Neuroscience & Neoplaisa Artificial Intelligence Research Group (NAIRG)

🧠 ذهن فراتر از معیارها: چطور بفهمیم دو مغز (یا مدل هوش مصنوعی) شبیه هم هستند؟ آیا تا به حال فکر کرده‌اید که شبکه‌های عصبی مصنوعی (AI) تا چه حد شبیه مغز انسان کار می‌کنند؟ یا اینکه چطور می‌توانیم فعالیت مغزی دو موجود مختلف را با هم مقایسه کنیم؟ با پیشرفت تکنولوژی، حالا می‌توانیم فعالیت هزاران نورون را همزمان ثبت کنیم و هوش مصنوعی‌های قدرتمندی بسازیم که شباهت‌های اولیه‌ای با مغز دارند. اما یک چالش بزرگ وجود دارد: چگونه می‌توانیم شباهت این سیستم‌های پیچیده را به صورت علمی و دقیق اندازه‌گیری کنیم؟ در حال حاضر بیش از ۳۰ روش مختلف (مثل CKA، RSA و Brain-Score) برای مقایسه مغز و AI وجود دارد که باعث سردرگمی محققان شده است. او برای رهایی از این سردرگمی، ۴ نکته کلیدی را مطرح می‌کند: 1️⃣ ظاهر متفاوت، باطن یکسان: بسیاری از روش‌های پیچیده و معروفِ اندازه‌گیری شباهت، در واقع ساختار ریاضی مشابه یا حتی یکسانی دارند و فقط نام‌هایشان متفاوت است! 2️⃣ قدرت پیش‌بینی به معنای شباهت نیست: اینکه یک مدل هوش مصنوعی بتواند سیگنال‌های مغزی را خوب پیش‌بینی کند، لزوماً به این معنی نیست که شبیه مغز کار می‌کند! قدرت پیش‌بینی یک‌طرفه است، اما شباهتِ ساختاری و هندسی باید متقارن (دوطرفه) باشد. 3️⃣ به جای یک نمره خشک و خالی، به «نقشه» نیاز داریم: بهترین روش‌ها آن‌هایی هستند که مثل یک «معیار فاصله واقعی» عمل می‌کنند و به ما اجازه می‌دهند مغزها و مدل‌های مختلف را در یک فضای مشترک نقشه‌برداری و مقایسه کنیم. 4️⃣ مغز پیچیده‌تر از یک عدد است: هیچ معیار واحدی نمی‌تواند به تنهایی کل داستان شباهت مغز و AI را روایت کند. نباید فقط به دنبال رتبه‌بندی مدل‌ها در یک جدول باشیم (لیدربورد)؛ بلکه باید از چندین معیار مختلف برای درک بهتر استفاده کنیم. 🎯 هدف از مقایسه مغز و هوش مصنوعی صرفاً عددسازی و رکوردشکنی نیست. شباهت‌ها فقط زمانی ارزشمندند که به ما کمک کنند «مکانیسم‌های محاسباتی» مغز را بهتر درک کنیم. 🔗 لینک مطالعه مقاله اصلی

⏳ آیا می‌توان به آینده‌ی یک ذهن خیره شد؟ 🧠 وقتی نام «پارکینسون» به میان می‌آید، ناخودآگاه لرزش دست‌ها و کندی حرکات در ذهن تداعی می‌شود. اما این بیماری، چهره‌ای خاموش و بی‌رحم‌تر نیز دارد: افت شناختی (Cognitive Decline). غباری که به آرامی بر حافظه، تمرکز و قدرت استدلال بیمار می‌نشیند. سال‌هاست که پیش‌بینیِ زمانِ شروع این افت، مثل یک پازل پیچیده پزشکان را سردرگم کرده است و روش‌های کلاسیک معمولاً در برابر پیچیدگی این داده‌ها کم می‌آورند. اما ما توی پژوهش اخیر تیم NAIRG تصمیم گرفتیم به جای پاک کردن صورت مسئله و محدود ماندن به روش‌های سنتی، از پیچیدگی‌های پنهانِ همین داده‌ها برای باهوش‌تر کردن مدلمون استفاده کنیم! 💡 داستان از این قراره که سیستم ما با عبور از ارزیابی‌های بالینیِ رایج و توسعه‌ی یک شبکه عصبی پیشرفته (3D Autoencoder)، ویژگی‌های بسیار پیچیده و پنهان تصاویر اسکن مغزی (DAT SPECT) رو استخراج می‌کنه. ما این ویژگی‌های عمیق (رادیومیکس) رو با ۱۷ نشانگر بالینی ترکیب کردیم؛ انگار که به هوش مصنوعی یاد دادیم خطوط نامرئیِ آینده رو در اسکن‌های امروزِ بیمار بخونه و جاهای خالی رو با دقت حدس بزنه. نتیجه چی شد؟ 🎯 وقتی این سیستم رو برای پیش‌بینی افت شناختی بیماران تست کردیم، دیدیم که این رویکرد تونست با استفاده از الگوریتم Gradient Boosting و با سطح زیر نمودار (AUC) بی‌نظیر ۸۹.۲۸، وضعیت شناختی بیماران رو در یک افق ۴ ساله پیش‌گویی کنه. این یعنی یک قدم بسیار بزرگ به سمت پزشکی شخصی‌سازی‌شده و تبدیل یک آینده‌ی تاریک، به نقشه‌ی راهی شفاف برای مداخله‌ی زودهنگام. برای خوندن جزئیات، معماری مدل‌ها و بررسی‌های فنی، می‌تونید این مقاله رو که در ژورنال معتبر PLOS ONE منتشر شده، از لینک زیر مطالعه کنید: 🔗 لینک دسترسی مستقیم به مقاله: [https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0304355] NAIRG Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine. 🌐 https://nairg.org/ 📱 https://t.me/NAIRG_ResearchGroup

👀 چشم‌نوازی علم: وقتی خواندن انسان و هوش مصنوعی به هم می‌رسند! تصور کنید در حال غرق شدن در متنی هستید، چشم‌هایتان بر روی کلمات می‌لغزند، مکث می‌کنند، و ذهنتان با سرعتی شگفت‌انگیز معنا را درمی‌یابد. حالا این تصویر را با نحوه‌ی پردازش یک مدل زبانی بزرگ (LLM) مقایسه کنید؛ ماشینی که واژه‌ها را با الگوریتم‌های پیچیده تحلیل می‌کند. تا به حال، این دو فرآیند، هرچند در ظاهر مشابه، در دنیای واقعی و با جزئیات دقیق، کمتر مورد مقایسه مستقیم قرار گرفته بودند. اما اکنون، یک مطالعه‌ی نوآورانه، پرده از شباهت‌ها و تفاوت‌های ظریف این دو دنیای پردازش برداشته. این تحقیق با رصد دقیق حرکات چشم انسان در حین خواندن و مقایسه‌ی آن با چگونگی «پردازش» متن توسط هوش مصنوعی، به روشنی شکاف‌های کنونی در توانایی‌های LLMها را نمایان می‌سازد و دریچه‌های تازه‌ای به سوی درک عمیق‌تر از نحوه‌ی فهم زبان توسط مغز انسان و محدودیت‌های ماشین می‌گشاید. این پژوهش، با رویکردی بی‌سابقه، داده‌های ردگیری چشم انسان را مستقیماً با خروجی مدل‌های پردازش زبان مقایسه کرده است. این مقایسه‌ی کمی و کیفی، نه تنها نقاط همگرایی احتمالی را آشکار می‌کند، بلکه مهم‌تر از آن، نشان می‌دهد که هوش مصنوعی در حال حاضر در درک ظرافت‌ها، ارجاعات، و ساختارهای معنایی پیچیده‌ای که مغز انسان در لحظه به صورت شهودی پردازش می‌کند، با چالش‌های جدی روبروست. نتایج این تحقیق، صرفاً یک یافته‌ی علمی دیگر نیست؛ بلکه جرقه‌ای برای بحث‌های آینده در زمینه‌ی توسعه‌ی هوش مصنوعیِ با درک عمیق‌تر و همچنین فهم بهتر سازوکارهای شناختی انسان در پردازش زبان خواهد بود. 🔗 مطالعه متن کامل مقاله

An ordinary person, by studying hard, would get to be able to imagine these things like I imagine. Of course, I was an ordinary person who studied hard.

Richard Feynman

🚨 معرفی GPT-6 Astra؛ یک جهش بزرگ در هوش مصنوعی شرکت OpenAI از مدل جدید خودش با نام GPT-6 Astra رونمایی کرده؛ مدلی که فقط برای پاسخ‌دادن به سؤال‌ها ساخته نشده و می‌تونه کارهای پیچیده رو هم انجام بده. 🔥 بعضی از نتایج اعلام‌شده: • امتیاز ۹۹.۹٪ در آزمون ARC-AGI-3 • امتیاز ۹۸٪ در آزمون FrontierMath Tier 4 • امتیاز ۱۰۰٪ در آزمون ExploitBench • امتیاز ۹۶٪ در آزمون GPQA Diamond • امتیاز ۹۵.۹٪ در آزمون BenchCAD • امتیاز ۷۲.۶٪ در آزمون OSWorld 2.0 🖥 یکی از مهم‌ترین قابلیت‌های این مدل، کار با کامپیوتره. مدل Astra می‌تونه محیط کامپیوتر رو ببینه و مستقیماً با نرم‌افزارها و ابزارهای مختلف کار کنه. یعنی به‌جای اینکه فقط توضیح بده یک کار رو چطور انجام بدی، می‌تونه خودش مراحل انجام اون کار رو اجرا کنه. برای مثال می‌تونه: 🔹 فرم‌های آنلاین رو تکمیل کنه 🔹 با نرم‌افزارهای مختلف کار کنه 🔹 کد بنویسه و اجرا کنه 🔹 وب‌سایت بسازه و اون رو آزمایش کنه 🔹 از ابزارهای تخصصی استفاده کنه 🔹 چند مرحله از یک پروژه رو پشت سر هم انجام بده این قابلیت که بهش Computer Use می‌گن، یکی از ویژگی‌هایی هست که این مدل رو به یک عامل هوش مصنوعی (AI Agent) نزدیک‌تر می‌کنه. 🧠 تفاوت اصلی همین‌جاست: قبلاً از هوش مصنوعی می‌پرسیدیم: «چطور این کار رو انجام بدم؟» اما مدل‌های جدید دارن به سمتی می‌رن که می‌تونیم بهشون بگیم: «این کار رو برای من انجام بده.» و خود مدل، مراحل لازم رو انجام بده و نتیجه رو تحویل بده. ⚠️ پیشرفت در درک وظایف: شرکت OpenAI همچنین اعلام کرده که این مدل در درک دستورها و رعایت محدودیت‌های تعیین‌شده پیشرفت چشمگیری داشته؛ یعنی بهتر می‌تونه تشخیص بده چه کاری باید انجام بده و چه کاری خارج از محدوده‌ی وظیفه‌اش قرار داره. 📌 مدل GPT-6 Astra فعلاً برای گروه محدودی از سازمان‌ها عرضه شده و در ادامه برای کاربران نسخه‌های Plus و Pro و Business و همچنین از طریق API در دسترس عموم قرار می‌گیره. به نظر می‌رسه تعریف «چت‌بات» داره تغییر می‌کنه. آینده‌ی هوش مصنوعی فقط درباره‌ی جواب دادن نیست؛ درباره‌ی انجام دادن کارهاست. 🤯 🔗 منبع رسمی: سایت OpenAI مدل GPT-6 Astra

تا حالا به این فکر کردید که چقدر از داده‌های ارزشمند پزشکی، فقط به خاطر «ناقص بودن»، خیلی راحت دور ریخته میشن؟ 🧩 توی دنیای تحقیقات هوش مصنوعی با یه چالش بزرگ روبه‌رو هستیم به اسم «داده‌های سانسورشده» (Censored Data) . منظورمون پرونده‌ی بیمارانی هست که در طول دوره مطالعه، به هر دلیلی ارتباطشون با بیمارستان قطع میشه یا تا پایان پژوهش زنده می‌مونن ولی ما دقیقاً نمی‌دونیم سرنوشت نهاییشون چی میشه. مدل‌های هوش مصنوعی کلاسیک معمولاً با این داده‌های نیمه‌کاره گیج میشن و در نهایت اون‌ها رو نادیده می‌گیرن؛ که این یعنی از دست دادن کوهی از الگوهای حیاتی! اما ما توی پژوهش جدیدمون (با همکاری تیم NAIRG، به رهبری انستیتو سرطان BC و دانشگاه UBC) تصمیم گرفتیم به جای پاک کردن صورت مسئله، از همین ابهامات برای باهوش‌تر کردن مدلمون استفاده کنیم! 💡 ما یه سیستم «یادگیری نیمه‌نظارتی آگاه به سانسور» (Censor-Aware SSL) طراحی کردیم. داستان از این قراره که سیستم ما با ترکیب اطلاعات بالینی و استخراج ویژگی‌های پنهانِ تصاویر PET و سی‌تی‌اسکن (رادیومیکس کلاسیک و عمیق)، به جای اینکه پرونده‌های ناقص رو کنار بذاره، با تکنیکی به اسم Pseudo-labeling از همون‌ها هم یاد می‌گیره! انگار که به هوش مصنوعی یاد دادیم جاهای خالی پازل رو با دقت حدس بزنه و تصویر رو کامل کنه. نتیجه چی شد؟ فوق‌العاده! 🎯 وقتی این سیستم رو روی داده‌های بیماران مبتلا به سرطان ریه تست کردیم، دیدیم که این رویکرد تونست خطای پیش‌بینی زمان بقای بیماران رو تا ۲۶.۵ درصد کاهش بده. این یعنی یک قدم بسیار بزرگ به سمت پزشکی شخصی‌سازی‌شده و برنامه‌ریزی دقیق‌ترِ مسیر درمان برای هر بیمار. این دستاورد نشون میده که توی دنیای داده‌ها، حتی سکوت و اطلاعات ناقص هم می‌تونن حرف‌های زیادی برای گفتن داشته باشن؛ به شرطی که بدونیم چطور بهشون گوش بدیم! 🎧🔬 برای خوندن جزئیات ، معماری مدل‌ها و بررسی‌های فنی، می تونید نسخه پیش‌چاپ این مقاله رو از لینک زیر مطالعه کنید: 🔗 لینک دسترسی مستقیم به مقاله: [https://arxiv.org/abs/2502.01661] NAIRG Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine. 🌐 https://nairg.org/ 📱 https://t.me/NAIRG_ResearchGroup

تا حالا به این فکر کردید که چقدر از داده‌های ارزشمند پزشکی، فقط به خاطر «ناقص بودن»، خیلی راحت دور ریخته میشن؟ 🧩 توی دنیای تحقیقات هوش مصنوعی با یه چالش بزرگ روبه‌رو هستیم به اسم «داده‌های سانسورشده» (Censored Data) . منظورمون پرونده‌ی بیمارانی هست که در طول دوره مطالعه، به هر دلیلی ارتباطشون با بیمارستان قطع میشه یا تا پایان پژوهش زنده می‌مونن ولی ما دقیقاً نمی‌دونیم سرنوشت نهاییشون چی میشه. مدل‌های هوش مصنوعی کلاسیک معمولاً با این داده‌های نیمه‌کاره گیج میشن و در نهایت اون‌ها رو نادیده می‌گیرن؛ که این یعنی از دست دادن کوهی از الگوهای حیاتی! اما ما توی پژوهش جدیدمون (با همکاری تیم NAIRG، به رهبری انستیتو سرطان BC و دانشگاه UBC) تصمیم گرفتیم به جای پاک کردن صورت مسئله، از همین ابهامات برای باهوش‌تر کردن مدلمون استفاده کنیم! 💡 ما یه سیستم «یادگیری نیمه‌نظارتی آگاه به سانسور» (Censor-Aware SSL) طراحی کردیم. داستان از این قراره که سیستم ما با ترکیب اطلاعات بالینی و استخراج ویژگی‌های پنهانِ تصاویر PET و سی‌تی‌اسکن (رادیومیکس کلاسیک و عمیق)، به جای اینکه پرونده‌های ناقص رو کنار بذاره، با تکنیکی به اسم Pseudo-labeling از همون‌ها هم یاد می‌گیره! انگار که به هوش مصنوعی یاد دادیم جاهای خالی پازل رو با دقت حدس بزنه و تصویر رو کامل کنه. نتیجه چی شد؟ فوق‌العاده! 🎯 وقتی این سیستم رو روی داده‌های بیماران مبتلا به سرطان ریه تست کردیم، دیدیم که این رویکرد تونست خطای پیش‌بینی زمان بقای بیماران رو تا ۲۶.۵ درصد کاهش بده. این یعنی یک قدم بسیار بزرگ به سمت پزشکی شخصی‌سازی‌شده و برنامه‌ریزی دقیق‌ترِ مسیر درمان برای هر بیمار. این دستاورد نشون میده که توی دنیای داده‌ها، حتی سکوت و اطلاعات ناقص هم می‌تونن حرف‌های زیادی برای گفتن داشته باشن؛ به شرطی که بدونیم چطور بهشون گوش بدیم! 🎧🔬 برای خوندن جزئیات ، معماری مدل‌ها و بررسی‌های فنی، خوشحال میشیم نسخه پیش‌چاپ این مقاله رو از لینک زیر مطالعه کنید: 🔗 لینک دسترسی مستقیم به مقاله: [https://arxiv.org/abs/2502.01661] NAIRG Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine. 🌐 https://nairg.org/ 📱 https://t.me/NAIRG_ResearchGroup

هوش مصنوعی راز بیماری‌های DNA را گشود! 🧬 تصور کنید دانشمندان بتوانند به سادگی با خواندن "کدهای" درون DNA ما، پیش‌بینی کنند که کدام بیماری‌ها در انتظار ما هستند. این رویایی بود که سال‌ها در لابراتوارهای علوم زیستی و دنبال می‌شد، و اکنون به نظر می‌رسد که با یک پیشرفت بزرگ، به واقعیت نزدیک شده‌ایم. مقاله‌ای که منتشر شده، نشان می‌دهد که چگونه یک سیستم هوش مصنوعی توانسته است با دقتی حیرت‌انگیز، علت بیماری‌ها را از روی جهش‌های ژنتیکی شناسایی کند. این دستاورد نه تنها یک جهش علمی قابل توجه در حوزه هوش مصنوعی و آنکولوژی است، بلکه دریچه‌ای نو به سوی فهم عمیق‌تر تعامل پیچیده بین ژنتیک و سلامت انسان باز می کند. این تکنولوژی جدید، فراتر از یک ابزار تشخیصی صرف، قابلیت پیش‌بینی علّی بیماری‌ها را فراهم می‌آورد. به عبارت دیگر، هوش مصنوعی نه تنها "چه" بیماری‌ای ممکن است رخ دهد را تشخیص می‌دهد، بلکه "چرا" آن بیماری ایجاد می‌شود را نیز از دل تغییرات ظریف در کد ژنتیکی استخراج می‌کند. این سطح از ریزبینی و فهم علّی، پتانسیل بی‌نظیری برای توسعه رویکردهای درمانی شخصی‌سازی شده و پیشگیرانه دارد. برای ما که در این حوزه‌های تحقیقاتی فعالیت می‌کنیم، این خبر به معنای گامی بزرگ در جهت درک بهتر سازوکارهای مولکولی بیماری‌ها و در نهایت، خلق راهکارهای درمانی نوآورانه است. 🔗 مطالعه متن کامل مقاله

تا حالا از خودتون پرسیدین چرا با وجود این همه اخبار پر سر و صدا از پیشرفت‌های خیره‌کننده هوش مصنوعی تو پزشکی، هنوز پزشک‌ها برای استفاده از این ابزارها تو کلینیک‌ها مردد هستن؟ 🤔 راستش رو بخواین، دیوار بلندی به نام «بی‌اعتمادی» بین دنیای الگوریتم‌ها و دنیای واقعی درمان وجود داره. وقتی پای پیش‌بینی وضعیت و بقای بیماران مبتلا به سرطان ریه در میون باشه، هیچ متخصصی حاضر نیست فرمان رو کاملاً به یک ماشین بسپاره. ماشین‌ها شاید دقیق باشن، اما شهود، تجربه و درک بالینی پزشک رو ندارن. توی پژوهش تازه‌ای که به تازگی نسخه پیش‌چاپ اون منتشر شده (با همکاری محققان انستیتو سرطان BC، دانشگاه UBC و تیم خودمون در NAIRG)، تصمیم گرفتیم این قاعده رو تغییر بدیم و این دیوار رو خراب کنیم! 🧱🔨 ایده ما خیلی ساده ولی در عین حال قدرتمند بود: استفاده از رویکرد «پزشک در حلقه» (Clinician-in-the-Loop). ما نیومدیم یک مدل هوش مصنوعی بسازیم که جایگزین پزشک بشه؛ بلکه یک هم‌تیمی و دستیار هوشمند خلق کردیم. توی این سیستم، داستان از این قراره که پزشک تنها با چند کلیک ساده روی تصاویر سی‌تی‌اسکن (CT) به مدل خط میده. سپس هوش مصنوعی ما وارد عمل میشه و با استفاده از قدرت «یادگیری نیمه‌نظارتی» (SSL) که روی داده‌های نزدیک به ۱۰۰۰ بیمار آموزش دیده، الگوهای پیچیده و پنهان بافت‌ها (رادیومیکس) رو استخراج کرده و مرزهای تومور رو با دقت بالا ترسیم می‌کنه. وقتی این ایده رو روی ۵ معماری معروف دیپ‌لرنینگ تست کردیم، نتایج بی‌نظیر بود! ترکیب شبکه VNet با یادگیری نیمه‌نظارتی، نه تنها در پیش‌بینی روند بیماری و شانس بقای بیماران فوق‌العاده عمل کرد، بلکه تونست اعتماد متخصصان آنکولوژی رو هم به طور کامل جلب کنه. دلیلش هم مشخصه: در این ساختار، هوش مصنوعی کارهای پردازشی سنگین رو به دوش می‌کشه، اما تایید و اصلاح نهایی رو به عهده خود پزشک می‌ذاره. این دستاورد نشون میده که کلید طلایی ورود هوش مصنوعی به جریان اصلی درمان و پزشکی شخصی‌سازی‌شده، هم‌افزایی و اعتماد بین انسان و ماشینه، نه رقابت بینشون! 🤝💡 برای خوندن کامل این پژوهش و بررسی موشکافانه‌ی فنی مدل‌ها، می‌تونید از طریق لینک زیر نسخه کامل مقاله رو مطالعه کنید: 🔗 لینک دسترسی مستقیم به مقاله: [https://arxiv.org/pdf/2510.17039] NAIRG Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine. 🌐 https://nairg.org/ 📱 https://t.me/NAIRG_ResearchGroup

تا حالا از خودتون پرسیدین چرا با وجود این همه اخبار پر سر و صدا از پیشرفت‌های خیره‌کننده هوش مصنوعی تو پزشکی، هنوز پزشک‌ها برای استفاده از این ابزارها تو کلینیک‌ها مردد هستن؟ 🤔 راستش رو بخواین، دیوار بلندی به نام «بی‌اعتمادی» بین دنیای الگوریتم‌ها و دنیای واقعی درمان وجود داره. وقتی پای پیش‌بینی وضعیت و بقای بیماران مبتلا به سرطان ریه در میون باشه، هیچ متخصصی حاضر نیست فرمان رو کاملاً به یک ماشین بسپاره. ماشین‌ها شاید دقیق باشن، اما شهود، تجربه و درک بالینی پزشک رو ندارن. توی پژوهش تازه‌ای که به تازگی نسخه پیش‌چاپ اون منتشر شده (با همکاری محققان انستیتو سرطان BC، دانشگاه UBC و تیم خودمون در NAIRG)، تصمیم گرفتیم این قاعده رو تغییر بدیم و این دیوار رو خراب کنیم! 🧱🔨 ایده ما خیلی ساده ولی در عین حال قدرتمند بود: استفاده از رویکرد «پزشک در حلقه» (Clinician-in-the-Loop). ما نیومدیم یک مدل هوش مصنوعی بسازیم که جایگزین پزشک بشه؛ بلکه یک هم‌تیمی و دستیار هوشمند خلق کردیم. توی این سیستم، داستان از این قراره که پزشک تنها با چند کلیک ساده روی تصاویر سی‌تی‌اسکن (CT) به مدل خط میده. سپس هوش مصنوعی ما وارد عمل میشه و با استفاده از قدرت «یادگیری نیمه‌نظارتی» (SSL) که روی داده‌های نزدیک به ۱۰۰۰ بیمار آموزش دیده، الگوهای پیچیده و پنهان بافت‌ها (رادیومیکس) رو استخراج کرده و مرزهای تومور رو با دقت بالا ترسیم می‌کنه. وقتی این ایده رو روی ۵ معماری معروف دیپ‌لرنینگ تست کردیم، نتایج بی‌نظیر بود! ترکیب شبکه VNet با یادگیری نیمه‌نظارتی، نه تنها در پیش‌بینی روند بیماری و شانس بقای بیماران فوق‌العاده عمل کرد، بلکه تونست اعتماد متخصصان آنکولوژی رو هم به طور کامل جلب کنه. دلیلش هم مشخصه: در این ساختار، هوش مصنوعی کارهای پردازشی سنگین رو به دوش می‌کشه، اما تایید و اصلاح نهایی رو به عهده خود پزشک می‌ذاره. این دستاورد نشون میده که کلید طلایی ورود هوش مصنوعی به جریان اصلی درمان و پزشکی شخصی‌سازی‌شده، هم‌افزایی و اعتماد بین انسان و ماشینه، نه رقابت بینشون! 🤝💡 برای خوندن کامل این پژوهش و بررسی موشکافانه‌ی فنی مدل‌ها، می‌تونید از طریق لینک زیر نسخه کامل مقاله رو مطالعه کنید: 🔗 لینک دسترسی مستقیم به مقاله: [https://arxiv.org/pdf/2510.17039] NAIRG Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine. 🌐 https://nairg.org/ 📱 https://t.me/NAIRG_ResearchGroup

«در حوزه یادگیری عمیق، الگوریتم‌هایی که امروزه از آن‌ها استفاده می‌کنیم، در واقع نسخه‌هایی از همان الگوریتم‌هایی هستند که در دهه‌های ۸۰ و ۹۰ میلادی در حال توسعه‌شان بودیم. در آن زمان، افراد نسبت به این الگوریتم‌ها بسیار خوش‌بین بودند، اما در نهایت مشخص شد که آن‌طور که باید، کارایی ندارند.»

In deep learning, the algorithms we use now are versions of the algorithms we were developing in the 1980s, the 1990s. People were very optimistic about them, but it turns out they didn't work too well.

Geoffrey Hinton

✨ کشف مشترک در قلب اختلالات عصبی-رشدی: آیا انعطاف‌پذیری نورون‌های میانی، سرنخ اصلی است؟ 🧠 تصور کنید مغز ما ارکستر بسیار پیچیده‌ای است که هر نوازنده آن نقشی حیاتی ایفا می‌کند. در این میان، نورون‌های میانی (interneurons) نقشی شبیه به رهبران ارکستر دارند؛ آن‌ها نه تنها ضربان و هماهنگی را در میان دیگر نورون‌ها تنظیم می‌کنند، بلکه ظرفیت یادگیری و انطباق مغز را نیز فراهم می‌آورند. اکنون، پژوهشی جذاب و بسیار امیدوارکننده، دریچه‌ای نو به سوی فهم اختلالات عصبی-رشدی گشوده است. این مطالعه پیشنهاد می‌کند که "از دست دادن انعطاف‌پذیری" در این نورون‌های کلیدی، ممکن است یک نشانه مشترک در طیفی از این اختلالات، از اوتیسم گرفته تا شیزوفرنی، باشد. در این پژوهش، دانشمندان با بررسی دقیق‌تر نحوه عملکرد این نورون‌های تنظیم‌کننده، متوجه شده‌اند که در بسیاری از اختلالات عصبی-رشدی، توانایی این نورون‌ها برای تغییر و انطباق خود با تجربیات جدید، به طور چشمگیری کاهش می‌یابد. این "خشکی" یا عدم انعطاف‌پذیری، می‌تواند منجر به آشفتگی در الگوهای ارتباطی مغز و در نهایت بروز علائم این اختلالات شود. این ایده که یک نقص مولکولی یا عملکردی مشترک می‌تواند در پس طیف وسیعی از چالش‌های عصبی-رشدی قرار داشته باشد، بسیار هیجان‌انگیز است. این امر به ما اجازه می‌دهد تا به جای در نظر گرفتن هر اختلال به صورت مجزا، به دنبال مکانیسم‌های زیربنایی مشترک باشیم که می‌تواند منجر به توسعه رویکردهای درمانی جامع‌تر و هدفمندتر شود. 🔗 مطالعه متن کامل مقاله

ذرات ویروس‌نما: پیک‌های هوشمند برای ویرایش ژن در مدل دوشن 🧬 تصور کنید در دنیای پیچیده ژنتیک، ابزاری پیدا کنیم که بتواند دقیقاً به سلول‌های هدف ما برسد و تغییرات لازم را در کد ژنتیکی ایجاد کند؛ تغییری که می‌تواند سرنوشت بیماری‌های ژنتیکی را دگرگون کند. اخیراً، پژوهشگران در این مسیر گامی مهم برداشته‌اند و از ذراتی شبیه به ویروس، اما کاملاً بی‌خطر، برای رساندن ابزارهای ویرایش ژن به سلول‌های عضلانی در مدل حیوانی بیماری دوشن استفاده کرده‌اند. این بیماری، که به دلیل نقص در پروتئین دیستروفین رخ می‌دهد، منجر به تحلیل پیشرونده عضلانی می‌شود و یافتن راه‌های مؤثر برای اصلاح ژنتیکی آن، همواره یکی از چالش‌های بزرگ بوده است. این مطالعه، با استفاده از پاکت‌های پروتئینی سلولی که به طور طبیعی در بدن ما وجود دارند و با مهندسی آن‌ها، توانسته‌اند این "پیک‌های هوشمند" را بسازند. این ذرات ویروس‌نما (Virus-Like Particles یا VLPs)، نه تنها قابلیت رساندن مؤثر ابزارهای ویرایش ژن مانند CRISPR-Cas9 را به سلول‌های عضلانی دارند، بلکه به نظر می‌رسد که می‌توانند از پاسخ ایمنی ناخواسته نیز فرار کنند؛ نکته‌ای حیاتی برای هرگونه درمان ژنتیکی موفق. این رویکرد نوآورانه، پتانسیل عظیمی برای درمان بیماری‌های ژنتیکی پیچیده‌ای دارد که در حال حاضر گزینه‌های درمانی محدودی برایشان وجود دارد. توانایی طراحی این ذرات برای هدف‌گیری سلول‌های خاص، راه را برای درمان‌های شخصی‌سازی شده باز می‌کند. برای جامعه علمی ما، این یافته نه تنها یک پیشرفت تکنیکی در زمینه رساندن ژن است، بلکه یک نقطه عطف در درک چگونگی استفاده از سازوکارهای زیستی طبیعی برای اهداف درمانی محسوب می‌شود. 🔗 مطالعه متن کامل مقاله https://www.thetransmitter.org/spectrum/virus-like-particles-deliver-gene-editing-tools-into-duchenne-mouse-model/

با عرض سلام و خسته نباشید گواهی‌های شرکت در کارگاه و همچنین لینک دسترسی به ریکورد برای شرکت‌کنندگان عزیز از طریق ایمیل ارسال شده است. لطفاً ایمیل خود را بررسی کنید و در صورت عدم دریافت، پوشه Spam/Junk را نیز چک کنید. در صورتی که همچنان ایمیل را دریافت نکرده‌اید، لطفاً به ما اطلاع دهید. nairesearchgroup@gmail.com با تشکر از همراهی شما 🌷

با عرض سلام و خسته نباشید گواهی‌های شرکت در کارگاه و همچنین لینک دسترسی به ریکورد برای شرکت‌کنندگان عزیز از طریق ایمیل ارسال شده است. لطفاً ایمیل خود را بررسی کنید و در صورت عدم دریافت، پوشه Spam/Junk را نیز چک کنید. در صورتی که همچنان ایمیل را دریافت نکرده‌اید، لطفاً به ما اطلاع دهید. nairesearchgroup@gmail.com با تشکر از همراهی شما 🌷

🚀 دستاورد جدید تحقیقاتی در تلفیق هوش مصنوعی و انکولوژی 🚀 📄 به چاپ رسیده در ژورنال بین‌المللی Cancers 🌟 این پژوهش برجسته، به رهبری تیم پژوهشگران دانشگاه UBC و مؤسسه تحقیقاتی BC Cancer کانادا با همکاری تیم NAIRG است. ❓ پیش‌بینی دقیق میزان بقای بیماران مبتلا به سرطان ریه، همواره یکی از پیچیده‌ترین موانع پیش روی پزشکان بوده است. از سوی دیگر، آموزش مدل‌های قدرتمند هوش مصنوعی در پزشکی معمولاً با سد بزرگی به نام «کمبود داده‌های برچسب‌دار» مواجه می‌شود. اما چگونه می‌توان از این محدودیت عبور کرد؟ 💡 راهکار تیم ما در این پروژه، توسعه یک فریم‌ورک هوشمند مبتنی بر یادگیری نیمه‌نظارتی (Semi-Supervised Learning) بود. ما با بهره‌گیری از تکنیک Pseudo-Labeling، مدلی طراحی کردیم که توانایی دارد علاوه بر داده‌های محدود سرطان ریه، از دل حجم انبوهی از داده‌های بدون برچسبِ تصاویر PET/CT نیز الگوهای پنهان و ویژگی‌های پیچیده رادیومیکس را بیاموزد. نتیجه‌ی این ابتکار ارتقای چشمگیر عملکرد و دقت مدل‌ها در پیش‌بینی شانس بقای بیماران بود. این ابزار به پزشکان کمک می‌کند تا با تکیه بر تحلیل‌های دقیق و قابل اتکا، بهترین استراتژی‌های درمانی را انتخاب کنند؛ گامی محکم و رو به جلو در مسیر تحقق کامل پزشکی شخصی‌سازی‌شده (Personalized Medicine). 🔗 لینک دسترسی مستقیم به مقاله: [https://doi.org/10.3390/cancers17020285] NAIRG Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine. 🌐 https://nairg.org/ 📱 https://t.me/NAIRG_ResearchGroup

استرس زودهنگام، اضطراب بزرگسالی را شعله‌ور می‌سازد: نگاهی عمیق‌تر به سازوکارهای عصبی 🧠 تصور کنید که چگونه تجربیات اولیه‌ی زندگی، به‌ویژه در دوران حساس رشد، می‌توانند ردپایی ماندگار بر روان ما بر جای بگذارند. یافته‌های اخیر در حوزه علوم اعصاب، دریچه‌ای نو به سوی درک این پدیده باز کرده‌اند و نشان می‌دهند که چگونه استرس‌های محیطی در دوران اولیه رشد، می‌توانند سازوکارهای پیچیده نوروبیولوژیکی را تحت تأثیر قرار داده و زمینه را برای بروز اختلالات اضطرابی در بزرگسالی فراهم آورند. این پژوهش با کاوش در مدل‌های جانوری، نشان می‌دهد که قرار گرفتن در معرض استرس در مراحل اولیه رشد، نه تنها بر بیان ژن‌های خاصی که در تنظیم پاسخ‌های استرسی نقش دارند، تأثیر می‌گذارد، بلکه مسیرهای دوپامینرژیک مغز را نیز دچار دگرگونی می‌کند. دوپامین که در فرآیندهای یادگیری، انگیزش و تنظیم خلق‌وخو نقش اساسی ایفا می‌کند، با دستکاری‌های ناشی از استرس اولیه، می‌تواند عملکرد خود را مختل سازد و بدین ترتیب، آستانه تحریک‌پذیری مغز نسبت به عوامل استرس‌زا را در دوران بزرگسالی کاهش دهد. این تغییرات اپی‌ژنتیکی و نوروشیمیایی، به نوعی «برنامه‌ریزی مجدد» سیستم عصبی محسوب می‌شوند که پیامدهای بلندمدتی برای سلامت روان به همراه دارند. برای ما که در پی کشف ریشه‌های پیچیدگی‌های مغز انسان هستیم، این یافته‌ها صرفاً یک پیشرفت علمی نیستند، بلکه تلنگری هستند برای تأمل در پیوندهای عمیق میان محیط، ژنتیک و سلامت روان. 🔗 مطالعه متن کامل مقاله