PrinceofAI Weekly

هفته نامه شماره هشتادم

اخبار:

یادگیری ماشین به تعریف زیرگروه های جدید بیماری پارکینسون کمک می کند

محققان در دانشکده پزشکی ویل کورنل با استفاده از یادگیری ماشین، سه زیرگروه بیماری پارکینسون را بر اساس سرعت پیشرفت بیماری تعریف کرده‌اند:

- زیرگروه با پیشرفت آهسته (PD-I)

- زیرگروه با پیشرفت متوسط (PD-M)

- زیرگروه با پیشرفت سریع (PD-R).

این زیرگروه‌ها دارای ژن‌های محرک متمایزی هستند که می‌توانند به عنوان ابزار تشخیصی و پیش‌بینی مورد استفاده قرار گیرند. همچنین این نشانگرها می‌توانند راه‌های هدف‌گذاری با داروهای جدید و موجود را پیشنهاد کنند. محققان با استفاده از روش‌های یادگیری عمیق و تحلیل سوابق بالینی دو پایگاه داده بزرگ، این زیرگروه‌ها را شناسایی کردند و مکانیسم‌های مولکولی مرتبط با هر زیرگروه را بررسی نمودند. به‌عنوان مثال، زیرگروه PD-R دارای فعال‌سازی مسیرهای خاصی مانند التهاب عصبی و استرس اکسیداتیو بود. تیم تحقیقاتی همچنین نشانگرهای تصویربرداری مغزی و مایع مغزی نخاعی متمایز برای این زیرگروه‌ها پیدا کردند.

این محققان از یافته‌های خود برای شناسایی نامزدهای دارویی استفاده کرده و با تحلیل پایگاه‌های داده بزرگ و واقعی سوابق بهداشتی بیماران، تأیید کردند که این داروها می‌توانند به بهبود پیشرفت پارکینسون کمک کنند. به‌ویژه، افراد مصرف‌کننده داروی متفورمین در زیرگروه PD-R بهبود علائم بیماری را نشان دادند. محققان امیدوارند که این پژوهش محققان دیگر را به استفاده از منابع داده متنوع در مطالعات مشابه تشویق کند و یافته‌هایشان بیشتر تأیید شود.

صنعت:

تخمین سن نوزاد از تصاویر اشعه ایکس جمجمه با استفاده از یادگیری عمیق

این مطالعه مدل‌های یادگیری عمیق با استفاده از تصاویر ساده رادیوگرافی جمجمه برای پیش‌بینی دقیق سن پس از تولد نوزادان زیر ۱۲ ماه ساخت. با استفاده از نتایج مدل‌های یادگیری عمیق آموزش‌دیده، هدف آن ارزیابی امکان استفاده از تغییرات مهم قابل مشاهده در تصاویر رادیوگرافی جمجمه برای ارزیابی توسعه جمجمه پس از تولد از طریق نقشه‌برداری فعال‌سازی کلاس با وزن گرادیان بود. مدل‌های شبکه عصبی کانولوشنی DenseNet-121 و EfficientNet-v2-M برای تحلیل ۴۹۳۳ تصویر رادیوگرافی جمجمه جمع‌آوری شده از ۱۳۴۳ نوزاد توسعه داده شدند. قابل توجه است که با در نظر گرفتن حاشیه خطای ±۱ ماه، DenseNet-121 به حداکثر دقت تصحیح شده ۷۹.۴٪ برای نماهای قدامی-خلفی (میانگین: ۷۸.۰ ± ۱.۵٪) و ۸۴.۲٪ برای نماهای جانبی (میانگین: ۸۱.۱ ± ۲.۹٪) دست یافت. EfficientNet-v2-M به حداکثر دقت تصحیح شده ۷۹.۱٪ برای نماهای قدامی-خلفی (میانگین: ۷۷.۰ ± ۲.۳٪) و ۸۷.۳٪ برای نماهای جانبی (میانگین: ۸۵.۱ ± ۲.۵٪) دست یافت. این یافته‌ها دقت یادگیری عمیق در تخمین سن نوزادان از طریق روش‌های غیر تهاجمی را برجسته می‌کنند و پیشرفتی برای ابزارهای تشخیص بالینی و ارزیابی توسعه ارائه می‌دهند.

مقاله:

MambaVision: A Hybrid Mamba-Transformer Vision Backbone

این مقاله یک ساختار هیبریدی جدید بر پایه ترکیب Mamba-Transformer، با نام MambaVision را پیشنهاد میدهد که به طور خاص برای کاربردهای دیداری طراحی شده است. مشارکت اصلی در این مقاله شامل بازطراحی فرمولاسیون Mamba برای افزایش قابلیت آن در مدل‌سازی کارآمد ویژگی‌های بصری است. علاوه بر این، مطالعه جامعی روی امکان ادغام Vision Transformers (ViT) با Mamba انجام می دهد. نتایج نشان می‌دهد که تجهیز معماری Mamba با چندین بلوک توجه خودکار در لایه‌های نهایی، ظرفیت مدل‌سازی را برای گرفتن وابستگی‌های فضایی بلندبرد بهبود می‌بخشد. بر اساس یافته‌های این کار، خانواده‌ای از مدل‌های MambaVision با معماری سلسله‌مراتبی برای پاسخگویی به معیارهای طراحی مختلف معرفی می‌شود. در طبقه‌بندی تصاویر روی مجموعه داده ImageNet-1K، واریانت‌های مدل MambaVision به عملکرد جدید پیشرفته‌ای (SOTA) از نظر دقت Top-1 و گذردهی تصویر دست می‌یابند. در وظایف پایین‌دستی مانند تشخیص اشیاء، بخش‌بندی موردی و بخش‌بندی معنایی روی مجموعه داده‌های MS COCO و ADE20K، MambaVision از پشتیبان‌های هم‌سایز پیشی گرفته و عملکرد مطلوب‌تری نشان می‌دهد.

آموزش:

هوش مصنوعی بدنمند چیست؟

هوش مصنوعی بدنمد (Embodied AI) به شاخه‌ای از هوش مصنوعی اشاره دارد که بر ایجاد سیستم‌هایی تمرکز می‌کند که می‌توانند از طریق قابلیت‌های حسی و حرکتی خود با دنیای فیزیکی تعامل داشته باشند و از آن بیاموزند. برخلاف هوش مصنوعی سنتی که داده ها را پردازش می کند و در یک محیط کاملا دیجیتالی یا مجازی تصمیم گیری می کند، هوش مصنوعی بدنمند  شامل تعامل فیزیکی با محیط است، اغلب از طریق روباتیک یا سایر رابط های فیزیکی.

کدینگ:

کتابخانه Shapely در پایتون چیست؟

کتابخانه Shapely در پایتون یک کتابخانه برای کار با اشکال هندسی و انجام عملیات هندسی است. این کتابخانه بر پایه کتابخانه GEOS (Geometry Engine - Open Source)  ساخته شده است و امکانات بسیاری را برای کار با انواع مختلف اشکال هندسی فراهم می‌کند.

کتابخانه Shapely یکی از ابزارهای مهم برای کار با داده‌های هندسی و فضایی در پایتون است و در پروژه‌های مرتبط با GIS (سیستم‌های اطلاعات جغرافیایی)، تحلیل فضایی و پردازش داده‌های مکانی بسیار مفید است.