داده‌های بالینی اولیه است. این مدل می‌تواند به دامپزشکان و صاحبان اسب‌ها در تصمیم‌گیری‌های بالینی کمک کند.

🔹 مواد و روش‌ها:
1. جمع‌آوری داده‌ها:
   - داده‌های پزشکی ۲۸۵ اسب مبتلا به کولیک از یک بیمارستان آموزشی دامپزشکی جمع‌آوری شد.
   - داده‌ها شامل سن، جنس، نژاد، مدت زمان علائم، ضربان قلب، نتایج معاینه مقعدی، وجود ریفلاکس معده‌ای، نتایج آزمایش مایع شکمی و سایر اطلاعات بالینی بود.

2. الگوریتم‌های یادگیری ماشین:
   - از چهار الگوریتم یادگیری ماشین شامل درخت تصمیم (Decision Tree)، شبکه بیزی (Bayes Network)، ناوی بیز (Naive Bayes) و پرسپترون چندلایه (Multilayer Perceptron) استفاده شد.
   - داده‌ها با استفاده از روش اعتبارسنجی متقاطع ۵-fold ارزیابی شدند.

3. معیارهای ارزیابی:
   - دقت (Accuracy)، Recall، Precision و F-measure به عنوان معیارهای ارزیابی عملکرد مدل‌ها استفاده شدند.

🔹 نتایج:
1. پیش‌بینی نیاز به جراحی:
   - الگوریتم Random Forest با دقت متوسط ۷۶% و حداکثر دقت ۸۷.۷% بهترین عملکرد را در پیش‌بینی نیاز به جراحی داشت.
   - الگوریتم Bayes Network با Recall متوسط ۹۹.۳% بهترین عملکرد را در شناسایی اسب‌هایی که واقعاً نیاز به جراحی داشتند، نشان داد.

2. پیش‌بینی احتمال زنده‌ماندن:
   - الگوریتم Random Forest با دقت متوسط ۸۵.۲% و حداکثر دقت ۹۴.۷% بهترین عملکرد را در پیش‌بینی احتمال زنده‌ماندن اسب‌ها پس از جراحی داشت.
   - الگوریتم Bayes Network با Precision متوسط ۹۷.۴% بهترین عملکرد را در پیش‌بینی اسب‌هایی که زنده می‌ماندند، نشان داد.

3. اهمیت ویژگی‌های بالینی:
   - تاریخچه کولیک، نتایج معاینه مقعدی و وجود ریفلاکس معده‌ای به عنوان مهم‌ترین ویژگی‌ها در پیش‌بینی نیاز به جراحی شناسایی شدند.
   - انجام جراحی، سن و نتایج معاینه مقعدی به عنوان مهم‌ترین ویژگی‌ها در پیش‌بینی احتمال زنده‌ماندن شناسایی شدند.

🔹 بحث:
- این مطالعه نشان داد که هوش مصنوعی و یادگیری ماشین می‌توانند با دقت قابل قبولی نیاز به جراحی و احتمال زنده‌ماندن اسب‌های مبتلا به کولیک را پیش‌بینی کنند.
- با این حال، محدودیت‌هایی مانند حجم کم داده‌ها و عدم تعادل در داده‌ها (تعداد بیشتر اسب‌هایی که جراحی شدند یا زنده ماندند) بر دقت مدل‌ها تأثیر گذاشتند.
- در آینده، با افزایش حجم داده‌ها و افزودن ویژگی‌های بیشتر (مانند تصاویر سونوگرافی و نتایج آزمایش‌های تشخیصی)، می‌توان دقت مدل‌ها را بهبود بخشید.

🔹 نتیجه‌گیری:
- هوش مصنوعی و یادگیری ماشین می‌توانند به عنوان ابزاری مفید در پیش‌بینی نیاز به جراحی و احتمال زنده‌ماندن اسب‌های مبتلا به کولیک مورد استفاده قرار گیرند.
- این فناوری می‌تواند به دامپزشکان در تصمیم‌گیری‌های بالینی کمک کرده و از انجام روش‌های تهاجمی و پرهزینه جلوگیری کند.
- توسعه بیشتر این مدل‌ها با استفاده از داده‌های بیشتر و ویژگی‌های تشخیصی پیشرفته‌تر می‌تواند دقت و کارایی آن‌ها را افزایش دهد.

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

🔹 Using Artificial Intelligence to Predict Survivability Likelihood and
Need for Surgery in Horses Presented With Acute Abdomen (Colic)

🔗 Link

🤖  @Veterinary_AI  🐎

🔹 4 Uses of AI in Veterinary Medicine

🔗 منبع

🤖 @Veterinary_AI 🐎

🟦 کاربرد هوش مصنوعی در مدیریت گله‌های شیری گاو: تلفیق دانش و فناوری 🐄🤖


🔹 ۱. مقدمه و چارچوب مفهومی
- هوش مصنوعی (AI) سیستمی با قابلیت شبیه‌سازی استدلال انسانی
- کاربردهای کلیدی در گله‌داری:
  - تحلیل پیش‌بینانه داده‌های حجیم (Big Data)
  - خودکارسازی فرآیندهای تصمیم‌گیری
  - کاهش ۴۰-۶۰% خطای انسانی در تشخیص



🔹 ۲. کاربردهای پیشرفته و نمونه‌های عینی

الف- مدیریت سلامت پیشگیرانه
✅ تشخیص زودهنگام ورم پستان:
- ترکیب داده‌های:
  - هدایت الکتریکی شیر (±0.05 mS/cm)
  - شمارش سلول‌های سوماتیک
  - الگوی حرکتی (کاهش ۳۵% فعالیت)
- دقت ۹۴% با ۲۴-۴۸ ساعت پیش‌آگاهی (Jensen et al., 2016)

✅ پایش متابولیک:
- تحلیل طیف مادون قرمز شیر (MIR) برای:
  - تشخیص کتوز (دقت ۹۱%)
  - شناسایی اسیدوز (دقت ۸۷%)

✅ ارزیابی خودکار وضعیت بدنی:
- سیستم دوربین 3D + الگوریتم DL:
  - خطای ±0.25 امتیاز در مقیاس ۱-۵
  - همبستگی ۰.۹۵ با ارزیابی متخصصان

ب- بهینه‌سازی تولیدمثل
📈 سیستم یکپارچه فحلی‌یابی:
- ترکیب پارامترهای:
  1. افزایش ۸۵% فعالیت حرکتی
  2. تغییر الگوی تغذیه
  3. داده‌های پروژسترون شیر
- کاهش ۴۰% خطا نسبت به روش‌های مرسوم

🔮 پیش‌بینی موفقیت تلقیح:
- مدل ترکیبی با:
  - داده‌های ژنومیک
  - سوابق تولیدمثلی
  - پارامترهای شیردهی
- دقت ۶۷% (۱۵% بهبود نسبت به روش‌های سنتی)

ج- مدیریت هوشمند تغذیه
✅ پایش فردی مصرف خوراک:
- فناوری بینایی ماشین:
  - خطای اندازه‌گیری <5%
  - شناسایی ۱۰ نوع خوراک رایج
  - محاسبه RFI با دقت ۹۷%

🌿 بهینه‌سازی جیره:
- سیستم توصیه‌گر هوشمند:
  - کاهش ۱۵% هزینه‌های خوراک
  - بهبود ۱۲% کارایی تبدیل غذایی



🔹 ۳. چالش‌های فنی و راهکارهای نوین

الف- موانع اصلی
⚠️ چالش‌های داده‌ای:
- نرخ ۲۳% خطا در ثبت دستی
- مشکل همگام‌سازی داده‌های چندمنبعی

⚠️ محدودیت‌های مدلسازی:
- در داده‌های کوچکOverfitting
- تعمیم‌پذیری پایین بین گله‌ها

ب- راهکارهای پیشرفته
🛠 فناوری‌های نوین:
- یادگیری فدرال (Federated Learning)
- سنسورهای نسل جدید:
  - پچ‌های پوستی مانیتورینگ pH شکمبه
  - گوش‌های الکترونیکی تحلیل صدای نشخوار



🔹 ۴. الزامات اجرایی و اقتصادی

چک‌لیست پیاده‌سازی:
1. سخت‌افزار پایه:
   - سنسورهای فعالیت (حداقل ۵۰ دلار/رأس)
   - دوربین‌های پایش تغذیه

2. زیرساخت نرم‌افزاری:
   - پلتفرم یکپارچه مدیریت داده‌ها
   - سیستم‌های تصمیم‌یار هوشمند

3. منابع انسانی:
   - آموزش ۴۰ ساعته اپراتورها
   - حضور مشاور فنی در گله‌های بزرگ

📊 تحلیل اقتصادی:
- هزینه اولیه: ۲۰۰-۳۰۰ دلار/رأس
- دوره بازگشت سرمایه: ۲-۳ سال
- صرفه‌جویی سالانه: ۶۰-۸۰ دلار/رأس



🔹 ۵. نقش استراتژیک دامپزشکان
👨⚕️ مشارکت حیاتی در:
- اعتبارسنجی بالینی داده‌ها
- تعریف پروتکل‌های استاندارد
- تفسیر خروجی‌های سیستم‌های هوشمند
- پل ارتباطی بین فناوری و عمل



🔹 ۶. جمع‌بندی و چشم‌انداز آینده
- هوش مصنوعی در حال ایجاد تحول پارادایم در دامپروری است
- چالش‌های فعلی عمدتاً فنی و اجرایی هستند
- نیاز به همکاری سه‌جانبه:
  - متخصصان علوم دامی
  - دامپزشکان
  - مهندسان هوش مصنوعی

🚀 ترندهای آینده:
- ربات‌های خودکار گله‌داری
- سیستم‌های دیجیتال تویین
- ادغام داده‌های اُمیکس (ژنومیک، متابولومیک)

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

🟦 55 اصطلاح مهم یادگیری ماشین

🔹 اصطلاح انگلیسی + معادل فارسی + توضیح

✅ از آنجایی که در مقالاتی که برای شما عزیزان گذاشته میشود اصطلاحات حوزه هوش مصنوعی و ماشین لرنینگ بکار برده میشود، مطالعه این جزوه برای درک بهتر این اصطلاحات توصیه میگردد.

📚 #کتاب
🤖  @Veterinary_AI  🐎

🔹 معرفی هوش مصنوعی 🔹

ابزار هوش مصنوعی برای بررسی و تشخیص متون نوشته شده توسط AI

🌐 سایت: www.gptzero.me

1⃣ ابتدا وارد سایت شده و در فیلد ابتدای صفحه، متن خود را وارد کنید.

2⃣ دکمه Scan را زده و نتایج به این صورت که چند درصد توسط AI ساخته شده و چند درصد توسط انسان نوشته شده است به نمایش در می آید.

#ابزار
🤖  @Veterinary_AI  🐎

🔹 Artificial intelligence and avian influenza: Using machine learning to enhance active surveillance for avian influenza viruses

🤖  @Veterinary_AI  🐎

🟦 هوش مصنوعی در برابر آنفولانزای پرندگان: نبردی در آسمان‌ها

آنفولانزای پرندگان، کابوسی جهانی برای سلامت انسان، دام و حیات وحش، همواره چالشی بزرگ برای دامپزشکان و محققان بوده است. اما نگران نباشید، چرا که هوش مصنوعی (AI) با قدرت بی‌نظیر خود، وارد این میدان نبرد شده تا ما را در مهار این بیماری یاری کند! در این مقاله، قصد داریم به بررسی یکی از جذاب‌ترین کاربردهای AI در دامپزشکی، یعنی پیش‌بینی و مهار آنفولانزای پرندگان با کمک یادگیری ماشین بپردازیم.

🔹 وقتی آنفولانزا به پرواز درمی‌آید

پرندگان وحشی، به ویژه پرندگان آبزی، مخازن طبیعی ویروس آنفولانزای پرندگان هستند. این ویروس‌ها به سرعت در سراسر جهان پخش می‌شوند و می‌توانند خسارات جبران‌ناپذیری به صنعت طیور و سلامت انسان وارد کنند. به همین دلیل، نظارت فعال و دقیق بر جمعیت‌های پرندگان وحشی، امری ضروری و حیاتی است.

🔹 رمزگشایی از معمای آنفولانزا با هوش مصنوعی

هدف اصلی این تحقیق، استفاده از الگوریتم‌های یادگیری ماشین برای پیش‌بینی احتمال جداسازی ویروس آنفولانزای پرندگان (AIV) از نمونه‌های جمع‌آوری‌شده از پرندگان وحشی بود. به عبارت دیگر، میخواستند بدانند که آیا می‌توان با کمک AI، پرندگانی را که احتمال آلودگی بیشتری دارند، شناسایی کرد؟

🔹 از داده‌ها تا دانش؛ چگونه ماشین‌ها یاد می‌گیرند؟

در این مطالعه، داده‌های جمع‌آوری‌شده در بازه زمانی 2006 تا 2011 در ایالات متحده مورد بررسی قرار گرفت. ویژگی‌های مختلفی مانند سن، جنس، نوع پرنده، موقعیت جغرافیایی و نتایج آزمایش‌های rRT-PCR برای آموزش مدل‌های یادگیری ماشین مورد استفاده قرار گرفتند. در نهایت، بهترین مدل با استفاده از الگوریتم درخت‌های تقویت‌شده گرادیانی ایجاد شد.

🔹 پیش‌بینی‌های شگفت‌انگیز؛ هوش مصنوعی چه می‌گوید؟

مدل نهایی، قدرت پیش‌بینی بسیار بالایی داشت و توانست با دقت قابل قبولی، احتمال جداسازی ویروس آنفولانزای پرندگان را پیش‌بینی کند. جالب است بدانید که این مدل، موقعیت جغرافیایی و نتایج آزمایش‌های rRT-PCR را به عنوان مهم‌ترین عوامل پیش‌بینی‌کننده شناسایی کرد.

نقشه خطر؛ کدام مناطق در معرض تهدیدند؟ موقعیت جغرافیایی پرندگان، اطلاعات مهمی درباره احتمال آلودگی آنها ارائه می‌دهد.

نشانه‌های پنهان؛ چگونه ویروس را زودتر تشخیص دهیم؟ نتایج آزمایش‌های rRT-PCR، سرنخ‌های ارزشمندی برای شناسایی ویروس در مراحل اولیه فراهم می‌کنند.

یک کارآگاه هوشمند؛ چگونه الگوها را پیدا می‌کند؟ مدل یادگیری ماشین با تحلیل داده‌ها، الگوهای پنهان را کشف می‌کند و به ما در پیش‌بینی و مهار آنفولانزا کمک می‌کند.

🔹 آینده‌ای روشن‌تر با هوش مصنوعی

نتایج این تحقیق نشان می‌دهد که یادگیری ماشین می‌تواند به طور چشمگیری کارایی و اثربخشی برنامه‌های نظارت فعال AIV را بهبود بخشد. این مدل می‌تواند برای اولویت‌بندی نمونه‌ها و ارزیابی سریع طرح‌های نظارتی مورد استفاده قرار گیرد. با کمک AI، می‌توانیم منابع محدود را به طور بهینه‌تری مدیریت کنیم و احتمال جداسازی ویروس را به حداکثر برسانیم.

🔗 منبع

#خلاصه_مقاله
🤖 @Veterinary_AI 🐎