AI na Magonjwa Adimu ── 2026-10-15
Makala mpya kuhusu magonjwa adimu (isipokuwa ya mfumo wa neva na saratani) na AI, zilizokusanywa kutoka kwenye mifumo ya majarida, PubMed (iliyotafutwa katika majarida yote) na OpenAlex (faharasa ya umma inayotumika badala ya Google Scholar), zilizohukumiwa na Jev (AI inayotoa hukumu za lugha): utafiti asilia, AI ndiyo kiini, ni kundi lipi kati ya makundi 8 ya magonjwa, matibabu au majaribio, kisha zimepangwa kwa umuhimu hadi kikomo cha kila siku. Majarida hayachujwi kwa kipimo cha athari (impact factor); kila makala inaonyesha IF-sawa ya jarida lake (wastani wa miaka miwili wa nukuu wa OpenAlex) na tarehe ya thamani hiyo. Kila kipengee kinaonyesha muhtasari kamili asilia.
Soma kulingana na ugonjwa: Majukwaa（0） · Makosa ya kuzaliwa ya kimetaboliki（0） · Dalili za kijenetiki（0） · Magonjwa adimu ya damu（1） · Kinga na tishu unganishi（0） · Moyo na mapafu（1） · Figo, ini na utumbo（0） · Ngozi na mfupa（0）
Majukwaa ya utambuzi wa magonjwa adimu na ugunduzi wa dawa, na AI
Hakuna andiko jipya lenye sifa kwa toleo hili.
Makosa ya kuzaliwa ya kimetaboliki: matibabu, majaribio na AI
Hakuna andiko jipya lenye sifa kwa toleo hili.
Dalili za kijenetiki na magonjwa adimu ya watoto: matibabu, majaribio na AI
Hakuna andiko jipya lenye sifa kwa toleo hili.
Magonjwa adimu ya damu: matibabu, majaribio na AI
- Muhtasari
Ugunduzi sahihi na kwa wakati wa chembe nyekundu za damu zenye umbo la mundu una athari kubwa katika matibabu ya wagonjwa. Kuunda mfumo wa maono ya kompyuta ambao ni mwepesi na unaotumia rasilimali kwa ufanisi ni muhimu ili kuwezesha matumizi ya wakati halisi kwenye vifaa vya pembeni katika mazingira ya huduma za afya yenye rasilimali chache. Utafiti huu unapendekeza mfumo mseto wa kugundua chembe za mundu unaotumia CNN zinazoongozwa na Bi-lightweight Knowledge Distillation (KD), unaochanganya mifano miwili myepesi ya wanafunzi kutoka mitandao tofauti ya walimu pamoja na vigawanyaji vya Machine Learning (ML) ili kutambua chembe za mundu kwa usahihi na ufanisi. Kwa kutumia tabaka za depthwise separable convolution, mifano myepesi huundwa ambayo hupunguza sana ugumu wa mfano. Mifano hii myepesi huboreshwa kwa kuchukua maarifa kutoka kwa mitandao ya walimu inayofanya vizuri zaidi, kama vile MobileNetV2 na DenseNet121. Kwa kutumia mbinu hii ya kujifunza ya Knowledge Distillation, mifano myepesi inaweza kuongeza uwezo wake wa uwakilishi bila kuongeza ugumu wake wa kikokotozi. Ili kuboresha utendaji wa kufanya maamuzi, mifano ya wanafunzi iliyodistilliwa mara mbili huunganishwa na vigawanyaji vya kawaida vya machine learning vya KNN ili kuunda mkusanyiko mseto unaounganisha faida za uainishaji unaotegemea ML na uchimbaji wa sifa unaotegemea CNN zinazoongozwa na KD mbili. Sickle Cell Disease Dataset hutumika kufunza na kuthibitisha mfumo unaopendekezwa. Mifano ya wanafunzi iliyofunzwa kisha hubadilishwa kuwa umbizo la TensorFlow Lite (TFLite) kwa kutumia Float32 quantization ili kupunguza zaidi ugumu wa kikokotozi. Kwa kuunganishwa na mifano ya CNN inayoongozwa na KD mbili na kigawanyaji cha KNN, mfano mseto unaopendekezwa unafikia usahihi wa juu wa uainishaji wa 95.45% na alama ya F1 ya 95.02% huku ukiwa mdogo wa MB 3.96 tu. Kupeleka na kutathmini mfumo huu kwenye Raspberry Pi 4 Model B yenye rasilimali chache kunaonyesha uwezo wake kwa matumizi ya wakati halisi, ya vifaa vya pembeni, na ya huduma papo hapo kwa mgonjwa.
Sawa na IF ya jarida: 5.0 (wastani wa miaka 2 wa citedness wa OpenAlex, thamani ya 2026-10-13, ilipatikana 2026-10-15; si IF rasmi ya Clarivate)Rejeleo: Reddy MMK, Lathvik CK, R AA, K K. Mfumo mseto wa miundo mingi yenye upunguzaji wa maarifa (knowledge distillation) kwa ugunduzi sahihi na wenye ufanisi wa seli mundu (sickle cell). Front Digit Health. 2026 Sep 29;8:1938284. doi:10.3389/fdgth.2026.1938284.Imekaguliwa: Muhtasari pekee
Tazama makala zote 1 za Matatizo adimu ya damu →
Magonjwa ya autoinflammatory, upungufu wa kinga na magonjwa adimu ya tishu unganishi: matibabu, majaribio na AI
Hakuna andiko jipya lenye sifa kwa toleo hili.
Magonjwa adimu ya moyo na mishipa ya damu na ya kupumua: matibabu, majaribio na AI
- Muhtasari
UTANGULIZI: Fibrosisi ya mapafu isiyo na sababu inayojulikana (IPF) ina mwenendo usioweza kutabirika na matokeo mabaya, na upangaji wa viwango vya hatari kwa kutegemea utendaji kazi wa mapafu bado haujakamilika. Bado haijulikani wazi kama vipimo vya mishipa ya damu ya mapafu kupitia CT, vya kiasi kamili na vilivyosawazishwa kwa ujazo wa mapafu, vinavyotokana na ujifunzaji wa kina (deep learning), vinaonyesha uhusiano tofauti na ukali wa ugonjwa na vifo kwa wagonjwa wenye IPF. MBINU: Katika utafiti huu wa nyuma wa vituo viwili, watu wazima 118 waliogunduliwa hivi karibuni kuwa na IPF, wakiwemo 57 kutoka kundi la Italia na 61 kutoka kundi la Ufaransa, walifanyiwa CT ya kifua ya msingi iliyochambuliwa kwa mfumo wa kiasi unaotegemea ujifunzaji wa kina, unaochanganya tishu za mapafu (ujazo wa mapafu yote, WLV; kiwango cha fibrosisi) na vipimo vya mishipa ya damu ya mapafu (ujazo wa jumla wa damu, TBV; na viashiria vinavyotokana vya BV 5 na BV >10 vinavyowakilisha mishipa yenye maeneo ya sehemu mtambuka ya 10 mm²). Watu ishirini wasio na ugonjwa wa mapafu walikuwa kundi la kulinganisha. Uhusiano na fibrosisi ulitathminiwa kwa uhusiano wa Pearson, vifo kwa miundo ya Cox ya hatari yenye vigeu vingi, na utendaji kazi wa mapafu kwa muda kwa miundo ya athari mchanganyiko ya mstari. Miundo ya ziada ilichunguza uhusiano wa kitabiri wa vipimo vya mishipa ya damu baada ya kuzingatia WLV. MATOKEO: Ikilinganishwa na kundi la udhibiti, wagonjwa wa IPF walikuwa na WLV ya chini na TBV kamili ya juu. TBV ya kulinganisha (iliyosawazishwa kwa WLV) ilihusiana kwa nguvu na fibrosisi, huku TBV kamili ikionyesha uhusiano dhaifu zaidi. Vipimo vya mishipa ya damu vya kulinganisha vilihusiana kinyume na utendaji kazi wa mapafu wa msingi, ilhali TBV kamili haikuonyesha uhusiano wowote muhimu. TBV ya msingi, BV 5 , na BV >10 hazikutabiri mwelekeo wa uwezo muhimu wa kulazimishwa wa mapafu (FVC) au uwezo wa mapafu wa usambaaji wa CO, lakini WLV ya juu zaidi ilitabiri FVC bora kadri muda ulivyopita. Katika ufuatiliaji wa wastani wa miaka 7.8, vifo 72 vilitokea. Katika miundo yenye vigeu vingi, TBV kamili ya juu zaidi, BV ya tundu la chini, BV 5 , BV >10 , na WLV, lakini si TBV iliyosawazishwa, vilihusiana na vifo vya chini baada ya kurekebisha kwa vigeu vya kliniki vilivyothibitishwa. Matokeo haya yanaonyesha kuwa kuhifadhi ujazo wa mapafu na ujazo wa mishipa ya damu ya mapafu kunaweza kuhusiana na kuboreshwa kwa maisha. Hata hivyo, uhusiano wa vipimo kamili vya mishipa ya damu na vifo ulipungua kwa kiasi kikubwa baada ya kurekebisha zaidi kwa WLV. HITIMISHO: Vipimo vya mishipa ya damu ya mapafu vilivyosawazishwa na kamili vinanasa vipengele tofauti vya IPF, ambapo vipimo vilivyosawazishwa vinahusiana na mzigo wa fibrosisi na kuharibika kwa utendaji kazi, huku ujazo kamili wa mishipa ya damu ukihusiana na vifo, ingawa uhusiano huu ulipungua kwa kiasi kikubwa baada ya kuzingatia WLV. Kwa hiyo, ujazo kamili wa mishipa ya damu unaweza kwa sehemu kuonyesha ujazo wa mapafu uliohifadhiwa badala ya athari huru ya kitabiri. Uthibitishaji wa kimtarajio unahitajika.
Sawa na IF ya jarida: 2.6 (wastani wa miaka 2 wa citedness wa OpenAlex, thamani ya 2026-10-13, ilipatikana 2026-10-15; si IF rasmi ya Clarivate)Rejeleo: Rea G, Sanduzzi Zamparelli S, Mazzocca A, Lieto R, Bruzzese D, Crestani B, et al. Vipimo vya mishipa ya damu ya mapafu vilivyotokana na ujifunzaji wa kina, kamili na vilivyorekebishwa kwa ujazo wa mapafu, katika fibrosisi ya mapafu isiyojulikana chanzo: uhusiano tofauti wa kitabibu na nafasi ya ujazo wa mapafu katika utabiri wa ugonjwa. Front Med. 2026 Sep 29;13:1833470. doi:10.3389/fmed.2026.1833470.Imekaguliwa: Muhtasari pekee
Tazama makala zote 1 za Moyo na mapafu →
Magonjwa adimu ya figo, ini na mfumo wa mmeng'enyo: matibabu, majaribio na AI
Hakuna andiko jipya lenye sifa kwa toleo hili.
Magonjwa adimu ya ngozi na mifupa: matibabu, majaribio na AI
Hakuna andiko jipya lenye sifa kwa toleo hili.