🟦 تیم Veterinary AI با همکاری معاونت پژوهشی دانشکده دامپزشکی دانشگاه فردوسی مشهد برگزار می‌کند:
〰〰〰〰〰〰
✨ VET STAR ✨
〰〰〰〰〰〰
🔹 مسابقه ملی ایده‌پردازی
🔹 فرصتی برای ذهن‌‌های خلاق!
🔹 نشان بدهید که متفاوت می‌اندیشید!

📣  دانشجویان و علاقه‌مندان می‌توانند ایده‌ خود را در قالب یک فایل Word (مشابه چکیده مقاله، حداکثر ۶۰۰ کلمه) همراه با فرم مالکیت فکری و موافقت‌نامه انتشار ایده (پیوست در کامنت) به ایمیل پژوهشی دانشکده ارسال نمایند. ایده‌های دریافتی پس از داوری، در مراسم هفته پژوهش در سالن اجتماعات دانشکده معرفی خواهند شد.

📩 vet-research@ferdowsi.um.ac.ir

⏰ مهلت ارسال ایده‌ها: تا تاریخ 1404/09/07

📊 ملاک‌های ارزیابی:
نوآوری ✦ امکان‌پذیری ✦ پتانسیل تجاری‌سازی ✦ کاربرد در دامپزشکی کشور ✦ نحوه ارائه و مستندسازی

💡 محورهای مسابقه:
•  آموزش خلاقانه دامپزشکی
•  نوآوری در تغذیه دام و طیور
•  روش‌های مدیریتی نوین دامپزشکی
•  ایده‌های نو در تشخیص و درمان بیماری‌ها
•  فناوری‌های نوین (هوش مصنوعی، اینترنت اشیا و...)

〰〰〰〰〰〰〰〰〰〰〰〰
☑️ جهت راهنمایی با آیدی زیر در ارتباط باشید:

🆔 @Soren_Mohammadi
〰〰〰〰〰〰〰〰〰〰〰〰

🤖  @Veterinary_AI  🐎

🟦 محققان دانشگاه USC الگوریتم هوش مصنوعی جدیدی به نام RED ساخته‌اند که می‌تواند در کمتر از ۱۰ دقیقه، سلول‌های سرطانی نادر را در نمونه خون تشخیص دهد!

🔹 برخلاف روش‌های قدیمی که نیاز به شناخت دقیق شکل سلول‌های سرطانی دارند، این الگوریتم با بررسی میلیون‌ها سلول طبیعی، الگوهای غیرمعمول را پیدا می‌کند و بدون نیاز به جزئیات سلول‌ها، سرطان را شناسایی می‌کند.

🔹 این امر سرعت تشخیص سرطان را ۱۰۰۰ برابر سریع‌تر کرده و دقت آن را به ۹۹٪ می‌رساند!

☑️ فایل pdf مقاله در کامنت

🔗 منبع

🤖  @Veterinary_AI  🐎

🟦 تشخیص آنی انگل Trypanosoma cruzi با هوش مصنوعی و میکروسکوپ گوشی هوشمند

🔹 بیماری چاگاس حدود ۶ تا ۷ میلیون نفر را در جهان درگیر کرده و تشخیص سریع آن در مناطق کم‌منبع چالش‌برانگیز است.

🔹 در این پژوهش، سامانه‌ای هوش مصنوعی قابل‌حمل توسعه یافت که با آداپتور چاپ سه‌بعدی، دوربین گوشی را با میکروسکوپ هم‌راستا کرده و تصاویر را برای تحلیل خودکار به مدل‌های هوش مصنوعی ارسال می‌کند.

🔹 دو مدل سبک SSD-MobileNetV2 و YOLOv8 برای شناسایی آنی انگل‌ها در تصاویر میکروسکوپی استفاده شدند. داده‌های آموزشی شامل ۴۷۸ تصویر انسانی و ۵۷۰ تصویر از نمونه‌های موش بود.

🔹 مدل SSD-MobileNetV2 در نمونه‌های انسانی به دقت ۸۶٪، یادآوری ۸۷٪ و نمره F1 معادل ۸۶.۵٪ دست یافت. نتایج نشان‌دهنده عملکرد قابل‌اعتماد در شرایط متغیر تصویربرداری است.

🔹 این سامانه امکان تشخیص سریع و دقیق انگل را در محیط‌های میدانی بدون زیرساخت‌های پیشرفته فراهم می‌کند و قابلیت گسترش به سایر پاتوژن‌ها را دارد.

☑️ فایل pdf مقاله در کامنت

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

🔹 PawTrack 🔹

✔️ یک اپلیکیشن برای صاحبان حیوانات خانگی که مراقبت از پت‌ها را ساده و حرفه‌ای می‌کند.

✔️ برنامه‌ریزی مراقبت‌های دوره‌ای مانند واکسیناسیون، درمان ضد انگلی و ویزیت دامپزشک با هشدار یادآوری و دنبال کردن سابقه سلامت.

✔️ پیدا کردن موقعیت دامپزشک‌ها و همچنین مشاوره دامپزشکی هوشمند.

☑️ PawTrack
#ابزار
🤖  @Veterinary_AI  🐎

🔹 مروری بر دستاوردهای هوش مصنوعی در دامپزشکی

🤖  @Veterinary_AI  🐎

🟦 ادغام هوش مصنوعی (AI) و یادگیری ماشین (ML) در بیوتکنولوژی به‌ویژه در کشورهای در حال توسعه اهمیت بالایی دارد، چرا که کشاورزی و دامداری ستون فقرات اقتصاد این کشورها را تشکیل می‌دهند.

🔹 این فناوری‌ها به بهبود روش‌های اصلاح نژاد، تشخیص بیماری، ارتقاء کلی رفاه حیوانات، پیش‌بینی سریع رشد، تحلیل رفتار، بازده خوراک دام، پیشبینی عرضه دام و خروجی‌های تولید کمک می‌کند.

🔹 تحلیل ژنتیک و انتخاب صفات کلیدی با دقت بالا (ابزارهایی مانند CRISPR با پشتیبانی از AI می‌توانند اصلاح ژنتیکی هدفمند و سریع‌تر را ممکن سازند.)

🔹 ترکیب کلونینگ با هوش مصنوعی، به عنوان مثال شناسایی مهارکننده‌ های پروتئاز سرین و شبیه‌سازی واکسن در محیط کامپیوتر با استفاده از ML موجب صرفه‌جویی در زمان و کاهش نیاز به تست حیوانی شده‌اند.

🔹 در مرغ‌های گوشتی نیز دقت پیش‌بینی بازده لاشه بررسی شده است که مدل‌های مختلف ML نتایج متنوعی ارائه داده‌اند.

☑️ فایل pdf مقاله در کامنت

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

🟦 شناسایی هوشمند دام

🔹 سیستم‌هایی مانند گوشواره‌ RFID مستعد گم شدن و آسیب هستند. این پژوهش سیستم نوین مبتنی بر پردازش تصویر را جهت رفع چالش‌های سنتی ارائه می‌دهد.

🔹️ بهره‌گیری از معماری YOLOv8 برای تشخیص Real-time گاوها با قابلیت شناسایی در شرایط نوری متنوع و محیط‌های مختلف و همچنین تعریف مناطق برای تمرکز پردازش (ROI)

🔹️ پیاده‌سازی الگوریتم رهگیری مبتنی بر موقعیت Bounding Box و اختصاص شناسه محلی منحصربه‌فرد به هر رأس دام همراه با حل چالش تغییر شناسه (ID-Switching)

🔹️ استخراج ویژگی‌های تصویر با شبکه عصبی عمیق VGG16 و طبقه‌بندی با ماشین بردار پشتیبان (SVM)

☑️ دقت شناسایی: ۹۶.۳۴٪

☑️ دقت رهگیری: ۹۸.۹۰٪

☑️ اعتبارسنجی: دقت ۰.۹۵ با انحراف معیار ۰.۰۱

🔹 این پژوهش اثبات می‌کند که این سیستم پیشنهادی نه تنها یک جایگزین عملی و دقیق برای روش‌های متعارف شناسایی دام محسوب می‌شود، بلکه به دلیل ماهیت غیرتماسی (Contactless) و هزینه نگهداری پایین پتانسیل بالایی برای تحول سیستم‌های پایش سلامت و مدیریت دام در دامداری‌های صنعتی دارد.

☑️ فایل pdf مقاله در کامنت

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

☑️ پی‌نوشت:

🔺 الگوریتم یادگیری ماشین SVM (ماشین بردار پشتیبان) یک الگوریتم برای دسته‌بندی است که با پیدا کردن بهترین خط جداکننده بین دو کلاس داده‌ها عمل می‌کند. هدف آن بیشینه کردن فاصله (حاشیه) تا نزدیک‌ترین نمونه‌های هر کلاس است تا دقت مدل افزایش یابد. کاربردهای آن شامل تشخیص تصویر، متن و بیوانفورماتیک است. ◀️ توضیحات بیشتر

🔺 جعبه محدودکننده (Bounding Box) یک کادر مستطیلی است که دور یک شیء در تصویر یا ویدئو کشیده می‌شود تا موقعیت و اندازه آن شیء را مشخص کند. معمولاً در کاربردهای بینایی ماشین مانند تشخیص اشیاء (Object Detection) استفاده می‌شود. این ابزار پایه‌ای برای الگوریتم‌هایی مثل YOLO، SSD و Faster R-CNN است که اشیاء را در تصاویر شناسایی و موقعیت‌یابی می‌کنند.

☑️ تصویر توضیحات در کامنت

🤖  @Veterinary_AI  🐎

🔹 DVM360 🔹

✔️ مرجع تخصصی و جامع برای ارائه‌ی مقالات علمی، گزارش‌های موردی، پادکست و ویدیوهای آموزشی از متخصصان برجسته دامپزشکی

✔️ پوشش تازه‌ترین اخبار و یافته‌ها در حوزه بیماری‌ها، درمان‌ها، داروها و مراقبت از حیوانات

✔️ بخش مدیریت کلینیک (Practice Management) با آموزش‌های کاربردی در زمینه بازاریابی، ارتباط با مشتری و توسعه کسب‌وکار دامپزشکی

✔️ امکان عضویت رایگان برای دسترسی به مقالات و وبینارها، با گزینه‌ی محتوای پولی حرفه‌ای (Premium) برای کاربران پیشرفته

☑️ DVM360

🤖  @Veterinary_AI  🐎

🟦 برچسب گذاری تصاویر پزشکی

🔹 برچسب‌گذاری تصاویر پزشکی فرآیند نشانه‌گذاری بخش‌های مهم تصاویر پزشکی برای آموزش مدل‌های هوش مصنوعی و کمک به تشخیص بهتر بیماری‌ها، تومورها، ضایعات و سایر نواحی مورد نظر در تصاویر است.

🔹 این کار معمولاً توسط متخصصان به صورت دستی انجام می‌شود اما می‌تواند نیمه‌خودکار یا خودکار نیز باشد. ابزارهایی مانند 3D Slicer، Labelbox، ITK-SNAP و VGG Image Annotator (VIA) برای این منظور استفاده می‌شوند.

🤖  @Veterinary_AI  🐎

🔹 How to use Boltz-2 🔹

🔗 منبع
🤖  @Veterinary_AI  🐎

🟦 انقلابی در طراحی محاسباتی دارو

🔹 مدل هوش مصنوعی Boltz-2 یک مدل هوش مصنوعی پیشرفته توسعه‌یافته توسط کلینیک MIT Jameel است که برای طراحی محاسباتی دارو طراحی شده است.

🔹 این مدل همزمان ساختار سه‌بعدی مولکول‌ها و میزان اتصال آن‌ها به پروتئین‌های هدف را در عرض ۱۸ ثانیه پیش‌بینی می‌کند، با دقت مشابه روش‌های آزمایشگاهی اما بیش از ۱۰۰۰ برابر سریع‌تر و ارزان تر.

🔹 کاربردها شامل طراحی دارو برای بیماری‌هایی مانند سرطان، آلزایمر، HIV و مقاومت آنتی‌بیوتیکی است. بر پایه یادگیری عمیق (مانند diffusion models) و داده‌های بزرگ ساخته شده و بهبودیافته نسبت به Boltz-1.

☑️ اوپن‌سورس و رایگان؛ کد و #ابزار ها در GitHub و سایت MIT موجود است.

🤖  @Veterinary_AI  🐎