🟦 هوش مصنوعی یا به اختصار AI چیست؟

🔹 هوش مصنوعی (Artificial Intelligence)، فرایند ساخت ماشین‌های هوشمندی است که از حجم وسیعی از داده‌ها استفاده می‌کنند. این فرایند ماشین‌ها را قادر می‌سازد تا بدون دستور مستقیم برای انجام کاری و به صورت خودمختار (Autonomous) با سطوح هوشی مشابه انسان بتوانند تفکر منطقي، حس، درک، یادگیری و عمل داشته باشند. AI از الگوریتم‌ها و روش‌های پیچیده برای ساخت ماشین‌هایی استفاده می‌کند که بتوانند به تنهایی (خودمختارانه) تصمیم بگیرند.

🔹 به عبارتی سیستم‌ها‌ی هوشمند از آموخته‌ها و تجربیات گذشته‌ی خود یاد می‌گیرند و وظایفی شبیه به انسان را انجام می‌دهند تا بتوانند سرعت، دقت و اثربخشی تلاش‌های انسان در انجام کارها را افزایش دهند و نیز بهترین نتایج مورد انتظار را تولید کنند.

🔹 هوش مصنوعی برای اجرای عملکرد خود به داده (Data) نیاز دارد. داده‌ها به سیستم‌های هوش مصنوعی اجازه می‌دهند تا الگوهایی بسازند، و سپس از آنها برای تولید پیش‌بینی‌ها و شبیه‌سازی‌ها یا استنباط اطلاعات درباره جهان استفاده می‌کنند.

🤖  @Veterinary_AI  🐎

🔹 خلاصه‌ای از تاریخچه هوش مصنوعی 🔹

🤖  @Veterinary_AI  🐎

🟦 هوش مصنوعی در دامپزشکی

🔹 تصور کنید که در یک جهان آینده، حیوانات شما نه تنها از مراقبت‌های بهداشتی پیشرفته برخوردار باشند، بلکه فناوری‌های نوین به طور فعال در تشخیص و درمان بیماری‌های آنها نقش داشته باشند. این آینده، با ظهور هوش مصنوعی (AI) در دامپزشکی، به واقعیت تبدیل می‌شود. در این مقاله، به بررسی نقش‌های AI در این حوزه می‌پردازیم و می‌بینیم که چگونه این فناوری می‌تواند زندگی حیوانات و انسان‌ها را تغییر دهد.

🔹 تشخیص بیماری‌ها، یک گام به جلو

هوش مصنوعی با استفاده از Machine Learning و الگوریتم‌های پیچیده، می‌تواند داده‌های پزشکی را تحلیل کند و به تشخیص بیماری‌های حیوانات کمک کند. تصاویر رادیولوژی، سونوگرافی و MRI را با دقت بالایی تجزیه و تحلیل می‌کند تا ناهنجاری‌های داخلی، تومورها و شکستگی‌ها را شناسایی کند. این فناوری نه تنها دقت تشخیصی را افزایش می‌دهد، بلکه از خطاهای انسانی جلوگیری می‌کند و فرآیند درمان را تسریع می‌کند.

🔹 پیش‌بینی بیماری‌ها، یک قدم جلوتر از بیماری

هوش مصنوعی می‌تواند با تحلیل داده‌های تاریخچه‌ای الگوهای بالینی، احتمال بروز بیماری‌های خاص در حیوانات را پیش‌بینی کند. این پیش‌بینی به دامپزشکان کمک می‌کند تا مراقبت‌های پیشگیرانه را ارائه دهند و از بروز بیماری‌های مزمن جلوگیری کنند. به عنوان مثال، AI می‌تواند خطر ابتلا به بیماری مزمن کلیه در گربه‌ها را پیش‌بینی کند و برنامه‌های درمانی مناسب را پیشنهاد دهد.

🔹 شخصی‌سازی درمان، هدفی نزدیک

هوش مصنوعی با در نظر گرفتن ویژگی‌های ژنتیکی، تاریخچه پزشکی و سبک زندگی هر حیوان، می‌تواند برنامه‌های درمانی شخصی‌سازی شده را طراحی کند. این رویکرد به درمان‌های موثرتر و کارآمدتر منجر می‌شود و کیفیت زندگی حیوانات را بهبود می‌بخشد. به عنوان مثال، AI می‌تواند برنامه‌های درمانی را برای حیواناتی که به دیابت یا بیماری‌های قلبی مبتلا هستند، بهینه کند.

🔹 توسعه داروهای جدید، یک گام به سمت آینده

هوش مصنوعی در کشف داروهای جدید و مؤثر برای درمان بیماری‌های حیوانات نیز نقش دارد. با تحلیل داده‌های ژنومی و الگوهای بیماری، AI می‌تواند به دانشمندان کمک کند تا داروهای جدیدی را کشف کنند و درمان‌های شخصی‌سازی شده را توسعه دهند.

🔹 چالش‌ها و آینده

با وجود مزایای بسیار AI در دامپزشکی، چالش‌هایی نیز وجود دارد. کمبود داده‌های با کیفیت و هزینه بالای توسعه سیستم‌های AI از جمله این چالش‌ها هستند. اما آینده AI در دامپزشکی بسیار روشن است. با پیشرفت فناوری و افزایش دسترسی به داده‌ها، AI می‌تواند نقش مهمی در بهبود سلامت و رفاه حیوانات ایفا کند.

در نهایت، AI در دامپزشکی می‌تواند زندگی حیوانات و انسان‌ها را به طور بنیادین تغییر دهد. با همکاری متخصصان دامپزشکی و کارشناسان AI، می‌توانیم به آینده‌ای بهتر برای بهداشت و سلامت حیوانات امیدوار باشیم.

🔗 منبع

#خلاصه_مقاله
🤖 @Veterinary_AI 🐎

🟦 ارزیابی الگوریتم‌های هوش مصنوعی برای استفاده در رادیولوژی دامپزشکی


🔹 1. پیشرفت‌های هوش مصنوعی در رادیولوژی دامپزشکی 🐾🤖 
- هوش مصنوعی (AI) به سرعت در حال پیشرفت است و کاربردهای آن در رادیولوژی دامپزشکی مورد توجه قرار گرفته است. 
- الگوریتم‌های AI می‌توانند در تشخیص ناهنجاری‌های رادیوگرافیک به دامپزشکان کمک کنند. 
- برخی محصولات تجاری و حتی پلتفرم‌های رایگان برای تشخیص ناهنجاری‌های رایج در حیوانات کوچک و اسب‌ها در دسترس هستند. 


🔹 2. مزایای هوش مصنوعی برای دامپزشکان 🩺💡 
- تفسیر سریع و کم‌هزینه‌تر تصاویر رادیوگرافی. 
- کاهش خطاهای تشخیصی و کمک به دامپزشکان عمومی که ممکن است در تشخیص ناهنجاری‌ها تردید داشته باشند. 
- جایگزینی یا کمک به رادیولوژیست‌های دامپزشکی به دلیل کمبود تعداد آن‌ها. 


🔹 3. محدودیت‌های فعلی هوش مصنوعی ⚠️🧠 
- الگوریتم‌های فعلی فقط احتمال وجود ناهنجاری‌ها را تخمین می‌زنند و تفسیر کامل رادیوگرافی را ارائه نمی‌دهند. 
-هوش مصنوعی نمی‌تواند جایگزین قضاوت بالینی دامپزشکان شود و فقط به عنوان یک سیستم پشتیبانی تصمیم‌گیری (DSS) عمل می‌کند. 


🔹 4. تفاوت‌های AI در رادیولوژی انسانی و دامپزشکی 🧑‍⚕️🐶 
- در پزشکی انسانی، AI معمولاً برای تشخیص یک ناهنجاری خاص (مانند سرطان پستان) استفاده می‌شود. 
- در دامپزشکی، AI برای تشخیص چندین ناهنجاری پیچیده در اندام‌های مختلف (مانند قفسه سینه، شکم و سیستم اسکلتی-عضلانی) آموزش داده می‌شود. 


🔹 5. چالش‌های آموزش الگوریتم‌های AI 📊🔍 
- اندازه و کیفیت داده‌ها: داده‌های آموزشی باید بزرگ و باکیفیت باشند تا الگوریتم‌ها دقیق عمل کنند. 
- تعیین حقیقت پایه (Ground Truth): تشخیص صحیح ناهنجاری‌ها توسط متخصصان (مانند رادیولوژیست‌ها) برای آموزش الگوریتم‌ها ضروری است. 
- تنوع گونه‌ها و نژادها: در دامپزشکی، تنوع آناتومیکی و بیماری‌ها چالش‌های بیشتری را ایجاد می‌کند. 


🔹 6. معیارهای ارزیابی عملکرد الگوریتم‌های AI 📈✅ 
- دقت (Accuracy): درصد تشخیص‌های صحیح. 
- حساسیت (Sensitivity): توانایی تشخیص موارد بیمار. 
- ویژگی (Specificity): توانایی تشخیص موارد سالم. 
- ارزش پیش‌بین مثبت (PPV) و منفی (NPV): میزان اعتماد به تشخیص‌های مثبت و منفی AI. 


🔹 7. ملاحظات بالینی و کاربردی 🏥💻 
- قابلیت استفاده: AI باید با workflow فعلی دامپزشکان سازگار باشد. 
- تأثیر بالینی: AI باید منجر به بهبود نتایج بیمار و کاهش هزینه‌ها شود. 
- شفافیت نتایج: دامپزشکان باید بتوانند نتایج AI را به راحتی تفسیر کنند. 


🔹 8. چالش‌های حقوقی و اخلاقی ⚖️🔐 
- مسئولیت خطاهای تشخیصی AI بر عهده کیست؟ 
- حریم خصوصی داده‌های بیماران چگونه حفظ می‌شود؟ 
- چه کسی مالک داده‌های ارسال شده به الگوریتم‌ها است؟ 


🔹 9. جمع‌بندی و آینده هوش مصنوعی در دامپزشکی 🌟🔮 
- هوش مصنوعی پتانسیل زیادی برای بهبود مراقبت‌های دامپزشکی دارد، اما باید به‌طور مسئولانه و سیستماتیک توسعه یابد. 
- همکاری بین محققان، توسعه‌دهندگان و دامپزشکان برای بهبود عملکرد و کاربرد بالینی AI ضروری است.

🔗 منبع

#خلاصه_مقاله
🤖 @Veterinary_AI 🐎

🟦 مروری کلی بر هوش مصنوعی در تصویربرداری دامپزشکی

🔹 مقدمه:
هوش مصنوعی (AI) و به‌ویژه یادگیری ماشین (ML)، تحول عظیمی در علوم کامپیوتر و به‌طور خاص در تحلیل تصاویر پزشکی و دامپزشکی ایجاد کرده‌اند. افزایش قدرت محاسباتی و دسترسی به داده‌های برچسب‌گذاری شده، این پیشرفت را تسریع کرده است. شبکه‌های عصبی کانولوشنی عمیق (CNNs) مانند AlexNet، با توانایی خود در طبقه‌بندی تصاویر، نقش مهمی در این تحول داشته‌اند. این مقاله، مفاهیم کلیدی ML را برای دامپزشکان تشریح کرده و کاربردهای آن در تصویربرداری حیوانات کوچک را بررسی می‌کند.

🔹 یادگیری ماشین (ML):
یادگیری ماشین به جای برنامه‌نویسی صریح، از طریق شناسایی الگوها در داده‌ها، به تحلیل و پیش‌بینی می‌پردازد. دو نوع اصلی آن عبارتند از: یادگیری بدون نظارت (بدون داده‌های برچسب‌گذاری شده) و یادگیری نظارت‌شده (با داده‌های برچسب‌گذاری شده). در تصویربرداری پزشکی، یادگیری نظارت‌شده کاربرد بیشتری دارد. شبکه‌های عصبی مصنوعی (ANNs) با الهام از سیستم عصبی انسان، از لایه‌های ورودی، پنهان و خروجی تشکیل شده‌اند. یادگیری عمیق، با داشتن لایه‌های پنهان متعدد، امکان یادگیری الگوهای پیچیده‌تر را فراهم می‌کند. برای جلوگیری از بیش‌برازش (Overfitting)، از روش‌هایی مانند افزایش داده‌ها و توقف زودهنگام استفاده می‌شود.

🔹 شبکه‌های عصبی کانولوشنی (CNNs):
شبکه‌های عصبی CNN به‌طور ویژه برای تحلیل تصاویر طراحی شده‌اند. آن‌ها از لایه‌های کانولوشن (برای استخراج ویژگی‌های تصویر با استفاده از فیلترها)، ادغام (برای کاهش ابعاد تصویر و محاسبات) و کاملاً متصل تشکیل شده‌اند. این شبکه‌ها در وظایفی مانند طبقه‌بندی و قطعه‌بندی تصاویر بسیار کارآمد هستند.

🔹 یادگیری انتقالی:
یادگیری انتقالی، یک راهکار موثر برای مقابله با کمبود داده‌های آموزشی است. در این روش، به‌جای آموزش یک مدل از صفر، از وزن‌ها و دانش یک مدل از پیش‌آموزش‌دیده بر روی مجموعه داده‌های مشابه استفاده می‌شود. این کار باعث صرفه‌جویی در زمان آموزش و بهبود عملکرد مدل می‌شود.

🔹 تشخیص و قطعه‌بندی اشیاء:
تشخیص اشیاء (Object Detection) به معنای شناسایی و مکان‌یابی اشیاء مختلف در یک تصویر است (مانند مدل YOLO). قطعه‌بندی تصویر (Image Segmentation) فرآیندی است که در آن، نواحی مختلف تصویر بر اساس ویژگی‌های پیکسل‌ها، تفکیک می‌شوند (مانند مدل U-Net).

🔹 ارزیابی عملکرد:
برای سنجش کیفیت عملکرد مدل‌های ML، از معیارهای مختلفی استفاده می‌شود. دقت (Accuracy)، صحت (Precision)، حساسیت (Sensitivity)، ویژگی (Specificity)، امتیاز F1 و امتیاز Dice از جمله این معیارها هستند. ماتریس‌های درهم‌ریختگی (Confusion Matrices) و منحنی‌های مشخصه عملکرد (ROC Curves) نیز ابزارهای مفیدی برای تحلیل بصری عملکرد مدل‌ها هستند.

🔹 تصویربرداری دامپزشکی:
یادگیری ماشین در تصویربرداری دامپزشکی در حال گسترش است و در تشخیص بیماری‌های مختلف در نواحی اسکلتی-عضلانی (مانند دیسپلازی مفصل ران)، قفسه سینه (مانند بیماری‌های قلبی و ریوی)، سیستم عصبی (مانند تومورهای مغزی) و شکمی (مانند بیماری‌های کبدی) کاربرد دارد.

🔹 نتیجه‌گیری:
یادگیری ماشین، به‌ویژه با استفاده از شبکه‌های عصبی کانولوشنی و روش‌های یادگیری نظارت‌شده، کاربرد گسترده‌ای در تصویربرداری دامپزشکی، به‌خصوص در تحلیل تصاویر قفسه سینه و سیستم اسکلتی-عضلانی پیدا کرده است. استفاده از یادگیری انتقالی و افزایش داده‌ها به رفع مشکل کمبود داده‌های آموزشی کمک می‌کند. نرم‌افزارهای تجاری مبتنی بر ML در حال توسعه هستند، اما همچنان به اعتبارسنجی‌های بیشتری نیاز دارند. این حوزه، پتانسیل بالایی برای پیشرفت‌های آتی و کاربردهای گسترده‌تر در دامپزشکی دارد.

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

🟦 از پیش‌بینی تا دقت: بینش‌های مبتنی بر هوش مصنوعی برای درمان هدفمند در کولیک اسب

🔹 مقدمه: کولیک در اسب به دلیل علت پیچیده، میزان مرگ و میر بالا و عوارض مکرر که نیاز به تشخیص و مداخله سریع دارد، یکی از مهم‌ترین نگرانی‌های بهداشتی در طب اسب است. کولیک که به عنوان درد حاد شکمی تعریف می شود، طیفی از اختلالات گوارشی و شکمی را در بر می گیرد که در صورت عدم درمان می تواند منجر به اثرات سیستمیک شدید شود. علی‌رغم پیشرفت‌های مراقبت‌های دامپزشکی، کولیک به‌عنوان یک علت اصلی عوارض و مرگ و میر در میان اسب‌ها باقی مانده و مداخله جراحی اغلب در 10 تا 20 درصد موارد مورد نیاز است. پیش‌آگهی‌ها و پیامدهای کولیک بسیار متغیر است و تحت تأثیر عواملی مانند نوع ضایعه، سن و پارامترهای سلامت سیستمیک قرار می‌گیرد.


🔹 موفقیت درمان کولیک به عوامل متعددی قبل از عمل، حین عمل و بعد از عمل بستگی دارد. شاخص های قبل از عمل، از جمله سن، مدت زمان علائم بالینی، و ارزیابی های سلامت سیستمیک (به عنوان مثال، PCV و رنگ غشای مخاطی)، برای پیش بینی بقا حیاتی هستند. در حین عمل، نوع و شدت ضایعات، مانند انسدادهای اختناقی در مقابل انسدادهای غیراختناقی، و تکنیک های جراحی به کار رفته به طور قابل توجهی بر نتایج تأثیر می گذارد. عوارض پس از عمل مانند ایلئوس، پریتونیت سپتیک، و چسبندگی، چالش‌های اصلی باقی می‌مانند و اغلب بقای طولانی‌مدت و کیفیت زندگی را برای اسب‌های مبتلا تعیین می‌کنند. پارامترهایی مانند PCV و سطح پروتئین تام، بینش بیشتری در مورد کم آبی بدن و اختلالات سیستمیک، که اغلب با موارد شدید کولیک همراه است، فراهم می‌کنند. تکنیک‌های تشخیصی پیشرفته، مانند ابدومینوسنتز، اطلاعات ارزشمندی را در مورد شرایط شکمی ارائه می‌دهد و به پزشکان کمک می‌کند تا ضایعات جراحی را شناسایی کرده و نتایج را پیش‌بینی کنند.


🔹 مدل‌های پیش‌بینی‌کننده به‌عنوان یک ابزار دگرگون‌کننده در درمان اسب‌ها و موارد اضطراری، به‌ویژه در مدیریت شرایط پیچیده و بحرانی مانند کولیک، پدیدار شده‌اند. این مدل‌ها از الگوریتم‌های یادگیری ماشین (ML) برای تجزیه و تحلیل داده‌های بالینی، تاریخی و رویه‌ای استفاده می‌کنند و پیش‌بینی دقیق نتایجی مانند احتمال بقا و نیاز به مداخله جراحی را ممکن می‌سازند. در طب اسب، از مدل‌های پیش‌بینی‌کننده برای تجزیه و تحلیل خطرات مرگ‌ومیر قبل و بعد از عمل در جراحی‌های قولنج استفاده شده است، که یافته‌ها بر اهمیت متغیرهای به راحتی قابل دسترسی مانند نوع ضایعه و سن بیمار در بهبود تصمیم‌گیری بالینی تاکید می‌کنند.


🔹 هدف: این مطالعه از تکنیک‌های یادگیری ماشین و‌ هوش مصنوعی قابل توضیح (XAI) برای پیش‌بینی احتمال بقای اسب‌های مبتلا به کولیک استفاده می‌کند. با تجزیه و تحلیل داده‌های بالینی، رویه‌ای و تشخیصی، این مدل عوامل کلیدی را شناسایی می‌کند که بر نتایج تأثیر می‌گذارند، مانند ضربان نبض، نوع ضایعه و سطح پروتئین. استفاده از SHAP (Shapley Additive explanations) شفافیت را تضمین می کند و درمان های هدفمند را امکان پذیر می کند، رفاه اسب ها را بهبود می بخشد و مراقبت های دامپزشکی دقیق را پیش می برد. چنین نوآوری هایی بر اهمیت ترکیب فناوری و علم دامپزشکی برای مدیریت بهتر سلامت حیوانات تاکید می کند.


🔹 تجزیه و تحلیل نشان داد که ویژگی های کلیدی، مانند ضربان نبض، نوع ضایعه، و سطح پروتئین کل، به طور قابل توجهی بر احتمال بقا تأثیر می گذارد. تفاسیر محلی سهم منحصر به فرد عوامل بالینی را در موارد فردی برجسته می‌کند و بینش‌های شخصی‌سازی شده را قادر می‌سازد که راهبردهای درمان هدفمند را راهنمایی می‌کند. این پیش‌بینی‌های متناسب، دامپزشکان را قادر می‌سازد تا مداخلات را بر اساس شرایط خاص هر اسب، اولویت‌بندی کنند و فراتر از پروتکل‌های مراقبت عمومی حرکت کنند. این مطالعه با ترکیب دقت پیش‌بینی با قابلیت تفسیر، دامپزشکی دقیق را پیش می‌برد، نتایج را برای موارد کولیک اسب افزایش می‌دهد و معیاری برای کاربردهای آینده هوش مصنوعی در سلامت حیوانات تعیین می‌کند.


🔹 نتیجه گیری: در نتیجه، بینش‌های شخصی‌شده به دست آمده از طریق SHAP، دگرگون‌کننده‌ترین یافته این مطالعه است. آنها دامپزشکان را با دانش عملی متناسب با موارد فردی توانمند می کنند و شکاف بین مدل سازی پیش بینی و کاربرد بالینی در دنیای واقعی را پر می کنند. این رویکرد شخصی برای مراقبت از اسب پتانسیل افزایش قابل توجهی نتایج بقا و بهبود رفاه کلی را دارد.

🔗 منبع

#خلاصه_مقاله
🤖 @Veterinary_AI 🐎

🟦 ارزیابی Vetscan Imagyst®  به عنوان یک روش بر پایه یادگیری عمیق و هوش مصنوعی برای تشخیص گونه های استرونجیلوس و پارا آسکاریس در نمونه مدفوع تک سمیان

🔹 پیش‌زمینه
روش‌های فعلی برای تعیین شمارش تخم‌های مدفوعی در اسب‌ها اغلب دقیق نبوده و بسته به مهارت و تجربه تحلیلگر، نتایج متغیری ارائه می‌دهند. اسکن دیجیتال خودکار اسلایدهای نمونه مدفوع به همراه تحلیل توسط الگوریتم هوش مصنوعی، جایگزینی نوظهور و کارآمد است که می‌تواند در تشخیص انگل‌های مدفوعی در حیوانات خانگی، نسبت به روش‌های مرسوم، نوسانات ناشی از عملکرد اپراتور را کاهش دهد. سیستم Vetscan Imagyst یک روش نوین برای تشخیص انگل‌های مدفوعی است که تصویر اسکن‌شده را به سرور ارسال می‌کند؛ در این مرحله نرم‌افزار اختصاصی با استفاده از الگوریتم یادگیری عمیق و تشخیص اشیاء، تصاویر ضبط شده را برای شناسایی تشخیصی تحلیل می‌کند. این مطالعه به بررسی کاربرد و اعتبارسنجی Vetscan Imagyst در حوزه انگل‌شناسی اسب‌ها می‌پردازد.

🔹 روش‌ها
هدف اصلی این مطالعه ارزیابی عملکرد سیستم Vetscan Imagyst از منظر حساسیت و ویژگی تشخیصی در آزمایش نمونه‌های مدفوع اسب (n = 108) جهت شناسایی تخم‌های دو انگل رایج در اسب‌ها، یعنی Strongylus وگونه‌های Parascaris، در مقایسه با آزمون‌های مرجع انجام شده توسط انگل‌شناسان خبره با استفاده از تکنیک Mini-FLOTAC بوده است. برای تهیه اسلایدهای نمونه، از دو محلول شناورسازی مدفوع، یعنی محلول NaNO3 و محلول Sheather، استفاده شده است.

🔹 نتایج
حساسیت تشخیصی الگوریتم Vetscan Imagyst در شناسایی Strongylus نسبت به آزمون مرجع دستی به ترتیب 99.2٪ برای نمونه‌های تهیه شده با محلول NaNO3 و 100.0٪ برای نمونه‌های تهیه شده با محلول Sheather  گزارش شد. برای گونه‌های  Parascaris، حساسیت به ترتیب برابر با 88.9٪ و 99.9٪ برای نمونه‌های تهیه شده با محلول‌های NaNO3 و شکر Sheather به دست آمد. ویژگی تشخیصی برای Strongylus به ترتیب 91.4٪ و 99.9٪ برای نمونه‌های تهیه شده با محلول‌های NaNO3 و  Sheather بوده و برای گونه‌های Parascaris به ترتیب 93.6٪ و 99.9٪ گزارش شد. ضرایب همگرایی لین (Lin’s concordance correlation coefficients) بین شمارش تخم‌ها به ازای هر گرم مدفوع تعیین شده توسط VETSCAN IMAGYST و آنچه توسط انگل‌شناس خبره به دست آمده بود، برای Strongylus بین 0.924 تا 0.978 و برای Parascaris spp. بین 0.944 تا 0.955، بسته به نوع محلول شناور، مشاهده شد.

🔹 نتیجه‌گیری
نتایج به‌دست‌آمده از حساسیت و ویژگی تشخیصی در شناسایی Strongylus و Parascaris در نمونه‌های مدفوع اسب نشان می‌دهد که سیستم Vetscan Imagyst قادر است دقت تشخیصی معادل با ارزیابی‌های دستی انجام شده توسط انگل‌شناسان ماهر را به طور مداوم ارائه دهد. به عنوان یک روش خودکار مبتنی بر الگوریتم یادگیری عمیق، VETSCAN IMAGYST پتانسیل رفع نوسانات ناشی از تفاوت‌های بین تحلیلگران را دارد و در محیط‌های بالینی و آزمایشگاهی می‌تواند نتایج یکنواخت و به‌موقع‌تری ارائه دهد.

🔹 اما به راستی در سرور ها چه اتفاقی می افتد؟
به طور خلاصه، فرایند تشخیص الگوریتم از زمانی که کل اسلاید مدفوعی اسکن شده تا هنگامی که هر پیکسل دانه به دانه بررسی میشود به طول می انجامد.
تمام لام مدفوعی اسکن‌شده سپس به تصاویر کوچکتر به نام «Sences» تقسیم می‌شود. این Sences به دقت مورد ارزیابی اولیه قرار گرفته ویژگی های مختلف آن مانند کلیت رنگی، میزان نور، میزان استفاده از رنگ های اصلی آن مشخص میشود سپس به بلوک‌های convolutional تجزیه می‌شوند. در این مرحله، پیکسل‌های تصاویر به ویژگی‌های تمایزدهنده‌ای مانند شکل، لبه، طیف رنگ یا حتی الگوهای پیکانی خاص در لایه‌های عمیق‌تر شبکه تبدیل می‌شوند. این فرآیند به‌طور مداوم تکرار می‌شود تا ویژگی‌های ساده‌تر و انتزاعی‌تری ایجاد شود. ویژگی‌های استخراج‌شده از آخرین بلوک convolutional برای طبقه‌بندی و تشخیص اشیاء به کار گرفته می‌شوند.
پس از استخراج کلیه ویژگی‌ها از نمونه تشخیصی، از آن‌ها برای محاسبه یک امتیاز تقریبی جهت تخمین حضور تخم‌انگل‌های هدف استفاده می‌شود. تنها تصاویری که از آستانه تعیین‌شده فراتر روند مثبت گزارش می‌شوند. سپس تشخیص الگوریتم از گونه و تصویر انگل هدف در یک پلتفرم آنلاین ذخیره می‌شود که از طریق مرورگر قابل دسترسی است.

🔗 منبع

#خلاصه_مقاله
🤖   @Veterinary_AI   🐎

🟦 هوش مصنوعی در نقش جراح

🔹 ربات پزشکی جدیدی که در چین ساخته شده است، می تواند از هوش مصنوعی برای بخیه زدن استفاده کند. این ربات می تواند به طور دقیق و سریع بخیه ها را بزند، حتی در مناطقی که دسترسی به آنها دشوار است.

🔹 در این ویدیو، ربات می تواند پوست یک تخم مرغ خام را جدا کند، سپس سوراخی در آن ایجاد کند و دوباره بخیه بزند. این نشان می دهد که هوش مصنوعی می تواند برای طیف گسترده ای از جراحی ها استفاده شود، از جمله جراحی های پلاستیکی و قلب.

🔹 این ربات می تواند انقلابی در جراحی ایجاد کند و به بهبود دقت و سرعت جراحی کمک کند، و همچنین می تواند خطرات ناشی از جراحی را کاهش دهد.

🤖 @Veterinary_AI 🐎

بخش اول
====
ادامه از بخش۲
بخش سوم
عبدالحسین وهاب زاده در ایران اولین کسی بود که این نکتۀ عجیب ولی درست را مطرح کرد که بچه تا ۱۰-۱۱ سالگی، فقط به بازی و کار در طبیعت نیاز دارد. اگر در طبیعت چرخیدند یا در کار ساختمانی شرکت کردند، خودشان می‎فهمند که باید ریاضی و فیزیک و خیلی چیزهای دیگر را یاد بگیرند؛ ذهنشان مسئله‎مند و پرسمان-محور می‎شود. تلاش برای حل مسئله به توانمندی خود، همراه با ابتکار و نقادی، جای پناه بردن به سنگر محفوظات را می‎گیرد. راهبرد ذهن خالی همانند لوح سفید، آموزش را به صورت آجرهای جدا از هم می‎بیند که باید به تدریج روی هم قرار گیرند تا یک ساختمان شکل بگیرد. همیشه چند آجر خراب وجود خواهد داشت که ساختمان را مرتب نیازمند تعمیر یا دچار نشت آب و فروپاشی کند و در برابر زلزله‌های در راهِ علم (پارادایم‌شیفت‎ها) بسیار ضعیف است و زود متخصصین و اساتید از رده خارج و تاریخشان منقضی می‌شود.

روش مدارس طبیعت، آموزش را یک پیوستارِ یکپارچه و معطوف به زندگی می‌داند که برای یادگیرنده نقشی محوری قائل است. آموزگار را یک تسهیل‌گر در مسیر کسب تجربه دانسته تا یادگیرنده به عنوان شهروند مسئول پرورش یابد، ژست پرورش دانشمند به خود نمی‌گیرد و برای یک آیندۀ غیر قابل پیش بینی نگرانی بیهوده ایجاد نمی‌کند. در راهبردِ ذهن خالی همانند لوح سفید، فراگیرنده با انبوهی از بدفهمی به مرحلۀ اخذ مدرک می‎رسد و البته روشی زمان نژند، زمان پریش و وقت تلف کن است.

در مقابل، کودکی که تا ۱۰-۱۱ سالگی در طبیعت بازی کرده، چون دزدِ با چراغ می‌داند باید چیزهایی یاد بگیرد، در مدتی کوتاه کودکی را که از سه چهار سالگی در مهد کودک برای بازاریابی و دلخوشی پدر و مادر مشغول یادگرفتن ریاضی و انگلیسی و ... بوده پشت سر می‎گذارد:👇

امان از بلای پدر و مادر نجارِ دلسوزِ (به تعبیر بهرام بیضایی) و استعداد کُش که نصیب گرگ بیابان هم نشوند. این همه اضطراب برای چه؟ در آموزش هیچ سودی در تعجیل نیست؛ البته که راه‌های بهتری برای به جنون کشاندن سوژۀ آموزش هست.

"
در راهبردِ ذهن خالیِ همانند لوح سفید، امتحانِ عمدتاً کتبی نقش محوری در ارزیابی نتیجۀ آموزش دارد و انتزاعی است؛ گویی یک بازی کامپیوتری مثل ولفنشتاین است که بدون کشتن غول، به مرحلۀ بعد راهی نیست. در راهبرد ذهن مسئله‌مند، آموزش محدودیت زمانی سفت و سختی ندارد؛ هدفش القای توانایی حل مسئله، و به لحاظ زمانی بسیار به صرفه است.

اینک بازار هوش مصنوعی داغ است. متاسفانه به نظر می‎رسد که نگاه غالب این است که با هوش مصنوعی چگونه می‎توان ایرادهای راهبردِ ذهن خالیِ همانندِ لوح سفید را زیر فرش کرد. در مورد هوش مصنوعی صحبت‌ها نشان از تسلیم زود هنگام دارد:

👈 می‎بینی تکلیف درسی و پاورپوینت درست می‌کند؟
👈 می‎بینی تحقیقی که استاد داده را در عرض چند ثانیه فراهم می‎کند؟
👈 می‎بینی پروپوزالی (پیشنهاده) می‎نویسد که استادم به خواب هم نمی‎بیند؟

با راهبرد ذهن خالیِ همانند لوح سفید، پیشاپیش انسان خود را تسلیم، اسیر و بردۀ آن می‎داند. اما مواجهۀ ذهن مسئله‌مند طور دیگری است: مثلا چگونه داده‎های بزرگ در عرصۀ آب و هوا، دامدارهای غول آسا (مگافارم‎ها)، مسئلۀ ژینگاه و ژینایی، خشکسالی و امور حیاتی را تحلیل کند و مبنای تصمیم سازی قرار دهد؟ با حملات چند کشوریِ تب برفکی چه کند؟ و نیز با بیماریهایی چون بروسلوز یا سل چه باید کرد؟

ذهن مسئله‎مند، پس از یک دورۀ کوتاهِ ماتی و مبهوتی بر هوش مصنوعی مسلط می‎شود، و با تعریف مسائل واقعی، هوش مصنوعی را به خدمت می‌گیرد، مثل آلن تورینگ؛ تسلط بر آن از بازی و کار با ماسه و سیمان و سرکشی و سرخوشی در طبیعت شروع می‌شود.

آموزشی که با زندگی ارتباط پویا و اندام‎وار نداشته باشد، تربیت پادگانیِ بازماندۀ نظامیه‎ها و جاماندۀ تاریخ است. به جای این عصا قورت دادگانِ تخته‎بندِ آیین نامه و شوراها که آموزگاران را کارمند ساده و گوش به فرمان فرض می‌کنند، کسی با سیالیتِ ذهن والت دیزنی لازم است؛ سیالیتی که به ابتکارات آموزگاران به حاشیه رانده شده میدان می‌دهد تا خود یک والت دیزنیِ آموزشی باشند تا آموزش از یک نظام بستۀ منفصل، به پیوستاری سیالِ هماهنگ با جامعه تبدیل شود. وی باید با آموزشی سیال و روشمندی علمی، یک پارادایم شیفت در آموزش و پژوهش خلق کند؛ پارادایمی نو که زندگی و کیفیت آن هدف اصلیِ آموزش و پژوهش و نیازهای سیال جامعه برنامۀ آموزشی ‌و جهتگیری پژوهش را تعیین می‌کند، نه کنکور ، مدرک، HI، و مقاله بر حسب kg. خلق مسئله و طرح سئوالِ درست، از جواب دادن بسیار مهمتر است:👇

برای هوش مصنوعی باید اربابان قَدَری تربیت کنیم؛ لذا باید از خیمۀ "یاد دادن" به تالار " تسهیلگریِ خودآموزی و خودپویی" کوچ کنیم"؛ این دقیقاً یک پارادایم شیفت خواهد بود.

"
کامران شریفی
دانشکدۀ دامپزشکی
دانشگاه فردوسی مشهد

۱۴۰۳/۱۱/۲۰
ادامه در بخش ۳۴
https://news.1rj.ru/str/ksharifiRRB

🔹 کلامی از دکتر کامران شریفی در مورد نگاه ذهن مسئله مند و لزوم توجه به هوش مصنوعی

برای هوش مصنوعی باید اربابان قدری تربیت کنیم

🟦 پرورش آبزیان و هوش مصنوعی

🔹 نقش هوش مصنوعی در پرورش ماهی و نظارت بر سلامت آن ها، یک مطالعه مروری بر محیط پرورش ماهی پایدار

🔹 مصرف ماهی و غذاهای دریایی این روزها مورد توجه و علاقه بسیاری از مردم در کشورهای مختلف قرار گرفته است. اما تولید محصولات دریایی و آبزیان با چالش های مختلفی رو به رو است. از جمله پرورش ماهی و نظارت بر سلامت آن.

🔹 برای بررسی و نظارت مداوم بر محیط رشد و پرورش ماهی ها و سایر آبزیان، دوربین ها و سنسورهای مختلفی نصب شده است که داده های زیادی را از تصاویر، دما و میزان اکسیژن به صورت روزانه ثبت میکند.

🔹 محققین با آنالیز و بررسی این داده ها و با کمک الگوریتم های مختلف هوش مصنوعی مانند یادگیری ماشین و الگوریتم های آنالیز تصویر مانند شبکه های عصبی بر اتومات کردن و استخراج الگوهایی برای افزایش سلامت و پیش بینی مشکلات محیطی و بیماری های آبزیان دارند.

🔹 پیش‌بینی الگو رشد ماهی ها، رفتارهای تغذیه ای،  پیش بینی بیماری و بدشکلی ماهی ها و تشخیص استرس های محیطی.

🔹 در این مقاله مروری انواع کاربردهای هوش مصنوعی مفید و کاربردی در نظارت بر پرورش ماهی ها به طور مفصل شرح داده شده است.

🔗 منبع

#خلاصه_مقاله
🤖   @Veterinary_AI   🐎

🔹 استفاده از هوش مصنوعی در بیماری داخلی سگ

🤖 @Veterinary_AI 🐎