زمینه و هدف: موفقیت مورد انتظار در کاهش و کنترل بیماری سل به رغم اجرای برنامه های پیشگیرانه و درمانی موثر فراهم نشده که یکی از دلایل آن، تاخیر در تشخیص قطعی می باشد. بنابراین ایجاد یک سیستم کمک تشخیص برای غربالگری بیماری سل می تواند به تشخیص زودهنگام این بیماری کمک کند. هدف از این تحقیق، ارزیابی الگوریتم بیز ساده به عنوان ابزاری برای تشخیص سل ریوی است. روش بررسی: در این مطالعه ی کاربردی، جامعه پژوهش بیماران دارای علایم سل و نمونه پژوهش، داده های ثبت شده ی 582 فرد با علایم اولیه سل در بیمارستان مسیح دانشوری تهران است. اطلاعات نمونه ها با تشخیص تاییدشده در دو کلاس مبتلا به سل ریوی و نرمال بررسی گردید. از الگوریتم بیز ساده (Naive Bayes) برای غربالگری بیماری سل ریوی با استفاده از علایم عمومی و اولیه بیماران از زبان برنامه نویسی پایتون Python) استفاده شده است. یافته ها: دقت (Accuracy)، حساسیت (sensitivity) و ویژگی specificity)) حاصل از پیاده سازی الگوریتم بیز ساده جهت تشخیص بیماری سل ریوی به ترتیب 95/89%، 93/59% و 98/53% به دست آمد و سطح زیر منحنی مشخصه عملکرد (AUC) برابر با 98/91% محاسبه شد. نتیجه گیری: عملکرد مدل بیز ساده برای تشخیص بیماری سل ریوی دقت قابل قبولی دارد. این سیستم می تواند برای کمک به بیمار و مدیریت بیماری در نقاط دور افتاده با دسترسی محدود به منابع آزمایشگاهی و کمبود متخصص، استفاده و موجب تسریع در تشخیص شود. همچنین می تواند موجب اقداماتی به موقع و مناسب جهت کنترل سرایت سل ریوی به سایر افراد و تسریع بهبود این بیماری باشد.

در این مقاله، مدلسازی دستگاه تولید لینک خودکار یا ALE با استفاده از شبکه های عصبی یا هوش مصنوعی معرفی شده است. به طور کلی می توان عملکرد یک دستگاه ALE را مدلسازی کرد. هدف از مدلسازی، طراحی همین دستگاه با استفاده از روش های جدید و پیاده سازی با استفاده از ابزارهای موجود و در نتیجه بومی سازی آن است. در همین راستا، در این مقاله با استفاده از شبکه های عصبی و الگوریتم MLP تلاش شده است که عملکرد کلی دستگاه ALE مدلسازی و پیاده سازی شود. در ابتدا، پس از بررسی کانال های مخابراتی و اثرات غیرخطی و نویز بر انتقال داده، یک مدل برای انتقال داده در کانال های مخابراتی معرفی و در محیط نرم افزار متلب کد نویسی شده است. سپس به معرفی انواع شبکه های عصبی و کاربردهای آن پرداخته شده است و بهترین الگوریتم برای مدلسازی دستگاه ALE انتخاب شده است. در ادامه چندین مدل با استفاده از tools نرم افزار متلب و کد نویسی الگوریتم MLP انجام گرفته است و مقایسه شده است. در نهایت مدل پیشنهادی که مبتنی بر الگوریتم MLP است با کمترین خطا، به ازای خروجی جدید می تواند کانال مناسب را پیش بینی کند. مدل های پیشنهادی پس از بهینه سازی قابل پیاده سازی بر روی FPGA هستند و راهی برای ساخت این دستگاه در داخل کشور فراهم می آورد.

مقدمه این ویژه­نامه هوش مصنوعی را مورد بحث قرار می دهد که معمولاً به عنوان «توانایی یک سیستم برای پردازش صحیح داده های خارجی، یادگیری از همان داده ها و استفاده از آن دانش از طریق سازگاری و انعطاف پذیری برای دستیابی به اهداف و وظایف خاص» تعریف می شود. این مقاله هفت پژوهش منتشر شده در این ویژه نامه از چندین متخصص برجسته جهان که دیدگاه های متنوعی در مورد هوش مصنوعی ارائه می کنند را خلاصه می کند و با ارائه یک چشم انداز جامع در مورد آینده هوش مصنوعی و با ترسیم چشم اندازهای خرد و کلان به پایان می رسد.

1استفاده از هوش مصنوعی در سالمندی به عنوان یکی از اهداف اصلی فناوری های پیشرفته، توانسته است به طور قابل توجهی به بهبود مراقبت های سلامت افراد سالمند کمک کند. این فناوری در تجزیه و تحلیل دقیق داده ها، پیش بینی بیماری ها، ارائه توصیه های بهداشتی شخصی سازی شده، تسهیل در مدیریت داروها، نظارت بر تمرینات، و حتی ایجاد تعاملات اجتماعی با افراد سالمند موفقیت آمیز بوده است. از ارتقاء امنیت و رفاه روحی تا ارائه ابزارهای هوش مصنوعی برای پشتیبانی خانگی و مراقبت های پزشکی، همه این اقدامات باعث شده اند تا هوش مصنوعی در سالمندی به یک پیشرفت جذاب و مؤثر تبدیل شود.  با این حال، در هنگام استفاده از هوش مصنوعی در سالمندی، مسائلی نیز باید در نظر گرفته شوند، از جمله حفظ حریم شخصی، اخلاقیات در استفاده از داده ها، و مدیریت مناسب اطلاعات. به همین دلیل، توجه به جوانب اخلاقی و انسانی از اهمیت بالایی برخوردار است. به طور کلی، توسعه هوش مصنوعی در سالمندی نشان دهنده توانایی بزرگ فناوری ها در بهبود زندگی افراد سالمند است و با توجه به رشد جمعیت سالمند در جوامع، این پیشرفت ها به تسهیلات جدیدی برای تحقق سلامت و رفاه افراد در این گروه سنی می انجامد.

در طول تاریخ، حقوق مسئولیت مدنی با زیان هایی روبرو بوده که از طریق اشیا وارد شده است. برخی از این خسارات ناشی از فعل اشیایی مثل بنا، حیوان، خودرو بوده است. در تعیین مسئول ورود خسارت، مالک و گاه متصرف اشیا، نخستین کسانی هستند که در قبال زیان دیده مسئولیت دارند. ولی امروزه به دلیل تحولات فنی که در اشیا روی داده است، نباید از مسئولیت سازنده و طراح شیء غافل بود. درباره اشیایی که دارای هوش مصنوعی هستند، ابعاد مسئولیت ورود زیان ناشی از آن بسیار پیچیده تر از حالت سنتی آن است و تنها وقتی می توان احکام سابق را بر آن بار کرد که هوش مصنوعی جزء ابزار به شمار آید. پس، هرگاه بتوان برای آن قائل به استقلال و اختیار تصمیم گیری شد، مسئولیت خود آن اشیا نیز مطرح می شود. اما در این خصوص، مشکلاتی مثل شناسایی تقصیر ماشین و نحوه جبران خسارت مطرح می شود و چاره ای جز اعطای شخصیت بر آن باقی نمی ماند.