? به Deep Dive این هفته خوش آمدید! در این قسمت به صورت جزئی و با زبانی ساده به بررسی متد و روش انجام جذاب مطالعه "Deep Learning for Echo Analysis, Tracking, and Evaluation of Mitral Regurgitation (DELINEATE-MR)" پرداخته‌ایم. ? لینک مقاله فهرست مطالبی که…

? به Deep Dive این هفته خوش آمدید! در این قسمت به صورت جزئی و با زبانی ساده به بررسی متد و روش انجام جذاب مطالعه "Deep Learning for Echo Analysis, Tracking, and Evaluation of Mitral Regurgitation (DELINEATE-MR)" پرداخته‌ایم. ? لینک مقاله فهرست مطالبی که…

? به Deep Dive این هفته خوش آمدید!

در این قسمت به صورت جزئی و با زبانی ساده به بررسی متد و روش انجام جذاب مطالعه "Deep Learning for Echo Analysis, Tracking, and Evaluation of Mitral Regurgitation (DELINEATE-MR)" پرداخته‌ایم.

? لینک مقاله

فهرست مطالبی که در این سری خواهید خواند:
? توسعه مدل یادگیری عمیق
❓ عملکرد و ارزیابی مدل / مقایسه مدل‌های تک‌نما و چندنما / تحلیل موارد ناهماهنگ

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#آموزشی
#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU

#خبر_مهم

? انستیتوی ایمنی هوش مصنوعی آمریکا (US AISI) با شرکت‌های Anthropic و OpenAI توافقنامه‌هایی امضا کرده تا در زمینه پژوهش، آزمایش و ارزیابی ایمنی هوش مصنوعی همکاری کنند. این توافقنامه‌ها به انستیتو اجازه می‌دهد تا مدل‌های جدید هوش مصنوعی این شرکت‌ها را پیش و پس از انتشار عمومی بررسی و مطالعه کند، با تمرکز بر ارزیابی قابلیت‌ها، شناسایی خطرات ایمنی، و یافتن راه‌های کاهش این خطرات.

? https://www.nist.gov/news-events/news/2024/08/us-ai-safety-institute-signs-agreements-regarding-ai-safety-research

#محتوای_اختصاصی

➡️ @maiaSBMU

NIST

U.S. AI Safety Institute Signs Agreements Regarding AI Safety Research, Testing and Evaluation With Anthropic and OpenAI

GAITHERSBURG, Md. — Today, the U.S. Artificial Intelligence Safety Institute at the U.S.

? مرور مقالات بررسی شده هفته اخیر

? Deep Learning for Echo Analysis, Tracking, and Evaluation of Mitral Regurgitation (DELINEATE-MR)

⚡️ پیامدهای چشمگیر:
- فراهم آوردن امکان ارزیابی شدت نارسایی میترال با دقت بیشتر.
- کمک به بهبود مراقبت از بیماران.

? Retrieval-Augmented Generation–Enabled GPT-4 for Clinical Trial Screening

⚡️ پیامدهای چشمگیر:
- سیستمی مقرون‌به‌صرفه از نظر هزینه و کاهش هزینه غربالگری به ۲ سنت به ازای هر بیمار.
- اگرچه این سیستم پتانسیل بهبود دقت و کارایی غربالگری در آزمایشات بالینی را دارد، اما برای اطمینان از ایمنی و قابلیت اطمینان، ادغام آن باید با احتیاط و شامل بازبینی نهایی توسط پزشک انجام شود.

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU

?Retrieval-Augmented Generation–Enabled GPT-4 for Clinical Trial Screening

◀️فرآیند غربالگری شرکت‌کنندگان در مطالعات بالینی اغلب دشوار و زمان‌بر است. برای ساده‌سازی این فرآیند، محققان از مدل‌های زبانی پیشرفته مانند GPT-4 استفاده کرده‌اند. در این مطالعه، یک سیستم جدید به نام RECTIFIER که ترکیبی از GPT-4 با فناوری Retrieval-Augmented Generation (RAG) است، توسعه داده شد تا به غربالگری بیماران مبتلا به نارسایی قلبی علامت‌دار برای مطالعه COPILOT-HF کمک کند.

◀️سیستم RECTIFIER در مقایسه با روش‌های سنتی غربالگری دستی که توسط کارکنان مطالعه انجام می‌شد، آزمایش شد. این سیستم با استفاده از یادداشت‌های بالینی بیش از ۲۰۰۰ بیمار آموزش و اعتبارسنجی شد. نتایج نشان داد که RECTIFIER با تصمیمات پزشکان متخصص بسیار همخوانی دارد و تا ۱۰۰٪ دقت داشته و در تشخیص نارسایی قلبی علامت‌دار عملکرد بهتری نسبت به غربالگری دستی نشان داده است.

◀️این سیستم همچنین از نظر هزینه مقرون‌به‌صرفه بود و هزینه غربالگری را به ازای هر بیمار به ۲ سنت کاهش داد. اگرچه RECTIFIER پتانسیل بهبود دقت و کارایی غربالگری در آزمایشات بالینی را دارد، اما برای اطمینان از ایمنی و قابلیت اطمینان، ادغام آن باید با احتیاط و شامل بازبینی نهایی توسط پزشک انجام شود.

? لینک مقاله

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

➡️@maiaSBMU

?Deep Learning for Echo Analysis, Tracking, and Evaluation of Mitral Regurgitation (DELINEATE-MR)

◀️یک سیستم یادگیری عمیق (DL) جدید طراحی شده که می‌تواند به پزشکان کمک کند تا تفسیر اکوکاردیوگرافی از طریق قفسه سینه (TTE) را بهبود بخشند، به ویژه در ارزیابی نارسایی میترال (MR)، که یکی از شایع‌ترین بیماری‌های دریچه قلب است. این سیستم DL به طور هوشمند مطالعات کامل TTE را بررسی می‌کند و شدت نارسایی میترال را در یک مقیاس ۴ مرحله‌ای (بدون/جزئی، خفیف، متوسط، شدید) با استفاده از نتایج کاردیولوژیست‌ها به عنوان مرجع، تعیین می‌کند.

◀️آزمایش‌ها بر روی مجموعه‌های داده گسترده داخلی (۸۹۸۷ TTE) و خارجی (۸۲۰۸ TTE) نشان داد که این مدل عملکرد بسیار خوبی دارد (۸۲٪ داخلی، ۷۹٪ خارجی) و با پزشکان هماهنگی بالایی دارد (κ=0.84 و κ=0.80 به ترتیب)، به ویژه در تشخیص نارسایی میترال متوسط تا شدید (AUC برابر ۰.۹۸). این سیستم با استفاده از نماهای مختلف TTE کمی دقیق‌تر عمل کرد و همچنین در مدل طبقه‌بندی ۶ مرحله‌ای که شامل سطوح میانه نارسایی میترال است، موثر بود.

◀️این سیستم DL به پزشکان این امکان را می‌دهد که با دقت بیشتری شدت نارسایی میترال را ارزیابی کنند و در نهایت به بهبود مراقبت از بیماران کمک کند.

? لینک مقاله

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

➡️@maiaSBMU