Onlinebme
4.69K subscribers
1.55K photos
610 videos
367 files
768 links
آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
ارائه‌دهنده‌ی پکیجهای آموزشی پروژه محور:
برنامه‌نویسی متلب-پایتون
یادگیری ماشین
یادگیری عمیق
شناسایی الگو
شبکه عصبی
واسط مغز-کامپیوتر
پردازش سیگنالهای حیاتی

تماس👇
09360382687
@onlineBME_admin

www.onlinebme.com
Download Telegram
Onlinebme
جایزه نوبل فیزیک سال 2024، به دو نفر از پژوهشگران بسیار برجسته فیزیک و هوش مصنوعی (جان جِی. هاپفیلد و جفری اِی. هینتون) به خاطر "اکتشافات و اختراعات بنیادی که یادگیری ماشینی را برای شبکه‌های عصبی مصنوعی ممکن ساخته است"، رسید. دو برنده جایزه نوبل فیزیک امسال،…
🧠🔦 نوبل پزشکی ۲۰۲۶؛ وقتی نور، مغز را روشن و خاموش می‌کند!
اولین نوبل امسال به سه دانشمند رسید:
👨‍🔬 Karl Deisseroth
👨‍🔬 Peter Hegemann
👨‍🔬 Georg Nagel


💡برای کشف کانال‌های یونی حساس به نور و توسعه‌ی Optogenetics؛ فناوری‌ای که امکان کنترل فعالیت نورون‌ها با نور را فراهم کرد.

@Onlinebme
❤9
Onlinebme
🧠🔦 نوبل پزشکی ۲۰۲۶؛ وقتی نور، مغز را روشن و خاموش می‌کند! اولین نوبل امسال به سه دانشمند رسید: 👨‍🔬 Karl Deisseroth 👨‍🔬 Peter Hegemann 👨‍🔬 Georg Nagel 💡برای کشف کانال‌های یونی حساس به نور و توسعه‌ی Optogenetics؛ فناوری‌ای که امکان کنترل فعالیت نورون‌ها با…
✅اما Optogenetics دقیقاً چیست؟

🔦🧠 تصور کنید بتوانیم در مغز، فقط یک نوع خاص از نورون‌ها را انتخاب کنیم و با پالس‌های نور آن‌ها را روشن یا خاموش کنیم.

🌱 ایده از یک موجود خیلی ساده شروع شد. Hegemann و Nagel پروتئین‌های حساس به نور، از جمله Channelrhodopsin، را مطالعه کردند. بعدها این ایده به نورون‌ها منتقل شد و Deisseroth و همکارانش نشان دادند که می‌توان از این پروتئین‌ها مثل یک کلید نوری برای کنترل نورون‌ها استفاده کرد.

🎯 اما چرا این کشف این‌قدر مهم است؟
فرض کنید هنگام لمس یک جسم، نورون خاصی فعال می‌شود.

با روش‌های معمول می‌توانیم بگوییم:
«این نورون هنگام لمس فعال شد.»
اما سؤال مهم‌تر این است:
«اگر خودمان این نورون را فعال کنیم، آیا مغز واقعاً احساس لمس خواهد کرد؟»
اینجاست که Optogenetics بازی را عوض می‌کند.

می‌توانیم یک گروه از نورون‌ها را فعال کنیم و ببینیم چه اتفاقی می‌افتد؛ یا برعکس، آن‌ها را برای یک بازه‌ی زمانی مشخص خاموش کنیم و ببینیم کدام رفتار یا عملکرد از بین می‌رود.
چیزی شبیه ساختن یک ضایعه‌ی موقت و قابل برگشت در مغز؛ بدون اینکه واقعاً بافت مغز را تخریب کنیم.

💡یعنی از همبستگی (Correlation) به سمت علیت (Causation) حرکت میکنیم.

دیگر فقط نمی‌پرسیم: «این نورون با این رفتار ارتباط دارد؟»
بلکه می‌توانیم بپرسیم: «اگر فعالیت این نورون را تغییر بدهم، آیا رفتار هم تغییر می‌کند؟» و فناوری هر روز دقیق‌تر شده است.
در روش‌های پیشرفته‌تر، حتی می‌توان الگوهای سه‌بعدی و بسیار دقیق فعالیت را در مجموعه‌ای از نورون‌ها ایجاد کرد؛ یعنی به‌جای تحریک یک منطقه‌ی بزرگ، می‌توان الگوهای پیچیده‌تری از فعالیت عصبی را شبیه‌سازی کرد.

🚀 و شاید جذاب‌ترین قسمت داستان، آینده باشد:  اگر بتوانیم فعالیت مغز را بخوانیم، یک الگوی خاص را تشخیص دهیم و سپس با نور، فعالیت مشخصی را دستکاری کنیم، می‌توانیم به سمت سیستم‌های Closed-loop  برویم:

Brain activity → Detection → Stimulation → Brain response

چنین رویکردهایی در پژوهش‌های حافظه و بیماری‌های عصبی و حتی بازگرداندن بخشی از بینایی در حال بررسی هستند؛ البته بسیاری از این کاربردها هنوز در مرحله‌ی پژوهش و توسعه‌اند.


🌱 یک پروتئین حساس به نور در یک جلبک
🔦 یک کلید برای نورون‌ها
🧠 ابزاری برای فهم رابطه‌ی مغز و رفتار
🚀 و شاید در آینده، ابزاری برای درمان برخی اختلالات عصبی

💡گاهی یک کشف بنیادی، سال‌ها بعد تبدیل به ابزاری می‌شود که حتی سؤال‌هایی را که می‌توانیم از مغز بپرسیم، تغییر می‌دهد. 

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
❤8
Onlinebme
💡جالب‌ترین نکته‌ی این نمودار، خود عدد 7 نیست! @Onlinebme
💡وقتی از آدم‌ها می‌خواهیم بدون فکر کردن یک عدد انتخاب کنند، عدد 7 به‌ طرز عجیبی محبوب است. اما اتفاق جالب‌ تر وقتی می‌افتد که همین سؤال را از هوش مصنوعی می‌پرسیم...

🔬 پژوهش‌ها نشان می‌دهند بسیاری از مدل‌های زبانی بزرگ (LLM) تمایل حتی بیشتری به انتخاب عدد 7 دارند؛ در بعضی شرایط آزمایشی، تقریبا هر بار همین عدد را انتخاب می‌کنند! البته نتیجه به مدل، نوع سؤال و شرایط آزمایش بستگی دارد و این نمودار را نباید یک قانون همیشگی در نظر گرفت.

⚠️اما به نظرم پیام اصلی ماجرا فراتر از انتخاب یک عدد است.

🔻وقتی میلیون‌ها نفر برای تولید ایده، بررسی گزینه‌ها و تصمیم‌گیری به سیستم‌های هوش مصنوعی مشابه تکیه می‌کنند، آیا ممکن است ناخواسته باعث شویم طرز فکرمان هم شبیه‌تر به هم شود؟

💡پژوهشی که در مجله‌ی Science Advances منتشر شده، به نکته‌ی جالبی رسیده است: هوش مصنوعی مولد توانسته خلاقیت افراد را در نوشتن داستان‌های کوتاه افزایش دهد، اما در عین حال، داستان‌های تولیدشده در مجموع شباهت بیشتری به یکدیگر پیدا کرده‌اند.

البته این به معنای آن نیست که لزوما همین اتفاق در سازمان‌ها و همه‌ی زمینه‌های دیگر هم رخ می‌دهد.

☑️ اما یک سؤال مهم مطرح می‌شود:

اگر همه برای تدوین استراتژی، به چالش کشیدن فرضیات و ارزیابی گزینه‌ها از هوش مصنوعی کمک بگیریم، آیا واقعا داریم هوش جمعی‌مانراگسترش می‌دهیم؟ یا گاهی ناخواسته تنوع دیدگاه‌ها را محدود می‌کنیم؟

💡هوش مصنوعی می‌تواند توانایی هر یک از ما را افزایش دهد؛ اما بهتر شدن عملکرد تک‌ تک افراد، لزوما به تصمیم‌گیری بهتر در سطح جمع منجر نمی‌شود.

▪️شاید دقیقاً همین‌جاست که نقش رهبری انسانی مهم‌تر می‌شود.

🔷 نه فقط در تشویق دیگران به استفاده از هوش مصنوعی، بلکه در حفظ تفکر مستقل، مخالفت سازنده و شجاعت زیر سؤال بردن چیزی که همه با آن موافق‌اند.

💡 هوش مصنوعی می‌تواند دسترسی به دانش و توانایی را گسترده‌تر کند؛ اما این وظیفه‌ی ماست که نگذاریم تفکرمان بیش از حد شبیه یکدیگر شود.
Fabio Moioli



Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
👍8
Onlinebme
💡جالب‌ترین نکته‌ی این نمودار، خود عدد 7 نیست! @Onlinebme
💡ریاضیات از حل مسئله به درک عمیق آن در حال تغییر است.

@Onlinebme
Onlinebme
💡ریاضیات از حل مسئله به درک عمیق آن در حال تغییر است. @Onlinebme
اگر هوش مصنوعی بتواند مسئله‌ای را حل کند که ریاضی‌دانان دهه‌ها برای آن تلاش کرده‌اند، نقش انسان در علم چه خواهد بود؟

هوش مصنوعی وارد مرحله‌ای شده که دیگر فقط در حل تمرین‌ها یا انجام محاسبات کمک نمی‌کند؛ بلکه به مرزهای پژوهش علمی نزدیک شده است.

🔹 از حل مسئله تا کشف ارتباطات
بر اساس گزارش‌های اخیر، OpenAI اعلام کرده است که مدل‌هایش به حل صدها مسئله حل‌نشده ریاضی دست یافته‌اند؛ پیشرفتی که بحث‌های جدی درباره آینده پژوهش و جایگاه ریاضی‌دانان به راه انداخته است.
اما شاید مهم‌ترین بخش ماجرا، خودِ پاسخ‌ها نباشند؛ بلکه پرسش‌هایی باشند که این پیشرفت ایجاد می‌کند.

🔹 وقتی پاسخ‌دادن آسان‌تر می‌شود، چه چیزی ارزشمندتر خواهد شد؟
استاد ریاضی دانشگاه KTU ، Svante Linusson، معتقد است حتی اگر مدل‌های هوش مصنوعی از همین امروز دیگر پیشرفت نکنند، تأثیر آن‌ها بر ریاضیات عظیم خواهد بود.
به‌تدریج، تمرکز می‌تواند از حل تک‌مسئله‌ها به درک ارتباطات عمیق‌تر، شناخت ساختارها و بررسی پرسش‌های بزرگ‌تر تغییر کند.
این تحول فقط به ریاضیات محدود نیست. در بسیاری از حوزه‌ها، وقتی هوش مصنوعی توانایی تولید پاسخ و راه‌حل را پیدا می‌کند، ارزش مهارت‌های انسانی نیز تغییر می‌کند.

🔹 پس در عصر هوش مصنوعی چه مهارت‌هایی اهمیت بیشتری دارند؟
شاید سه توانایی بیش از گذشته تعیین‌کننده باشند:
▪️ مسئله‌یابی: تشخیص اینکه چه پرسشی ارزش حل‌کردن دارد.
▪️ درک عمیق: فهم چرایی پاسخ‌ها و ارتباط آن‌ها با مفاهیم دیگر، نه صرفاً تولید یک نتیجه.
▪️ ارزیابی و قضاوت: بررسی اعتبار پاسخ‌ها، تشخیص خطاها و تعیین اینکه کدام نتیجه واقعاً ارزش علمی دارد.
این تغییر، آموزش دانشگاهی را هم به چالش می‌کشد. اگر تولید پاسخ یا حتی اثبات یک گزاره با کمک هوش مصنوعی آسان‌تر شود، دانشگاه‌ها چگونه باید میزان یادگیری، توانایی پژوهش و شایستگی علمی افراد را ارزیابی کنند؟

نگاهPiko : آینده، رقابت ساده‌ای میان انسان و هوش مصنوعی نیست؛ بلکه بازتعریف نقش انسان در فرایند تولید دانش است.
هرچه هوش مصنوعی در تولید پاسخ توانمندتر شود، توانایی انسان در انتخاب مسئله درست، هدایت فرایند تحقیق، ارزیابی نتایج و ساختن درکی عمیق‌تر اهمیت بیشتری پیدا می‌کند.
شاید سؤال اصلی دیگر این نباشد که «هوش مصنوعی چه چیزی می‌تواند حل کند؟» بلکه این باشد:
وقتی ماشین‌ها می‌توانند پاسخ‌های بیشتری تولید کنند، ما چگونه یاد می‌گیریم سؤال‌های بهتری بپرسیم؟
 
Reference

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
❤5👍4
Onlinebme
FleXray: Universal Clinical X-ray Segmentation @Onlinebme
 معرفی FleXray؛ مدلی برای بخش‌بندی خودکار ۶۰ ساختار آناتومیکی در تصاویر X-ray!

تصاویر رادیوگرافی از پرکاربردترین ابزارهای تصویربرداری پزشکی هستند؛ اما استخراج دقیق ساختارهای آناتومیکی از آن‌ها، به‌دلیل افتادن ساختارهای سه‌بعدی روی یک تصویر دوبعدی، کار ساده‌ای نیست.

🔬 ایده‌ی FleXray چیست؟
پژوهشگران به‌جای برچسب‌گذاری دستی تعداد زیادی تصویر X-ray، از داده‌های CT سه‌بعدی که ساختارهای آناتومیکی آن‌ها قبلاً مشخص شده‌اند، استفاده کرده‌اند. سپس با شبیه‌سازی فرایند تصویربرداری، مجموعه‌ای از X-rayهای مصنوعی با برچسب‌های دقیق ساخته‌اند تا یک مدل عمومی برای بخش‌بندی تصاویر رادیوگرافی آموزش دهند.

📊 مدل روی هشت مجموعه‌داده‌ی مستقل ارزیابی شده و به میانگین Dice برابر با 0.875 رسیده است؛ نتیجه‌ای امیدوارکننده برای مدلی که قرار نیست برای هر مجموعه‌داده از ابتدا آموزش ببیند.

🎯 چرا این دستاورد مهم است؟
روش FleXray می‌تواند ۶۰ ساختار آناتومیکی را در تصاویر X-ray از نواحی مختلف بدن بخش‌بندی کند. این یعنی تصاویر روتین رادیولوژی می‌توانند به داده‌هایی قابل‌اندازه‌گیری تبدیل شوند؛ داده‌هایی که برای اندازه‌گیری‌های خودکار، ارزیابی شدت بیماری، استخراج نشانگرهای زیستی و بررسی تغییرات بیمار در طول زمان کاربرد دارند.
پژوهشگران همچنین کاربرد این مدل را در اندازه‌گیری‌های بالینی، هدایت جراحی با کمک تصویر و آموزش مدل‌های جدید برای وظایف تخصصی‌تر بررسی کرده‌اند.

💡 نکته‌ی جالب: به‌جای اینکه برای هر تصویر دوبعدی از ابتدا برچسب‌گذاری کنیم، می‌توانیم از دانش آناتومیکی موجود در تصاویر سه‌بعدی CT برای ساخت داده‌های آموزشی استفاده کنیم.
 
💡 گاهی پیشرفت فقط از معماری پیچیده‌تر شبکه نمی‌آید؛ گاهی راه‌حل اصلی، ساختن داده‌ی آموزشی بهتر و متنوع‌تر است.
 
📌 مقاله:
https://arxiv.org/abs/2609.26756
💻 کد پروژه:
https://github.com/VictorButoi/FleXray
🧪 دموی آنلاین:
https://flexray.csail.mit.edu/

🔺البته FleXray یک ابزار پژوهشی امیدوارکننده است؛ عملکرد آن در کاربردهای واقعی باید با توجه به نوع تصویر و وظیفه‌ی بالینی ارزیابی شود.
 

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
❤4👍1
Onlinebme
✅ الگوریتم ICA در مثال cocktail party برای جدا کردن صداهای مستقل 💡همین مفهوم در بحث پردازش سیگنال های مغزی استفاده می شود. @Onlinebme
⚠️چیزی که ICA به عنوان نویز چشمی میبینه! سوال اساسی اینه که باید حذفش کنیم یا نگه داریم؟

💡این نکته رو باید در نظر داشته باشیم که مولفه‌های بزرگ پلک زدن عمدتا منشأ چشمی دارند، اما فعالیت عصبی مرتبط با حرکت چشم و پردازش بینایی نیز وجود دارد.

@Onlinebme
👍2
Onlinebme
⚠️چیزی که ICA به عنوان نویز چشمی میبینه! سوال اساسی اینه که باید حذفش کنیم یا نگه داریم؟ 💡این نکته رو باید در نظر داشته باشیم که مولفه‌های بزرگ پلک زدن عمدتا منشأ چشمی دارند، اما فعالیت عصبی مرتبط با حرکت چشم و پردازش بینایی نیز وجود دارد. @Onlinebme
🧠 آیا همیشه باید آرتیفکت پلک‌زدن را از سیگنال EEG حذف کنیم؟
پاسخ کوتاه: نه، همیشه!

✍ پلک‌زدن یکی از منابع مهم آرتیفکت در EEG است و می‌تواند دامنه سیگنال را به‌ویژه در کانال‌های فرونتال به‌شدت تغییر دهد.

روش‌هایی مانند ICA برای شناسایی و حذف این مؤلفه‌ها کاربرد زیادی دارند.
اما یک نکته ظریف وجود دارد:
پلک‌زدن فقط یک آرتیفکت الکتریکی نیست؛ فرایندهای عصبی مرتبط با حرکت چشم و پردازش مجدد اطلاعات بینایی نیز در اطراف آن اتفاق می‌افتند. بنابراین، حذف یک مؤلفه ممکن است ناخواسته بخشی از اطلاعات عصبی را هم حذف کند.

💡پس چه زمانی باید آن را حذف کنیم؟
🔹 طبقه‌بندی و BCI: اگر الگوی پلک‌زدن بین کلاس‌ها متفاوت باشد، مدل ممکن است به‌جای یادگیری فعالیت مغزی، از همین آرتیفکت برای تصمیم‌گیری استفاده کند.

🔹 مطالعات بینایی و توجه: حذف تهاجمی مؤلفه‌ها ممکن است اطلاعات مرتبط با سؤال پژوهش را از بین ببرد.

🔹 مطالعات خستگی و توجه: نرخ و زمان‌بندی پلک‌زدن خودشان می‌توانند اطلاعات ارزشمندی باشند.

🔹 در EEG پوشیدنی: با تعداد کانال کمتر و نبود کانال اختصاصی EOG، جداسازی آرتیفکت از فعالیت مغزی دشوارتر می‌شود.


💡نکته کلی: در پردازش سیگنال، هدف صرفاً تمیزتر کردن داده نیست؛ هدف حفظ اطلاعات مرتبط با مسئله پژوهش است.
قبل از حذف هر مؤلفه، باید بدانیم چه چیزی را حذف می‌کنیم و چرا!

Piko 🐾
LinkedIn
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme
❤4👍1