PrinceofAI Weekly

هفته نامه شماره سی و پنجم

اخبار:

هوش مصنوعی می تواند سن افراد را از طریق رادیوگرافی قفسه سینه تخمین بزند

مطالعه‌ای که اخیراً توسط محققان دانشگاه متروپولیتن اوزاکا در ژاپن انجام شده است، یک مدل هوش مصنوعی ایجاد کرده است که می‌تواند سن بیولوژیکی افراد را با تجزیه و تحلیل اشعه ایکس قفسه سینه تخمین بزند. مشخص شد که سن تخمین زده شده توسط هوش مصنوعی ارتباط نزدیکی با وجود بیماری های مزمن دارد، به طوری که افرادی که سن تخمین زده شده توسط هوش مصنوعی بالاتر را نشان می دهند، احتمال بیشتری برای ابتلا به چنین شرایطی دارند. این تحقیق که در مجله The Lancet Healthy Longevity منتشر شده است، نشان می‌دهد که رادیوگرافی قفسه سینه می‌تواند بینش‌های ارزشمندی را در مورد سلامت افراد فراتر از سن تقویمی‌شان ارائه دهد.

نویسنده اصلی این مطالعه، یاسوهیتو میتسویاما، معتقد است که سن به دست آمده از رادیوگرافی قفسه سینه به طور دقیق وضعیت سلامت کلی فرد را منعکس می کند. محققان قصد دارند این اپلیکیشن هوش مصنوعی را برای ارزیابی شدت بیماری مزمن، پیش‌بینی امید به زندگی و پیش‌بینی عوارض جراحی توسعه دهند.

برای ایجاد مدل هوش مصنوعی، محققان مجموعه داده وسیعی از بیش از 67000 عکس از قفسه سینه افراد سالم را تجزیه و تحلیل کردند و یک ارتباط قوی بین سن تخمین زده شده توسط هوش مصنوعی و سن تقویمی واقعی آنها یافتند. هنگام تجزیه و تحلیل بیش از 34000 عکس از قفسه سینه از بیماران مبتلا به بیماری های شناخته شده، مدل هوش مصنوعی به طور مداوم سن بالاتری را برای افراد مبتلا به بیماری های مزمن مانند فشار خون بالا، COPD، بیماری کبد، بیماری ریوی و نارسایی مزمن کلیوی گزارش می کند. با این حال، ارتباط کمتری برای بیماری‌های حاد مانند ذات‌الریه، که عفونت‌های اخیر هستند، وجود داشت.

نویسندگان مطالعه تاکید کردند که مدل هوش مصنوعی در درجه اول تغییرات مزمن مرتبط با سن را به جای تغییرات حاد در رادیوگرافی قفسه سینه نشان می دهد، که منطقی است زیرا پیری معمولاً با تغییرات مزمن انباشته شده در طول زمان همراه است.

محققان بر این باورند که این مدل هوش مصنوعی به طور بالقوه می تواند به عنوان یک شاخص اولیه برای بیماری های مرتبط با سن عمل کند و تشخیص و مداخله به موقع را تسهیل کند. با این حال، آنها بر نیاز به تحقیقات بیشتر برای ایجاد علیت، مقایسه مدل هوش مصنوعی با سایر نشانگرهای سن بیولوژیکی و تأیید اثربخشی آن در بین گروه‌های قومی مختلف تأکید می‌کنند.

صنعت:

دانشمندان با استفاده از امواج مغزی بیمار و هوش مصنوعی قطعه «آجر دیگری در دیوار» گروه پینک فلوید را بازسازی کردند

یک مطالعه اخیر در مورد استفاده از هوش مصنوعی برای بازسازی الگوهای موسیقی از امواج مغزی و سیگنال های الکتریکی در بیماران بحث می کند. هدف محققان بهبود ارتباطات و رابط های ماشین-مغز برای افرادی بود که شرایطی داشتند که از گفتار جلوگیری می کند. این مطالعه که در طی جراحی مغز روی 29 بیمار انجام شد، شامل اتصال الکترودها به مغز آنها در حین پخش موسیقی در پس زمینه بود. هوش مصنوعی برای تجزیه و تحلیل داده های امواج مغزی و بازسازی نسخه قابل تشخیص آهنگ استفاده شد. این تحقیق ممکن است راه را برای فناوری‌هایی هموار کند که با وجود ناقص بودن بازسازی‌های فعلی، توانایی‌های گفتاری را در بیمارانی که به دلیل شرایط مختلف از دست داده‌اند، بازیابی می‌کنند.

مقاله:

AnomalyGPT: Detecting Industrial Anomalies using Large Vision-Language Models

این مقاله محدودیت‌های مدل‌های زبان بینایی بزرگ (LVLMs) را در وظایف تشخیص ناهنجاری صنعتی (IAD) مورد بحث قرار می‌دهد و رویکرد جدیدی به نام AnomalyGPT را برای رسیدگی به این موضوع معرفی می‌کند. LVLMهایی مانند MiniGPT-4 و LLaVA در تشخیص اشیاء معمولی مهارت دارند، اما فاقد دانش خاص دامنه هستند. اکثر روش های IAD موجود به تنظیمات آستانه دستی برای تشخیص ناهنجاری نیاز دارند که عملی بودن آنها را محدود می کند. AnomalyGPT با تولید داده های آموزشی با تصاویر غیرعادی و توضیحات متنی، تنظیم دقیق LVLM ها با استفاده از جاسازی های سریع و حذف نیاز به تنظیمات آستانه دستی، بر این محدودیت ها غلبه می کند.

آموزش:

رگرسیون خطی

رگرسیون خطی یک الگوریتم یادگیری نظارت شده است که برای پیش‌بینی یک نتیجه پیوسته (متغیر هدف) بر اساس یک یا چند متغیر پیش‌بینی‌کننده (ویژگی) استفاده می‌شود. این الگوریتم فرض می کند که یک رابطه خطی بین ویژگی ها و متغیر هدف وجود دارد. به عبارت دیگر، سعی می کند یک خط مستقیم را با داده ها تطبیق دهد.

کدینگ:

خلاصه لیست در پایتون

در اینجا یکی دیگر از ترفندهای کدنویسی پایتون وجود دارد که نشان می دهد چگونه می توانید از آن برای ایجاد لیستی بر اساس یک شرط در یک خط کد استفاده کنید. فرض کنید می خواهید لیستی از اعداد زوج بین 1 و 10 ایجاد کنید:

even_numbers = [x for x in range(1, 11) if x % 2 == 0]

print(even_numbers)

وقتی این کد را اجرا می کنید، خروجی زیر را دریافت خواهید کرد:

[10, 8, 6, 4, 2]

راههای ارتباطی با ما:

اینستاگرام:

princeofai@

وبسایت:

https://princeofai.com

تلگرام:

https://t.me/princeofaii