✅انسان یا ماشین: هوش مصنوعی در تشخیص سرطان پوست از متخصصین پوست هم بهتر عمل می کند

👩‍🏫نویسنده: هما کاشفی امیری

🔶محققان برای اولین بار نوعی سیستم هوش مصنوعی یا یادگیری ماشین به نام شبکه عصبی کانولوشنی را برای تشخیص سرطان پوستی به کار برده اند و نتایج نشان داده است که این سیستم بهتر از متخصصین پوست می تواند سرطان را تشخیص دهد.

🔶در مطالعه ای که پژوهشگران در آلمان، ایالات متحده و فرانسه انجام دادند، یک شبکه ی CNN را آموزش دادند تا سرطان پوست را تشخیص دهد و برای این منظور بیش از 100000 تصویر ملانومی خوش خیم را به عنوان نمونه ی آموزش به این سیستم دادند (کشنده ترین نوع سرطان پوستی). محققان عملکرد این سیستم را با تشخیص 58 نفر از متخصصان پوست مقایسه کردند و نتیجه گرفتند که شبکه CNN به احتمال کمتری سرطان های پوستی ملانوما را به عنوان فرد سالم اشتباه کلاسبندی کرده است.

🔶این شبکه، یک شبکه عصبی مصنوعی است که برای ساخت آن از فرآیندهای بیولوژیکی مغز انسان الهام گرفته شده است و سلول های عصبی مغز به یکدیگر متصل بوده و آن چیزی که چشم می بیند پاسخ می دهند. CNN مسئول یادگیری سریع از تصاویر است و باید با توجه به تصاویری که دیده است به خود آموزش دهد تا عملکرد خود را بهبود بخشد.

🔶نویسنده ی اول این پژوهش پروفسور هولگر هنسل، پزشک فوق تخصص پوست در دانشکده ی پوست، دانشگاه هیدلبرگ آلمان توضیح می دهد: شبکه CNN مانند مغز یک کودک کار می کند. برای آموزش این شبکه، بیش از 100000 تصویر از سرطان های بدخیم و خوش خیم پوستی را نشان دادیم. تنها از تصاویر ماتوسکوپی استفاده شده اند یعنی ضایعاتی که 10 برابر بزرگنمایی شده اند. با ارائه ی هر تصویر آموزشی، قابلیت CNN برای تفکیک ضایعات خوش خیم و بدخیم بهبود یافت.

🔶پس از اتمام آموزش، دو مجموعه تصویر از کتابخانه ی هایدلبرگ ایجاد کردیم که از قبل برای آموزش استفاده نشده بودند و برای CNN ناشناخته بودند. یک مجموعه از 300 تصویر برای تست عملکرد CNN استفاده شدند. قبل از انجام این کار100 مورد از سخت ترین تصاویر برای تشخیص انتخاب شده توسط متخصصین پوست با نتایج CNN مقایسه شدند.

🔶58 نفر متخصص پوست از 17 کشور مختلف انتخاب شدند تا عملکرد تشخیصی آنها با سیستم CNN مقایسه شود. در وهله ی اول متخصصین پوست به طور متوسط 86.6% از ملانومی ها را تشخیص دادند و 71.3% از ضایعات خوش خیم را تعیین کردند. با این حال زمانی که CNN برای این تشخیص استفاده شد، 95% از ملانوم ها را تشخیص داد.
منبع:
https://m.medicalxpress.com/news/2018-05-machine-ai-dermatologists-skin-cancer.html

#خبر
#هوش_مصنوعی
#شبکه_عصبی_کانولوشنی
#یادگیری_عمیق
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
📖 @onlineBME

Man against machine: AI is better than dermatologists at diagnosing skin cancer
Researchers have shown for the first time that a form of artificial intelligence or machine learning known as a deep learning convolutional neural network (CNN) is better than experienced dermatologists ...

✅راهی جدید برای توضیح شبکه های عصبی

👩‍🏫نویسنده: هما کاشفی امیری

✍️در حال حاضر اکثر ما دید کلی از شبکه عصبی داریم و نقشی که شبکه عصبی در بخش «یادگیری ماشین» حوزه ی «هوش مصنوعی» ایفا می کند را به طور کلی می شناسیم. همچنین در حوزه ای به نام یادگیری عمیق، شبکه های عصبی ساختارهای الگوریتمی در نظر گرفته می شوند که به ماشین ها کمک می کنند تا در هر تسکی مانند تشخیص چهره و اجتناب از برخورد اتومبیل تا تشخیص های پزشکی و پردازش زبان طبیعی بهتر از الگوریتم های قبلی نتیجه بگیرند.
نحوه ی توضیح این که شبکه های عصبی مصنوعی (ANN) چگونه کار می کنند بدون اینکه وارد جزئیات دقیق ریاضیاتی شویم، مسئله ای است که کمتر به آن پرداخته شده است. اغلب روند کار و ارتباطات این شبکه ها به مسیرهای عصبی مغز انسان تشبیه می شوند که اتفاقا شباهت کاملی بین آنها وجود ندارد
شاید وقت آن رسیده است که شبکه های عصبی را به شیوه ی دیگری یاد بگیریم که filmmaker Ben Sharony و PokeGravy Studios برای توضیح این شبکه ها یک انیمیشن کوتاه با موزیک Edmund Jolliffe ارائه داده اند و این ویدیو داستان کوتاهی در مورد ANN می گوید که کامپیوتر دمدمی مزاج است که مانند همه ی کامپیوترهای دیگر نیست و دوست ندارد اطلاعات به آن وارد شود.
این کامپیوتر دمدمی مزاج که ANN نام دارد ترجیح می دهد خودش همه چیز را یاد بگیرد. در این ویدیو سپس مفهوم شبکه عصبی را توضیح می دهد و کامپیوتر چگونه با استفاده از آن می تواند اولین چیزی که می بیند را شناسایی کند. ANN زیاد اشتباه می کند تا زمانی که با روش سعی و خطا (و فیدبک و به طور خلاصه فرآیند پس انتشار خطا) در نهایت یاد می گیرد چطور یک شی را شناسایی کند.
یادگیری عمیق به همین سادگی است. برای شناسایی یک جسم خاص، شبکه عصبی به ویژگی های مختلف شی مانند شکل، رنگ و سطح شی توجه می کند و با استفاده از روش پس انتشار خطا، پیش بینی های خود را به واقعیات موجود نزدیک می کند.

منبع:https://techcrunch.com/2018/09/26/a-new-way-to-explain-neural-networks
#خبر
#هوش_مصنوعی
#شبکه_عصبی
#یادگیری_عمیق

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
➖➖➖➖
✔️ @onlineBME

🌐 کلاه التراسوندی که تصاویر زمان حقیقی فراهم می کند، و ارتباط بین مغز و کامپیوتر را ممکن خواهد ساخت!

👨‍💻نویسنده: محمد نوری زاده چرلو

✍️ تکنولوژی التراسوند برای مغز به این معنی است که در طول جراحی میتوان تصاویر زمان حقیقی داشت، یک ایده بهتر از اینکه کدام مناطق مغزی توسط اقدامی یا احساسی تحریک شده است و در نهایت یک راه موثر برای کنترل نرم افزار یا رباتیک توسط افکار فرد خواهد بود.
آقای Brett Byram استادیار مهندسی پزشکی می گوید که: " پزشکان و دانشمندان علوم اعصاب چندین دهه امیدوار بودند که چنین پیشرفتی به وجود بیاید، اما تا امروز این عمل امکان پذیر نبود! " امواج التوراسوند در داخل مغز برگشت داده میشوند و پروپوپ التراسوند نمیتواند موج ها را دریافت کند.
برت قصد دارد از یادگیری ماشین استفاده کند تا به تدریچ بتواند اعوجاج را در نظر گرفته و تصاویر قابل اجرا ارائه دهد. علاوه‌براین، او میخواهد تکنولوژِی الکتروانسفالوگرام را نیز به این پروژه ادغام کند تا پزشکان علاوه بر دیدن پرفیوژن مغز(جریان خون چه ارتباطی با تغییرات در افکار دارد)، بتوانند نواحی مرتبط با تحریک احساسات و حرکات را نیز ببیند.

ادامه در سایت: 👇👇👇

http://onlinebme.ir/ultrasound-helmet-would-make-live-images-brain-machine-interface-possible/

#شبکه_عصبی_عمیق #واسط_مغز_کامپیوتر #یادگیری_ماشین #التراسوند #eeg
#مهندسی_پزشکی
#هوش_مصنوعی

🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @OnlineBME

📺 داستان شگفت انگیز A.N.N
🔸خنگ دوست داشتنی 🙃😍

#شبکه_عصبی_مصنوعی
#مهندسی_پزشکی
#هوش_مصنوعی

🔹زیرنویس فارسی: تیم onlinebme

#artificial_Neural_Network

توضیحات تکمیلی👇
https://onlinebme.com/a-new-way-to-explain-neural-networks/

✔️ @onlinebme

📺 کنترل ماشین با A.N.N
🔸 وقتی خنگ دوست داشتنی ما راننده میشه🙃😍


#شبکه_عصبی_مصنوعی
#مهندسی_پزشکی
#هوش_مصنوعی
#یادگیری_ماشین

🔹زیرنویس فارسی: تیم onlinebme

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlinebme

📺 توضیح شبکه عصبی در یک دقیقه
#معرفی
#شبکه_عصبی_مصنوعی
#مهندسی_پزشکی
#هوش_مصنوعی
#یادگیری_ماشین

🔹زیرنویس فارسی: تیم onlinebme

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
✔️ @onlinebme

همراهان عزیز در بهار با دوره های زیر در کنار شما خواهیم بود😊❤️
1⃣ دوره پترن در پردازش سیگنالهای حیاتی
2⃣ دوره جامع پردازش تصویر
3⃣ دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
4⃣ آموزش اصول برنامه نویسی متلب ( هزینه #رایگان )


لینک مربوط به برنامه کلاسها 👇👇👇
https://onlinebme.com/بهار-98/

💡سعی ما این است که در دوره ها سه اصل رو رعایت کنیم :
تئوری ➕ پیاده‌سازی ➕ پروژه عملی

✅در روزهای آینده برنامه کارگاهها رو هم اعلام خواهیم کرد.

#پردازش_سیگنال #پردازش_تصویر #پردازش_تصاویرپزشکی
#پترن #یادگیری_ماشین #شبکه_عصبی #هوش_مصنوعی
#واسط_مغز_کامپیوتر #bci
#نوروساینس #neuroscience
#تئوری #پیاده‌سازی #پروژه_عملی
#متلب #پایتون #برنامه‌نویسی

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
☘ @onlinebme

✅ مروری مختصر بر مباحثی که در دوره ي تخصصی " پیاده سازی شبکه های عصبی در متلب" آموزش داده خواهد شد.
تئوری ➕ پیاده‌سازی ➕ پروژه عملی


مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران

🔹 جهت کسب اطلاعات بیشتر به شماره و آیدی زیر پیام بدهید 👇👇
@OnlineBME_Admin
0936-038-2687
#شبکه_عصبی
#دوره
#پروژه_محور
#کلاسبندی
#پیشبینی
#خوشه_بندی
#کاهش_بعد
#مدلسازی
#استخراج_ویژگی
#تئوری #پیاده_سازی #پروژه_عملی
#mlp #perceptron #rbf #elm #pnn #som #recurrent #jordan #elman
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

نمونه ای از پروژه هایی که در دوره تخصصی پیاده‌سازی شبکه های عصبی در متلب انجام خواهیم داد:
- پیش بینی نرخ ارز با استفاده از شبکه عصبی
داده : ثبت شده در ایران
نوع پرژه: رگرسیون(پیش بینی)
شبکه های عصبی با ناظر برای چنین پروژه هایی استفاده می شود که ما در طول دوره یکی از پروژه هایی که با آن شبکه های پیاده سازی شده را ارزیابی می کنیم پروژه پیش بینی نرخ ارز می باشد

#دوره #شبکه_عصبی
@onlinebme

مفاهیمی که در طول دوره یاد میگیریم
یادگیری ماشین- هوش مصنوعی- یادگیری عمیق
نحوه ارزیابی یک مدل
- روشهای اعتبارسنجی
- پارامترهای ارزیابی
#دوره #شبکه_عصبی
@onlinebme