🔷 Mastitis detection in dairy cows by application of neural networks

🤖  @Veterinary_AI  🐎

🟦 شبکه‌های عصبی مصنوعی: تحولی نوین در تشخیص هوشمند ورم پستان گاوی 🐄

🔹 ضرورت تحول در تشخیص ورم پستان

صنعت پرورش گاو شیری با چالش بزرگی به نام ورم پستان روبروست. این بیماری نه تنها سالانه مبلغ گزافی خسارت اقتصادی به همراه دارد، بلکه کیفیت محصولات لبنی را نیز تحت تأثیر قرار می‌دهد. در  پژوهشی، به بررسی یک راهکار انقلابی مبتنی بر هوش مصنوعی پرداختند که می‌تواند تشخیص این بیماری را متحول کند.

🔹 چالش‌های پیش رو:

روش‌های سنتی تشخیص اغلب زمانبر و پرهزینه هستند. در تشخیص بالینی همیشه احتمال خطای انسانی رقم قابل توجهی را از آن خود می کند. برای همین نیاز به سیستم‌های خودکار و دقیق بسیار حس می شود.

هسته هوشمند: شبکه عصبی طراحی شده
در قلب این سیستم پیشرفته، یک شبکه عصبی مصنوعی با معماری خاص طراحی شده است. این شبکه با بهره‌گیری از الگوریتم یادگیری پس از انتشار خطا، توانسته است الگوهای پیچیده مرتبط با ورم پستان را با دقت بالا شناسایی کند.

🔹 ویژگی‌های کلیدی مدل:

مدل استفاده شده در این آزمایش با یک لایه پنهان شامل ۱۰ نورون کار می‌کند و از تابع فعال‌ساز تانژانت هیپربولیک بهره می‌برد. پس از ۱۰۰ هزار دوره آموزش با نرخ یادگیری ۰.۰۱، به سطح مطلوبی از دقت دست یافته است.

🔹 دستاوردهای چشمگیر

نتایج ارزیابی سیستم نشان می‌دهد که شبکه عصبی طراحی شده به دقت تشخیصی ۸۶ درصد دست یافته است. این سیستم در مقایسه با روش‌های مرسوم که عموماً به دقت ۷۰ درصد محدود هستند، پیشرفت قابل توجهی داشته است.

🔹 عملکرد تشخیصی:

از نظر شاخص‌های حساسیت و ویژگی، مدل استفاده شده به ترتیب ۷۴.۶ درصد و ۸۴.۱ درصد عملکرد داشته است. این ارقام نشان‌دهنده توانایی بالای سیستم در تشخیص صحیح موارد بیمار و سالم است.

🔹 عوامل کلیدی مؤثر

تحلیل جامع حساسیت مدل نشان داد که برخی پارامترها نقش تعیین‌کننده‌تری در تشخیص دارند. شمارش سلول‌های سوماتیک با اهمیت نسبی ۳۶.۱ درصد به عنوان مؤثرترین عامل شناسایی شد. مرحله شیردهی با ۲۹.۴ درصد و تولید شیر روزانه با ۹.۱ درصد در رتبه‌های بعدی قرار گرفتند.

🔹 افق‌های جدید: آینده تشخیص ورم پستان

یافته‌های این پژوهش دریچه‌های جدیدی به سوی سیستم‌های تشخیص هوشمند گشوده است. دقت بالا، سرعت عمل و قابلیت اطمینان این سیستم، آن را به گزینه‌ای ایده‌آل برای یکپارچه‌سازی با سیستم‌های شیردوشی خودکار تبدیل کرده است.

🔹 راهکارهای پیشنهادی:

▪️ توسعه مدل‌های ترکیبی با قابلیت‌های پیشرفته‌تر

▪️ استفاده از داده‌های چندمنبعی برای افزایش دقت

▪️ طراحی سیستم‌های نظارت بدون درنگ بر سلامت گله

🔹 گذر به دامداری هوشمند

این پژوهش گامی بلند در مسیر تحول دیجیتال صنعت دامپروری است. ترکیب هوش مصنوعی و تخصص دامپزشکی در قالب این سیستم تشخیصی، نه تنها دقت را بهبود بخشیده، بلکه امکان مداخلات به موقع و کاهش هزینه‌های درمان را فراهم کرده است. آینده مدیریت سلامت گله‌های شیری با این فناوری نوین، روشن‌تر از همیشه به نظر می‌رسد.

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

☑️ پی‌نوشت:

🔺 سال انتشار: 1998!!!

چند سال قبل از تولد ما دانشجویانی که قصد داریم هوش مصنوعی را وارد دامپزشکی کشور کنیم، در آن سوی دنیا روی استفاده از الگوریتم‌های شبکه عصبی در مورد ورم پستان گاوی تحقیق می‌کردند! و چه دقت های بالایی کسب کرده‌اند! تفکر...!

🤖 @Veterinary_AI 🐎

🟦 آیا هوش مصنوعی شغل‌ها را می‌گیرد؟

🔹 تحقیقات جدید نشان می‌دهد که توانایی هوش مصنوعی در انجام وظایف انسانی هر ۷ ماه دو برابر می‌شود! این روند را می‌توان مشابه «قانون مور» در دنیای ایجنت‌های هوش مصنوعی دانست.  

🔷 بررسی تایملاین METR: 

🔹 در حال حاضر، مدل‌های هوش مصنوعی می‌توانند کارهای چند دقیقه‌ای را با دقت بالا انجام دهند، اما در کارهای طولانی‌تر، میزان موفقیت آن‌ها کمتر است. 

🔹 اما پیش‌بینی‌ها نشان می‌دهد که طی چند سال آینده، این فناوری می‌تواند پروژه‌های پیچیده‌تری را در زمان کوتاه‌تری تکمیل کند: 

🔹 تایملاین رشد هوش مصنوعی در انجام وظایف کاری: 
- ۲۰۲۶: انجام یک روز کاری در ۸ ساعت 
- ۲۰۲۷: تکمیل پروژه‌های ۲-۳ روزه در ۱ روز 
- ۲۰۲۸: انجام یک هفته کاری در ۴۰ ساعت 
- ۲۰۳۱: تکمیل یک سال کاری در ۵۰ ساعت 

🤖  @Veterinary_AI  🐎

🌐 Machine Learning 🌐

🔷 مرجع فارسی یادگیری ماشین

🔹 یادگیری ماشین چیست؟

📚 #کتاب #یادگیری_ماشین

🤖  @Veterinary_AI  🐎

🔹 Machine Learning 🔹

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

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

🟦 برنامه‌نویسی هوش مصنوعی در دامپزشکی
🔹 سخنران : سورن محمدی

🟦 تشخیص و درمان بیماری های پوست و مو در سگ ها با استفاده از هوش مصنوعی
🔹 سخنران : دکتر جواد خوش‌نگاه

🟦 دوشنبه ۸ اردیبهشت ۱۴۰۴ ، سالن اجتماعات دانشکده دامپزشکی دانشگاه فردوسی مشهد


🤖  @Veterinary_AI  🐎

🔹 هوش مصنوعی و کولیک اسب 🔹

🎥 ویدئوی تولید شده توسط واحد اینستاگرام تیم

🤖  @Veterinary_AI  🐎

🟦 هوش مصنوعی در پاتولوژی تشخیصی - تحلیل جامع برای متخصصان

🔹 تاریخچه و نقاط عطف در پاتولوژی محاسباتی :
- ۱۹۵۰: آلن تورینگ ایده استفاده از کامپیوتر برای تقلید رفتار هوشمند را مطرح کرد.
- ۱۹۵۶: جان مککارتی اصطلاح "هوش مصنوعی" را ابداع نمود.
- ۱۹۹۸: اولین سیستم غربالگری خودکار پاپ اسمیر توسط Tripath تأییدیه FDA دریافت کرد.
- ۲۰۱۷: سیستم اسکن تمام اسلاید فیلیپس (IntelliSite) برای پاتولوژی دیجیتال تأیید شد.
- ۲۰۲۱: اولین نرم‌افزار مبتنی بر هوش مصنوعی برای تشخیص سرطان پروستات (Paige Prostate) توسط FDA تأیید گردید.

🔹 نقش هوش مصنوعی در پاتولوژی :
- یادگیری ماشین (ML): توانایی یادگیری بدون برنامه‌ریزی صریح.
- یادگیری عمیق (DL): استفاده از شبکه‌های عصبی چندلایه برای تحلیل تصاویر.
- کاربردها:
  - تشخیص و طبقه‌بندی سرطان‌ها
  - پیش‌بینی پاسخ به درمان
  - شناسایی تغییرات مولکولی و ژنومی از روی تصاویر H&E

🔹 کاربردهای بالینی :
- پاتولوژی دیجیتال: استفاده از تصاویر تمام اسلاید (WSI) برای تشخیص دقیق‌تر.
- تشخیص خودکار: شناسایی متاستاز در غدد لنفاوی با دقت بالا.
- پیش‌بینی پاسخ به ایمونوتراپی: تحلیل spatial organization of tumor-infiltrating lymphocytes (TILs).
- آموزش و پژوهش: استفاده از هوش مصنوعی برای آموزش رزیدنت‌ها و بهبود دقت تشخیص.

🔹 چالش‌ها و محدودیت‌ها :
- اعتبارسنجی الگوریتم‌ها: نیاز به داده‌های چندمرکزی برای اطمینان از کارایی.
- مسئله Black Box: عدم شفافیت در نحوه تصمیم‌گیری الگوریتم‌های یادگیری عمیق.
- کیفیت داده: وابستگی عملکرد الگوریتم‌ها به کیفیت تصاویر ورودی.
- هزینه و زیرساخت: نیاز به سخت‌افزارهای قدرتمند و فضای ذخیره‌سازی بالا.

🔹 آینده و جهت‌گیری‌های پژوهشی :
- ادغام با داده‌های مولکولی: ترکیب تصاویر پاتولوژی با داده‌های ژنومی برای پزشکی شخص‌محور.
- توسعه الگوریتم‌های تفسیرپذیر: افزایش شفافیت در تصمیم‌گیری هوش مصنوعی.
- استانداردسازی: ایجاد پروتکل‌های یکسان برای استفاده بالینی از هوش مصنوعی.

🔹 نتیجه‌گیری :
هوش مصنوعی به عنوان یک ابزار کمکی در پاتولوژی می‌تواند دقت تشخیص را افزایش دهد و زمان گزارش‌دهی را کاهش دهد. با این حال، چالش‌هایی مانند اعتبارسنجی، تفسیرپذیری و هزینه‌ها باید پیش از استفاده گسترده بالینی برطرف شوند.

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

☑️ پی‌نوشت:

🔺سیستم Intellisite یک پلتفرم هوش مصنوعی است که در پاتولوژی و تحلیل تصاویر میکروسکوپی کاربرد دارد. این سیستم به طور خودکار تصاویر را تجزیه و تحلیل کرده و به شناسایی الگوها و ناهنجاری‌ها در بافت‌ها کمک می‌کند.

🔺نرم‌افزارهای هوش مصنوعی در تشخیص پاتولوژی به طور فزاینده‌ای در حال توسعه و استفاده هستند، مانند:
PathAI
Google DeepMind
Ibex Medical Analytics
Proscia
Quibim
Aiforia

🔺تصاویر تمام اسلاید WSI (Whole Slide Imaging) تکنولوژی‌ای است که امکان دیجیتالی کردن کامل اسلایدهای میکروسکوپی را فراهم می‌کند. این تصاویر با وضوح بالا جزئیات دقیق بافت‌ها و سلول‌ها را نمایش می‌دهند و به راحتی قابل دسترسی، اشتراک‌گذاری و تحلیل‌های هوش مصنوعی هستند. کاربردهای آن شامل تشخیص بیماری‌ها، آموزش پزشکی و تحقیقات علمی است. WSI به بهبود کیفیت تشخیص و درمان در پزشکی مدرن کمک می‌کند.
برای مثال دستگاه اسکنر لام  CELLNAMA (ساخت ایران) قادر است لام‌های شیشه‌ای میکروسکوپی را در ورودی دریافت نماید و با انجام تصویربرداری میکروسکوپی دیجیتال از آن‌ها، لام‌های مجازی تولید کند. می‌تواند جهت انواع کاربردهای تحقیقاتی، تشخیصی و همچنین رفع نیاز به حضور یک میکروسکوپ آنالوگ در آزمایشگاه به کار رود. تعیین خودکار و دقیق ناحیه موردنظر جهت اسکن با استفاده از روش های مبتنی بر هوش مصنوعی و تهیه نقشه لام در ۱۰ ثانیه

🔺مسئله جعبه سیاه (Black Box) در هوش مصنوعی به عدم شفافیت و تفسیرپذیری مدل‌های پیچیده اشاره دارد. این موضوع مهم است زیرا:
1. عدم شفافیت: تصمیمات مدل‌ها به راحتی قابل فهم نیستند.
2. مسئولیت‌پذیری: در تصمیمات حیاتی، عدم توضیح دلیل انتخاب می‌تواند مشکلات قانونی ایجاد کند.
3. تبعیض و سوگیری: عدم توانایی در توضیح تصمیمات می‌تواند به تبعیض منجر شود.
4. اعتماد: برای اعتماد به سیستم‌ها، کاربران نیاز به درک فرآیند تصمیم‌گیری دارند.
برای حل این چالش‌ها، محققان تکنیک‌هایی برای افزایش تفسیرپذیری مدل‌ها توسعه می‌دهند.

🤖  @Veterinary_AI  🐎

🔹 120 هوش مصنوعی کاربردی 🔹 

#ابزار
🤖  @Veterinary_AI  🐎

🔹 دنیای هوش مصنوعی 🔹

🤖  @Veterinary_AI  🐎

🟦 جفری هینتون (پدرخوانده هوش مصنوعی):

🔹انسان‌ها در مقایسه با هوش سیستم‌های هوش مصنوعی بسیار قدرتمند، مانند کودکان نوپا خواهند بود.

🔹دولت‌ها باید برای کنترل پیشرفت هوش مصنوعی قوانین سختگیرانه وضع کنند. من فکر نمی‌کردم به این سرعت به نقطهٔ کنونی برسیم؛ گمان می‌کردم برای این کار ۲۰ سال دیگر زمان داریم.

🔹احتمال ۱۰ تا ۲۰ درصد وجود دارد که هوش مصنوعی در ۳دههٔ آینده منجر به انقراض انسان شود. چند نمونه می‌شناسید که یک چیز باهوش‌تر توسط چیزی کم‌هوش‌تر کنترل شود؟

🤖  @Veterinary_AI  🐎

🟦 نظر استفان هاوکینگ درمورد هوش مصنوعی :

🔹 موفقیت در ایجاد یک هوش مصنوعی، بزرگترین اتفاق در تاریخ بشریت خواهد بود؛ اما متاسفانه ممکنه آخرین موفقیت هم باشه..! مگر اینکه یاد بگیریم چطور از ریسک‌های اون اجتناب کنیم.

🤖  @Veterinary_AI  🐎

🟦 نظر ایلان ماسک در مورد هوش مصنوعی :

🔹 ایلان ماسک نسبت به هوش مصنوعی نگرانی‌هایی دارد و معتقد است که اگر به‌درستی کنترل نشود، می‌تواند تهدیدی برای بشریت باشد. او بر لزوم وضع مقررات سخت‌گیرانه برای توسعه و استفاده از هوش مصنوعی تأکید می‌کند، در عین حال به پتانسیل‌های مثبت آن در زمینه‌های مختلف نیز اشاره می‌کند. ماسک بر اهمیت ایجاد سیستم‌های هوش مصنوعی ایمن و اخلاقی تأکید دارد.

🤖  @Veterinary_AI  🐎

🟦 نظر بیل گیتس در مورد هوش مصنوعی :

🔹 فکر نمی‌کنم درخواست‌کردن از یک گروه برای توقف توسعه چالشی را حل کند. واضح است که مزیت‌های بزرگی در استفاده از این ابزارها وجود دارد. کاری که باید بکنیم شناسایی بخش‌هایی است که نیاز به رسیدگی بیشتر دارند.
بیل گیتس از حامیان توسعه هوش مصنوعی است و این فناوری را به‌اندازه اینترنت یا گوشی‌های همراه انقلابی می‌داند. او در پستی که یک روز قبل از انتشار این نامه نوشته شده بود، گفت باور دارد که هوش مصنوعی می‌تواند بخشی از نابرابری‌های جهان را برطرف سازد.

🤖  @Veterinary_AI  🐎

کوری آموزشی و پژوهشی ۴۰: پیامدهای فلسفِیِ تعریفِ هوش مصنوعی

ادامه از بخش ۳۹

بعد از مدتها دو سخنرانی غیرکلیشه‎ای و دلچسب در دانشکده ارائه شد؛ یکی از سوی دانشجویی که در مدت کوتاهی و با خوش‎فکری درحال راه اندازی و رهبری کارزاری در زمینۀ هوش مصنوعی است. دیگری، یکی از همکاران که دورنمای هوش مصنوعی در زمینۀ تشخیص و درمان را به شیوه‎ای دلچسب ارائه داده بر این نکته تاکید کرد که به جای Artificial بهتر است Augmented استفاده کنیم. شاید این تفاوت بیش از آن یک نامگذاری ساده بوده، تفاوت دو دیدگاه فلسفی از نوع پارادایم شیفت باشد.

در Artificial intelligence که اینک موجب نگرانی‎ای گسترده شده است، به غلط برداشت شده که انسان از همین الان تسلیم هوش مصنوعی بوده میدان را به آن باخته، هوش مصنوعی همه چیز را در چنگ خواهد گرفت و انسان را خانه نشین می‎کند. در دومی، یعنی هوش ارتقاء یافته Augmented Intelligence انسان در جایگاه ارباب هوش مصنوعی قرار می‎گیرد. همانند حقوق، مفاهیم فلسفی نیز نسبت به مبانی بنیادی درحدِ ویرگول یا واو یا کلمات ساده حساس هستند و ممکن است همانند حقوق و قضا که سرنوشت متهم به یکباره تغییر می‎یابد، مفهوم انسان و انسانیت و سرنوشت موجودی به نام "هومو ساپینس" و جریان تکاملی این گونه در نوع نگرش فلسفی تغییر خواهد کرد.

چطور به فکرشان رسید؟

شاید گمان کنیم که هوش مصنوعی همین چند سال اخیر به مددِ پیشرفتهای فناورانه پیدا شده است، در حالی که اگر نگاهی دیگر به این قضیه داشته باشیم، ممکن است به داستان و تفسیر دیگری برسیم:

۱) گویا نئاندرتالها توسط اجدادمان تار و مار شدند. یک تئوری پرطرفدار این است که یکی از بیشمار دلیل غلبۀ اجداد ما بر آنها اختراع زبان، برای هماهنگی و هم افزایی هوموساپینس‎هایی بود که جثه و قدرت کمتری از آنها داشتند. در یک پرانتز طنزآمیز، احتمالاً افتخار اختراع زبان به تمامی متعلق به زنان بوده، هیچ مردی نقشی در مهارت کلامی که درطیف "سکوت-پرچانگی" نداشته است (پرانتز بسته). چطور به فکرشان رسید؟

۲) گویا افتخار انقلاب کشاورزی هم به تمامی متعلق به زنان است، با پیامدهای درازدامن، از قبیل فراهم آمدن فرصت آسودگی و بطالت، نسبت به دوران شکارگری که فرهنگ و ادبیات و شعر و موسیقی را به همراه آورد. از کجا به فکرشان رسید؟

۳) نوشتن و اختراع خط، ثبت اطلاعات روی لوح گلی، سپس کاغذ، و اختراع صنعت چاپ فقط یک تغییر فناورانه (تکنیکی) نبود؛ مبانی فلسفی داشت و نوع انسان را بارها و بارها تغییر داد. از کجا به فکرشان رسید؟

۴) تحسین کسی که مسیرهای بیوشیمیایی مثل گلیکولیز و به ویژه چرخۀکربس را از حفظ رسم می‎کند، غلط است؛ کسانی را باید ستود که به فکرشان رسیده که این مسیر را قدم به قدم کشف کنند.. راستی، چطور به فکرشان رسید.

۵) در مسیر کدگذاری و گفتگوی بین هستۀ سلول و مسیر پروتیین سازی، مارشال نیرنبرگ و یاران کشف کردند که زبان این مسیر ۳ حرفی است و نه ۲ یا ۴ حرفی؛ این نگاه فلسفی و رمزگشایی از راهِ ترجمۀ مطالب بین هسته سلول و سیتوزول از کجا به ذهنشان رسید؟

۶) ژنوم انسان یک چالش بزرگ بود، اما خیلی زودتر از آن چه که انتظار می‎رفت، ۱۵-۲۰ سال زودتر، به سرانجام رسید؛ البته به برکت ظهورِ کامپیوترهای پرقدرت، و بعد سراغ میکروبیوم انسان رفتند که پروژۀ بسیار بزرگتری بود، بسیار بزرگتر از پروژۀ سرن که فقط دنبال یک ذره بودند. اومیکها (متابولومیکس، ژنومیکس، ..) اینک به متا رسیده است، از جمله متاژنومیکس.

فقدان دپارتمان تاریخ علم در دانشگاه‎ها، با رویکردِ "چگونه به فکرشان رسید؟"، یک نقص بزرگ است.

'
هوش مصنوعی چیزی ورای تحلیل داده‌های بزرگ است: ببین چه را ندیده‎ای؟

شرلوک هولمز و دکتر واتسن به پیک نیک رفته چادر می‎زنند.

(نیمه‌شب) شرلوک: واتسن!، چه می‎بینی؟!

واتسن: شکوه ستارگان و عظمت جهان هستی.

شرلوک:احمق! چادرمان را برده‎اند.
"

در طب، کلینیسین همیشه باید به خود نهیب بزند: احمق! چه را ندیده‎ای!؟

"
انسان! موجودی که دیگر نمی‌داند چقدر می‌داند و چه نمی‌داند.

بشر در آستانۀ یک تکامل اجتماعی که سیصد میلیون سال پیش مورچه‌ها و موریانه‌ها وارد آن شدند قرار گرفته، درگاه آن آستانه، هوش مصنوعی است.

'
اینک هیچ متخصصی نمی‎داند که مجموعۀ دانش رشتۀ خودش چه گستره و ژرفایی دارد؟ لذا به عصا و عمق‎یابِ هوش ارتقاءیافته در دوران انفجارِ همزمان اطلاعات و مهملات نیاز دارد تا بداند چه چیز را نمی‎بیند؛ ابزاری برای پرهیز از کوری آموزشی و پژوهشی، اگر قرار است دانشجویان، ارباب هوش ارتقاء یافته باشند.

نوع مواجهه، به ویژه فلسفی با این پدیده بسیار مهم است؛ برای انسانی که قرار است از shituation فعلی وارد متاورس شود.

موضوع بخش بعدی (۴۱)، پرداختن به پیامدهای تعریفی که از "هوش" می‌کنیم، است.

کامران شریفی
دانشکدۀ دامپزشکی
دانشگاه فردوسی مشهد
۱۴۰۴/۲/۱۱
https://news.1rj.ru/str/ksharifiRRB