AI na Matatizo Magumu ya Ulimwengu ─ Tiba na ugunduzi wa dawa
Sayansi na taaluma zinazoendelezwa na AI, kwa taaluma
Mlisho wa RSS · 17 vipengee
Mfumo wa kujifunza kwa kina wa viwango vya daraja unaoweza kufasirika kwa ajili ya kugundua saratani ya mapafu na koloni
Kichwa asilia: An interpretable hierarchical deep learning framework for lung and colon cancer detection
Kuainisha saratani ya mapafu na koloni kutoka kwa picha za histopatholojia ni vigumu kwa sababu makundi yanafanana na umbo la tishu hutofautiana, na miundo ya kawaida ya kujifunza kwa kina hutoa uwazi mdogo. Waandishi waligawa kazi ya makundi matano katika hatua kutoka ya jumla hadi ya kina: kwanza tishu za kawaida dhidi ya saratani, kisha kiainishi maalum cha aina za tishu za kawaida au aina ndogo za saratani, huku usanifu bora ukichaguliwa kwa kila hatua. Mfumo ulifikia usahihi wa 98.50% kwenye LC25000 na 82.01% kwenye seti huru ya data ya LungHist700, na Grad-CAM, Grad-CAM++, LIME na Occlusion Sensitivity zilitumika kuangazia maeneo ya picha yaliyo nyuma ya utabiri wake.
Utabiri wa saratani ya seli za ini (hepatocellular carcinoma) kwa kutumia akili bandia kwa watu wasio na maambukizi ya HBV au HCV katika enzi ya MASLD
Kichwa asilia: Artificial intelligence-based prediction of hepatocellular carcinoma in individuals without HBV or HCV infection in the MASLD era
Miongozo ya sasa ya uchunguzi wa saratani ya ini (HCC) inalenga zaidi watu wenye cirrhosis au homa ya ini ya virusi. Watafiti walitengeneza modeli ya akili bandia kutabiri hatari ya HCC kwa watu wasio na homa ya ini ya virusi, wakitumia data za takriban watu wazima milioni 7.96 wa Korea Kusini waliofanyiwa uchunguzi wa afya. Miongoni mwa modeli kumi na mbili zilizolinganishwa, MHA_DNN ilifanya vizuri zaidi na ilidumisha usahihi thabiti katika kundi huru la uthibitishaji. Fatty liver index na triglycerides vilikuwa vitabiri vyenye ushawishi mkubwa zaidi, jambo linaloashiria uungaji mkono wa uchunguzi wa kibinafsi unaozingatia kimetaboliki.
Mfumo wa kujifunza kwa kina wa kazi nyingi kwa utabiri wa kiotomatiki wa hali za kiafya kutoka kwa picha za fundus ya retina kwa kutumia umakini mseto na AI inayoelezeka
Kichwa asilia: A multi task deep learning framework for automated health condition prediction from retinal fundus images using hybrid attention and explainable AI
Miundo iliyopo ya kujifunza kwa kina kwa picha za fundus ya retina hushughulikia kazi moja tu, hutoa ufasiri mdogo, na hupata ugumu kukabiliana na tofauti kati ya seti za data. Waandishi wanapendekeza mtandao wa kazi nyingi unaoainisha ukali wa retinopathia ya kisukari, glaucoma, hatua ya AMD, na hatari ya moyo na mishipa kutoka kwa picha moja katika hatua moja ya mbele, pamoja na maelezo ya Grad-CAM. Ulifikia usahihi wa 94.7% na AUC 0.978 katika seti nne za data, ukizishinda miundo yote ya kazi moja kitakwimu, na AUC ya angalau 0.951 katika tathmini ya zero-shot kati ya seti tofauti za data.
Mfumo jumuishi wa automata na ujifunzaji wa mashine kwa utambuzi wa akili wa afya ya akili
Kichwa asilia: An automata-machine learning integrated framework for intelligent mental health diagnostics
Mfadhaiko miongoni mwa wanafunzi mara nyingi haugunduliwi hadi unapokuwa mkubwa, kwa hivyo utabiri wa mapema unahitajika. Waandishi waliunganisha uundaji wa miundo ya tabia kwa kutumia finite automata na kujifunza kwa mashine, wakizalisha vipengele kutoka kwenye hali za kihisia za wanafunzi na kuunganisha vipengele vinavyojirudia. Kwa kutumia mkusanyiko wa random forest na KStar, usahihi uliongezeka kutoka msingi wa 82.02% kwa random forest hadi 96.88% kwa vipengele vinavyotegemea automata. Waandishi wanasema kuwa mbinu hiyo huweka vipengele vikiwa vinaeleweka na vinavyoweza kufuatiliwa.
Mfumo wa uthibitishaji wa hatua nyingi kwa ajili ya uchimbaji wa taarifa za kliniki wa kiwango kikubwa unaoaminika kwa kutumia miundo mikubwa ya lugha
Kichwa asilia: A multi-stage validation framework for trustworthy large-scale clinical information extraction using large language models
Kuthibitisha miundo mikubwa ya lugha kwa uchimbaji wa taarifa za kliniki kwa kawaida kunahitaji uwekaji alama wa mikono wenye gharama kubwa. Waandishi walipendekeza mfumo wa hatua nyingi unaochanganya uchujaji unaotegemea kanuni, uthibitisho wa kisemantiki, tathmini ya LLM-mwamuzi, mapitio ya wataalamu, na uchambuzi wa uhalali wa kutabiri. Ulipotumika kwa utambuzi wa matatizo ya matumizi ya dawa za kulevya katika maelezo ya kliniki 919,783, uliondoa 14.59% ya uchimbaji chanya wa LLM kama usio na uthibitisho au usioaminika. LLM kuu ilipata alama ya F1 ya 0.80 dhidi ya tathmini za mwamuzi, na utambuzi wake ulioondolewa ulitabiri ushiriki wa baadaye katika huduma maalumu kuliko misingi ya data iliyopangiliwa.
AI hugundua ugonjwa wa moyo wa mishipa ya koroni kutoka kwa picha za uso na ulimi katika jaribio dogo
Kichwa asilia: AI detects coronary heart disease from face and tongue photos in small test
Utafiti mpya kutoka China ulifundisha mfumo wa AI kwa picha za uso na ulimi ili kugundua ugonjwa wa moyo wa mishipa ya koroni (CHD). Katika jaribio dogo, mfumo huo ulitambua kwa usahihi kila mgonjwa mwenye CHD.
Kutambua sauti zisizo za kawaida za mapafu kwa watoto wenye magonjwa ya kupumua nchini Bangladesh kwa kutumia akili bandia na usikilizaji wa kidijitali wa mwili (digital auscultation)
Kichwa asilia: Identification of adventitious lung sounds in children with respiratory illnesses in Bangladesh using artificial intelligence and digital auscultation
Miongozo ya Usimamizi Jumuishi wa Magonjwa ya Utotoni ina unyeti wa juu lakini umahususi wa chini kwa nimonia. Wahudumu wa afya nchini Bangladesh walirekodi sauti za mapafu kutoka kwa watoto walio chini ya miaka mitano wanaoshukiwa kuwa na nimonia kwa kutumia stethoskopu ya kidijitali, na algoriti ya AI ililinganishwa na jopo la madaktari wa watoto. AI iligundua sauti zisizo za kawaida kwa unyeti wa 61.8% na umahususi wa 60.7% kwa ujumla, na 63.5% na 66.8% katika visa vya nimonia chini ya IMCI. Waandishi wanaelezea hili kuwa utendaji wa wastani, huku uboreshaji ukihitajika katika kuainisha rekodi zisizoweza kufasirika.
Uwekaji lebo wa kiotomatiki wa kingo za upasuaji wa kuondoa tishu kwa kutumia modeli msingi
Kichwa asilia: Autonomous labeling of surgical resection margins using a foundation model
Kutathmini kingo za upasuaji wa kuondoa tishu katika patholojia kunaathiriwa na makosa ya kuweka wino kwa mkono, upotoshaji wa tishu, na uharibifu unaosababishwa na kauteri. Waandishi walitengeneza mtandao wa kuweka wino kidijitali unaotumia modeli msingi iliyogandishwa na kiainishi kidogo ili kuchora ramani ya kingo kwenye picha za slaidi nzima bila wino halisi. Kwenye slaidi 20 kutoka vipande vya tishu ambavyo modeli haikuwahi kuviona, ilifikia usahihi wa takriban 73.3% katika kiwango cha eneo na ilitoa michoro iliyolingana kimaelezo na michoro ya wataalamu. Matokeo haya ni ya uthibitisho wa dhana na yanahitaji kuthibitishwa katika makundi makubwa ya kitabibu.
Uainishaji wa kliniki wa mafuta ya kahawia ya binadamu unaowezeshwa na akili bandia
Kichwa asilia: Artificial intelligence-enabled clinical phenotyping of human brown fat
Mbinu za kupima shughuli za tishu za mafuta ya kahawia (BAT) kwa binadamu kwa kiwango kikubwa zimekuwa hazipo. Kwa kutumia data kutoka kwa wagonjwa 101,243 katika kituo kikubwa cha saratani, waandishi walipima shughuli za BAT kwa njia ya nusu-otomatiki kwa wagonjwa takriban 8,700 kwa kutumia kujifunza kwa mashine. Shughuli ya juu ya BAT, hasa katika eneo la kwapa, ilihusishwa na uwezekano mdogo wa ugonjwa wa moyo na kimetaboliki na mgawanyo bora wa mafuta meupe.
Modeli msingi ya yote-kwa-moja kwa ajili ya kurejesha na kuboresha picha za kimatibabu za modalitii nyingi
Kichwa asilia: An all-in-one foundation model for multimodal medical image restoration and enhancement
AMIFound ni modeli msingi inayorejesha na kuboresha picha za kimatibabu zilizoharibiwa na kelele, kasoro za mwendo, utofautishaji mdogo au upigaji picha wa kipimo cha chini cha mionzi katika modalitii saba, zikiwemo CT, MRI, PET, endoscopy, ultrasound, fundus na X-ray. Ikiwa imefunzwa kwa picha jozi milioni 3.76, ilizidi misingi ya ulinganisho 38 ya kazi mahususi na ya jumla katika vipimo vya ubora wa picha, tathmini ya madaktari na majaribio ya uthabiti. Picha zilizoboreshwa pia ziliboresha kazi 44 za kugundua magonjwa, utabiri wa hatua ya uvimbe na upangaji wa hatari ya kuishi katika saratani ya mapafu isiyo ya seli ndogo.
Ishara zilizofichika katika usingizi zinaweza kutabiri afya ya baadaye
Kichwa asilia: Hidden signals in sleep can predict future health
Zana za AI zinaweza kutoa mifumo ya kifiziolojia kutoka usiku mmoja wa usingizi ambayo vipimo vya kawaida vya usingizi hukosa, na mifumo hii inahusishwa na magonjwa na vifo. Makala mbili za hivi karibuni, katika Nature Communications na Nature Medicine, zinaonyesha kuwa data za usingizi zina taarifa nyingi zaidi za kiafya kuliko ambazo madaktari na watafiti wanazitoa kwa sasa. Ushahidi unaoongezeka pia unaonyesha kuwa mabadiliko ya usingizi yanaweza kujitokeza kabla ugonjwa haujagunduliwa.
Uchambuzi wa kujifunza kwa mashine wa usafirishaji wa chembe unaoendeshwa na silia hutofautisha dyskinesia ya msingi ya silia na silia za kawaida
Kichwa asilia: Machine learning analysis of cilia driven particle transport distinguishes primary ciliary dyskinesia from normal cilia
Primary ciliary dyskinesia (PCD) ni hali ya kijenetiki yenye silia zisizotembea ipasavyo, na utambuzi bado ni changamoto. Waandishi walitengeneza CiliaTracks, mfumo wa kujifunza kwa mashine unaochanganua usafirishaji wa chembe kwenye seli za njia ya hewa zilizokuzwa maabara, zilizonaswa kwa darubini ya kasi ya juu. Miundo ya kawaida ya kujifunza kwa mashine na mtandao wa neva wa kiviringisho (convolutional) uliainisha rekodi kutoka kwa watu 14 wenye PCD na wachangiaji 10 wenye afya kwa usahihi wa 95-97%.
Ugawaji wa uvimbe wa ubongo kwa kutumia usawazishaji wa histogramu ulioboreshwa kwa chembe kundi na U-Net inayotegemea VGG19
Kichwa asilia: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
Ugawaji wa uvimbe wa ubongo kwenye MRI ni wa polepole, hukabiliwa na makosa, na huathiriwa na upendeleo wa mwendeshaji, na modeli za kujifunza kwa kina mara nyingi hukosa uwezo wa kufasirika. Waandishi wanapendekeza SPOHE-VGGNet, inayochanganya U-Net iliyobadilishwa na VGG-19 pamoja na usawazishaji wa histogramu ulioboreshwa kwa chembe kundi (particle swarm) ili kuongeza utofautishaji wa MRI. Ilifikia alama za Dice za 0.9522 (meningioma), 0.9428 (glioma) na 0.9518 (uvimbe wa tezi ya pituitari) kwenye seti ya data ya Figshare na 0.9463 kwa ugawaji wa uvimbe mzima kwenye BraTS 2021, ingawa waandishi wanasema kuwa uthibitisho wa nje, wa ujazo na unaozingatia wataalamu wa kliniki bado unahitajika kabla ya matumizi ya kliniki.
Kufungua uwezo wa miundo msingi ya kijiografia ya sayari ya Earth AI kwa afya ya umma duniani
Kichwa asilia: Unlocking Earth AI’s planetary geospatial foundation models for global public health
Maamuzi ya afya ya umma mara nyingi hucheleweshwa na ucheleweshaji wa kuripoti, data zilizotengwa, na uchache wa data. Population Dynamics Foundation Model (PDFM) ya Google hubana mielekeo ya utafutaji inayolinda faragha, uhamaji wa watu, msongamano wa mazingira yaliyojengwa, na vipengele vya kimazingira kuwa viwakilishi vya maeneo (location embeddings). Viwakilishi hivi vinaweza kuunganishwa kwenye miundo ya epidemiolojia iliyopo bila kurekebisha kwa kazi mahususi, na tafiti tano za kesi za washirika ziliwasilishwa.
Mfumo wa uchakataji unaoendeshwa na ujifunzaji wa kina kwa ajili ya kutofautisha hypertrophic cardiomyopathy na cardiac amyloidosis kwa kutumia echocardiography ya 2D yenye mitazamo mingi
Kichwa asilia: A deep learning-driven pipeline for differentiating hypertrophic cardiomyopathy from cardiac amyloidosis using 2D multi-view echocardiography
Kardiomiopathia ya hypertrofia (HCM) na amiloidosisi ya moyo (CA) hufanana kwenye ekokadiografia, jambo linalofanya iwe vigumu kuzitofautisha. Utafiti huu uliunda mfumo wa kujifunza kwa kina (deep learning) unaoainisha picha za 2D za eko katika mionekano mitano muhimu kitabibu, kuchota sifa kutoka kila mwonekano na kuziunganisha. Katika uthibitishaji mtambuka mara tano kwa wagonjwa 212 wa HCM, 119 wa CA na 200 wa kudhibiti, ulifikia usahihi (precision) wa 0.83, unyeti wa 0.81, umahususi wa 0.89 na micro-F1 ya 0.82, na waandishi wanauelezea kuwa zana ya uchunguzi inayotegemewa.
Fomula mpya husaidia chanjo za RNA kustahimili joto la juu
Kichwa asilia: New formulation helps RNA vaccines withstand high temperatures
Chanjo za RNA kwa kawaida huhitaji hifadhi ya baridi kali sana, kwa hiyo watafiti wa MIT walitumia algoriti ya AI kurekebisha mchanganyiko unaozunguka chembechembe ndogo za lipidi zinazobeba chanjo za mRNA. Algoriti ilitabiri mchanganyiko bora, ikipunguza idadi ya majaribio yaliyohitajika na kuharakisha uundaji. Chanjo zilizopatikana zilidumu imara hadi mwaka mmoja kwenye joto la kawaida au miezi miwili kwenye karibu 100°F, na kwa panya chanjo ya Covid-19 ilizalisha mwitikio wa kinga wenye nguvu sawa na ule wa chanjo ya RNA inayofanana na ya Moderna.
Kukadiria hatari ya kujiua kutoka kwenye maandishi
Kichwa asilia: Estimating suicide risk from text
Kutambua watu walio katika hatari kubwa ya kujiua ni kipaumbele kwa washauri wakati wa migogoro ya afya ya akili. Watafiti katika Taasisi ya McGovern ya MIT waliunda zana ya usindikaji wa lugha inayotafuta katika maandishi maneno na vifungu vinavyohusishwa na vigezo 49 vya hatari ya kujiua ili kukadiria hatari ya mtu binafsi. Katika mazungumzo ya maandishi na washauri wa migogoro, zana hiyo ilitabiri kwa usahihi hatari ya kujiua, na kwa uthibitishaji zaidi inaweza kusaidia katika tathmini ya hatari katika mazingira ya kliniki na ya msaada wakati wa migogoro.