PrinceofAI Weekly

هفته نامه شماره هشتاد و دوم

اخبار:

مدل هوش مصنوعی به اندازه رادیولوژیست ها در تشخیص سرطان پروستات در MRI موثر است

یک مدل یادگیری عمیق به اندازه رادیولوژیست های باتجربه در تشخیص سرطان پروستات مهم بالینی در MRI چند پارامتری با عملکرد مشابه در مجموعه های تست داخلی و خارجی موثر بود. این مطالعه نشان داد که ترکیب مدل با رادیولوژیست ها دقت تشخیصی را بهبود می بخشد. منحصربه‌فرد بودن این مدل در استفاده از وجود یا عدم وجود سرطان بدون نیاز به اطلاعات دقیق محل ضایعه است که باعث می‌شود فرآیند کمتر به منابع نیاز داشته باشد. اگرچه امیدوارکننده است، اما این مدل برای کمک به رادیولوژیست ها و نه جایگزینی در نظر گرفته شده است. هدف تحقیقات آینده بررسی چگونگی تعامل رادیولوژیست ها با مدل و کاربرد بالقوه آن برای MRI دوپارامتری است.

صنعت:

هوش مصنوعی در تشخیص سرطان سینه بهتر از انسان است

هوش مصنوعی مسئول حذف میلیون‌ها شغل از اوایل دهه 2000 بوده است، روندی که انتظار می‌رود ادامه یابد، با تخمین‌ها پیش‌بینی می‌شود که بیش از 85 میلیون شغل تا سال 2025 از بین برود. مطالعه ای که در The Lancet Oncology منتشر شد نشان داد که هوش مصنوعی در مقایسه با رادیولوژیست ها به تنهایی 20 درصد سرطان های بیشتری را در اسکن ماموگرافی تشخیص می دهد. این مطالعه شامل 80000 زن سوئدی بود که نشان داد هوش مصنوعی 6 سرطان را در هر 1000 اسکن در مقابل 5 مورد در هر 1000 توسط رادیولوژیست ها تشخیص می دهد. علیرغم موفقیت هوش مصنوعی، رادیولوژیست ها همچنان ضروری هستند، زیرا آنها قضاوت مهمی را فراتر از غربالگری انجام می دهند. ابزارهای هوش مصنوعی مانند MIRAI MIT که خطر ابتلا به سرطان سینه را با استفاده از اسکن بیمار پیش‌بینی می‌کند، دقیق‌تر می‌شوند، اما چالش‌ها در حصول اطمینان از عملکرد ثابت در بین جمعیت‌شناختی مختلف بیماران باقی می‌ماند. با پیشرفت فناوری هوش مصنوعی، می‌تواند توانایی رادیولوژیست‌ها را برای غربالگری جمعیت گسترده‌تر و متنوع‌تری افزایش دهد و به طور بالقوه تشخیص سرطان را بهبود بخشد و جان افراد بیشتری را نجات دهد.

مقاله:

Deep learning solutions for inverse problems in advanced biomedical image analysis on disease detection

این مطالعه با توسعه یک راه حل یادگیری عمیق (DL) به نام DLSIP-ABIADD، به مشکلات معکوس در تجزیه و تحلیل تصویر زیست پزشکی، به ویژه برای تشخیص بیماری می پردازد. مشکلات معکوس شامل استنتاج خواص ناشناخته از داده های تصویربرداری مشاهده شده است که برای تشخیص زودهنگام و دقیق بیماری بسیار مهم است. تکنیک DLSIP-ABIADD از یک رویکرد نقشه برداری مستقیم، با فیلتر دوطرفه برای پیش پردازش تصویر و مدل MobileNetv2 برای استخراج ویژگی استفاده می کند. روش بهینه‌سازی حل‌پذیری گاز هنری (HGSO) فراپارامترهای مدل MobileNetv2 را بهینه می‌کند، در حالی که یک مدل حافظه کوتاه‌مدت دو جهته (BiLSTM) برای شناسایی بیماری استفاده می‌شود. نتایج تجربی نشان می‌دهد که تکنیک DLSIP-ABIADD از سایر مدل‌ها در تشخیص بیماری بهتر عمل می‌کند.

آموزش:

واریانس چیست؟

در آمار، واریانس اندازه‌گیری است که نشان می‌دهد مجموعه‌ای از اعداد چقدر پراکنده شده‌اند یا چقدر مقادیر در یک مجموعه داده با میانگین (متوسط) مجموعه داده متفاوت است. این مفهوم در واقع درجه تنوع یا پراکندگی نقاط داده را کمیت می کند.

از نظر ریاضی، واریانس به عنوان میانگین اختلاف مجذور بین هر نقطه داده و میانگین محاسبه می‌شود. واریانس یک مفهوم اساسی در آمار است زیرا مبنایی برای سایر معیارهای پراکندگی است، مانند انحراف معیار، که جذر آن است.

کدینگ:

کتابخانه pythreejs در پایتون چیست؟

pythreejs یک کتابخانه پایتون است که اتصالاتی را به کتابخانه محبوب جاوا اسکریپت three.js ارائه می دهد که برای ایجاد و نمایش گرافیک های سه بعدی در یک مرورگر وب استفاده می شود. با pythreejs، می‌توانید تجسم‌های سه بعدی را مستقیماً در پایتون ایجاد کنید و آنها را به به صورت تعاملی در نوت‌بوک‌های Jupyter یا سایر محیط‌های مبتنی بر وب ارائه دهید.