PrinceofAI Weekly

هفته نامه شماره هفتاد و ششم

اخبار:

یادگیری انتقالی عمیق شش سرطان مختلف را در اسکن PET/CT تشخیص می دهد

PET/CT کل بدن یک ابزار تشخیصی مهم برای تشخیص گسترش سرطان و نظارت بر پاسخ درمانی است، اما تعیین دستی ضایعه زمان‌بر و متغیر است. برای رفع این مشکل، تیمی به رهبری کوین لیونگ از دانشگاه جانز هاپکینز، از یادگیری انتقالی عمیق برای خودکارسازی تشخیص و شناسایی سرطان از تصاویر PET/CT استفاده می‌کنند. این روش از مدل‌های موجود برای آموزش کارهای جدید استفاده می‌کند و آن را قادر می‌سازد تا شش نوع سرطان را با استفاده از دو ردیاب رادیویی مختلف شناسایی کند.

تیم Leung از یک مدل nnU-Net سه بعدی در مجموعه داده‌های PET/CT برای تقسیم‌بندی تومورها، استخراج ویژگی‌های رادیومیک و پیش‌بینی نتایج بیمار استفاده کرد. آنها این مدل را بر روی داده های 1019 بیمار آموزش دادند و اعتبارسنجی کردند و به نرخ های مثبت واقعی و ضرایب تشابه دایس دست یافتند که نشان دهنده تقسیم بندی دقیق است. این مطالعه نشان داد که مدل آنها می تواند خطر سرطان پروستات را با دقت 83 درصد پیش بینی کند، نمرات خطر را با بقای کلی در سرطان سر و گردن مرتبط کند و پاسخ سرطان سینه به شیمی درمانی را با دقت 84 درصد پیش بینی کند.

هدف رویکرد خودکار کاهش بار کاری پزشک و بهبود نتایج بیمار با ارائه بخش‌های تومور قابل اعتماد و نشانگرهای زیستی پیش آگهی، افزایش تشخیص زودهنگام سرطان و نظارت بر درمان است.

صنعت:

تسریع در طراحی ساختارهای شبکه با استفاده از یادگیری ماشین

مشبک ها به دلیل پتانسیل طراحی همه کاره خود جذاب هستند، اما طراحی آنها با خواص مکانیکی خاص به دلیل پیچیدگی فضای طراحی چالش برانگیز است. ترکیب رویکردهای محاسباتی و یادگیری ماشین (ML) برای کاهش هزینه محاسباتی و سرعت بخشیدن به فرآیند طراحی مورد بررسی قرار گرفته است. با این حال، چالش‌ها در ساخت و تفسیر مدل‌های جایگزین مبتنی بر ML و مدیریت کارآمد مجموعه داده‌های آموزشی برای بهینه‌سازی باقی می‌ماند.

این تحقیق با ادغام مدل‌سازی جایگزین مبتنی بر ML با تحلیل توضیحی افزودنی Shapley برای تفسیر تأثیر متغیرهای طراحی به این چالش‌ها می‌پردازد. مدل‌های ML دقت پیش‌بینی بالایی را نشان دادند (R2 > 0.95)، و تجزیه و تحلیل SHAP به شناسایی متغیرهای کلیدی طراحی مؤثر بر عملکرد کمک کرد. علاوه بر این، روش‌های یادگیری فعال، مانند بهینه‌سازی بیزی، تعداد شبیه‌سازی‌های مورد نیاز را به میزان پنج برابر در مقایسه با جستجوهای مبتنی بر شبکه سنتی کاهش داد. این یافته‌ها مزایای سیستم‌های طراحی هوشمند را نشان می‌دهد که از روش‌های ML برای شناسایی متغیرهای طراحی حیاتی و تسریع فرآیند طراحی استفاده می‌کنند.

مقاله:

MeshAnything: Artist-Created Mesh Generation with Autoregressive Transformers

این مقاله محدودیت‌های روش‌های استخراج مش فعلی را برای اشیای سه بعدی ایجاد شده از طریق بازسازی و تولید مورد بحث قرار می‌دهد. این روش‌ها به دلیل تکیه بر صفحه ‌های متراکم و بی‌توجهی به ویژگی‌های هندسی، مش‌هایی را تولید می‌کنند که از مش‌هایی که توسط هنرمندان ساخته می‌شود، ضعیف‌تر است و در نتیجه باعث ناکارآمدی و کیفیت پایین‌تر می‌شود. برای پرداختن به این موضوع، نویسندگان «MeshAnything» را معرفی می‌کنند، مدلی که مش‌های با کیفیت هنری (AMs) را با اشکال مشخص ایجاد می‌کند و کاربرد آن‌ها را در صنعت سه‌بعدی افزایش می‌دهد. MeshAnything از VQ-VAE برای یادگیری واژگان مش و ترنسفورمر فقط رمزگشای شرطی شکل برای تولید مش اتورگرسیو استفاده می کند. این رویکرد AMهایی را با صفحه های بسیار کمتر تولید می‌کند و با حفظ دقت بالا، ذخیره‌سازی، رندر و کارایی شبیه‌سازی را بهبود می‌بخشد.

آموزش:

Edge AI چیست؟

Edge AI به استقرار الگوریتم‌ها و مدل‌های هوش مصنوعی (AI) مستقیماً بر روی دستگاه‌های لبه شبکه، به‌جای تکیه بر منابع متمرکز رایانش ابری اشاره دارد. این بدان معناست که پردازش و تصمیم‌گیری داده‌ها به‌جای ارسال به یک سرور راه دور برای پردازش، به‌صورت محلی روی دستگاه مانند تلفن‌های هوشمند، دستگاه‌های IoT، دوربین‌ها یا سایر دستگاه‌های لبه‌ای انجام می‌شود.

کدینگ:

کتابخانه tkinter در پایتون چیست؟

Tkinter یک کتابخانه استاندارد پایتون است که برای ایجاد رابط های گرافیکی کاربر (GUI) استفاده می شود. این کتابخانه یک جعبه ابزار قوی و همه کاره برای ساخت برنامه های دسکتاپ ارائه می دهد که می توانند بر روی چندین سیستم عامل از جمله ویندوز، macOS و لینوکس اجرا شوند. Tkinter یک بسته بندی در اطراف جعبه ابزار Tk GUI است و در اکثر توزیع های استاندارد پایتون گنجانده شده است، و آن را به یک انتخاب گسترده برای توسعه دهندگان پایتون تبدیل می کند.