1مقاله از نوع نامه به سردبیر است لذا فاقد چکیده می 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.

1هوش مصنوعی (AI)، به عنوان الگوریتم های کامپیوتری توصیف می شود که ویژگی های شناختی، مانند توانایی های یادگیری را نشان می دهند و اکنون در بسیاری از زمینه ها بر زندگی ما تأثیر می گذارند. در زمینه پزشکی با آنالیز تصاویر با پشتیبانی هوش مصنوعی در پاتولوژی، رادیولوژی و پوست نقش اصلی تشخیص را بر عهده گرفته است. در این مطالعه مقالات از پایگاه های اطلاعاتی Web of Science، Scopus، PubMed و Google Scholar بررسی شد. همچنین مقالاتی بررسی شدند که استفاده از هوش مصنوعی را برای تجزیه و تحلیل تصاویر برای تشخیص بیماری های عفونی توصیف می کردند. دیجیتالی شدن در مراقبت های بهداشتی در حال حاضر تأثیر عمیقی بر بیماران دارد. انتظار می رود که توسعه ای که آغاز شده است به شتاب خود ادامه دهد. یادگیری ماشینی اساساً نحوه تعامل ما با داده های مرتبط با سلامت، از جمله داده های میکروبیولوژی بالینی و بیماری های عفونی را تغییر می دهد. ما احتمالاً از اینترنت اشیا به اینترنت بدن با دستگاه ها و ارائه داده های بهداشتی دقیق حتی در زمان های سلامت بیمار منتقل خواهیم شد. هدف این مطالعه بررسی دیدگاه های کنونی در مورد تلاش ها برای به کارگیری روش های هوش مصنوعی و همچنین جستجوی روش های امیدوارکننده کارآمد برای تشخیص بیماری های عفونی است

زمینه: آپاندیسیت حاد، شایع ترین علت مراجعه بیماران با دردهای شکمی به اورژانس بیمارستان ها و آپاندکتومی شایع ترین عمل جراحی اورژانس است. با وجود ابداع روش های گوناگون تشخیصی، میزان آپاندکتومی غیرضروری قابل توجه است. استفاده از روش های هوش مصنوعی و یادگیری ماشینی می تواند فرآیند تشخیص و درمان را بهبود بخشد. در این پژوهش از سیستم ماشین بردار پشتیبان جهت کمک به تشخیص آپاندیسیت حاد با هدف افزایش صحت تشخیصی و کاهش میزان آپاندکتومی غیرضروری و پیامد های جراحی استفاده شد. مواد و روش ها: طی پژوهشی توسعه ای، با مطالعه متون تخصصی بیماری های دستگاه گوارش، متغیرهای موثر تشخیصی گردآوری و در قالب چک لیست دسته بندی و توسط متخصصان ارزیابی شدند. 181 مورد از پرونده بیمارانی که طی سال 1394 در بیمارستان فوق تخصصی شهید مدرس عمل آپاندکتومی شده بودند، پایگاه داده را تشکیل دادند. سپس سیستم ماشین بردار پشتیبان با معماری های مختلف جهت تعیین بهترین عملکرد تشخیصی پیاده سازی و مقایسه گردید. از شاخص های حساسیت، صحت و مشخصه جهت ارزیابی استفاده شد. یافته ها: خروجی به دست آمده از سیستم ماشین بردار دارای حساسیت، مشخصه و صحت 7/91 درصد، 2/96 درصد و 95 درصد بود که بیانگر عملکرد مناسب آن در تشخیص آپاندیسیت حاد است. نتیجه گیری: با استناد به نتایج می توان گفت که استفاده از سیستم ماشین بردار پشتیبان طراحی شده در تشخیص آپاندیسیت حاد، با هدف تشخیص به موقع، جلوگیری از آپاندکتومی غیرضروری، کاهش مدت بستری و هزینه های درمانی بیمار موثر خواهد بود.

بیماری پارکینسون به عنوان یک اختلال عصبی پیش رونده شناخته می شود که منجر به اختلالات حرکتی می گردد. با توجه به اهمیت تشخیص زودهنگام و دقیق برای مدیریت مؤثر این بیماری، رویکردی نوین برای شناسایی و پیش بینی مرحله پیشرفت پارکینسون پیشنهاد شده است. در این مطالعه، سیگنال های راه رفتن با استفاده از الگوریتم تجزیه حالت ذاتی (EMD) پردازش گردیده و از شبکه عصبی عمیق ترکیبی CNN-LSTM به منظور استخراج ویژگی های زمانی بهره گرفته شده است. داده های حرکتی از طریق شانزده حسگر نیرو که در زیر پای چپ و راست 93 فرد مبتلا به پارکینسون و 73 فرد سالم نصب شده بود، گردآوری و پیش پردازش شده اند. سپس مؤلفه های فرکانسی ذاتی استخراج گردیده اند. برای ارزیابی عملکرد مدل، از دو رویکرد آموزشی استفاده شده است: نخست، تقسیم ساده داده ها به مجموعه های آموزش و آزمون؛ و دوم، روش اعتبارسنجی متقابل K-Fold. ویژگی های زمانی مرتبط با پیشرفت بیماری توسط ساختار CNN-LSTM استخراج گردیده اند. بر اساس نتایج به دست آمده، مدل مبتنی بر اعتبارسنجی متقابل با دقت 96.44٪ عملکرد بهتری نسبت به مدل ساده با دقت 84.27٪ ارائه داده است. این نتایج بر قابلیت بالای مدل پیشنهادی به عنوان ابزاری هوشمند، غیرتهاجمی و پشتیبان تصمیم گیری بالینی برای تشخیص و مرحله بندی بیماری پارکینسون دلالت دارند

زمینه و هدف: ابتلا به بیماری کبد چرب غیرالکلی، به دلایلی چون چاقی مفرط، دیابت نوع دوم و ناهمگونی های هورمونی به طور قابل توجهی شیوع پیدا کرده است. هدف از این مقاله، ارائه یک الگوریتم کاربردی براساس الگوریتم های تفسیرپذیر یادگیری ماشین برای تشخیص افراد مبتلا به چربی کبد غیرالکلی و تعیین شدت و گستردگی بیماری به کمک اطلاعات بالینی می باشد. روش بررسی: در این راستا، مجموع 181 بیمار مبتلا به درجه های مختلف بیماری کبد چرب غیرالکلی، مورد بررسی قرار گرفتند. این مجموعه داده در بازه زمانی بهمن 1389 تا دی سال 1398 در بیمارستان دانشگاه ایهایم با تشخیص ابتلا یا عدم ابتلا به کبد چرب براساس نتیجه ارزیابی پاتولوژیکی نمونه کبدی جمع آوری شده است. برای این دادگان، از روش الگوریتم های انتخاب ویژگی برای تعیین ویژگی های غالب و روش های طبقه بندی مختلف برای تعیین سطح شدت شاخص های شدت کبد چرب استفاده شد. همچنین برای تفسیر بهتر کارکرد روش های مورد استفاده، این اطلاعات به کمک الگوریتم های هوش مصنوعی تفسیرپذیر، تحلیل و بررسی شد. یافته ها: استفاده از روش کلاس بندی XGBoost به همراه روش انتخاب ویژگی رو به جلو، منجر به دقت 5/5±23/69% برای شاخص شدت کبد چرب گردید. بررسی این دادگان توسط الگوریتم های تفسیرپذیری هوش مصنوعی نشان داد که متغیرهای سن، BMI، HDL، LDL، HbA1c، و GPT به ازاء سه کلاس تعیین شده و شاخص های GPT، سن، BMI، HDL، HbA1c، LDL، تری گلیسراید، و کلسترول در تعیین کارایی مدل کلی، جزو اثرگذارترین متغیرهای بالینی هستند که در طبقه بندی شدت بیماری کبد نقش مهمی دارند. نتیجه گیری: بررسی های این مطالعه به خوبی نشان داد که می توان تخمین قابل قبولی از شدت ابتلا به بیماری کبد چرب به دست آورد که همین موضوع می تواند در تعیین درجه ابتلا برای اقدامات درمانی بعدی بیماران کمک کننده باشد و از تحمیل هزینه های درمانی به سیستم درمانی و بیمار جلوگیری نماید.

مقدمه: تشخیص زودهنگام بیماری کووید-19 نقش مهمی در کاهش مرگ و میر بیماران دارد. با توجه به توانمندی های هوش مصنوعی، این فناوری می تواند به عنوان یکی از روش های مؤثر در تشخیص بیماری کووید-19 مورد استفاده قرار گیرد. این مطالعه مروری نظامند با هدف بررسی عملکرد هوش مصنوعی در این حوزه انجام شده است. روش بررسی: با استفاده از ترکیب کلیدواژه های مرتبط، تمامی مقالات مربوط به کاربرد هوش مصنوعی در تشخیص بیماری کووید-19 از پایگاه های داده پابمد، اسکوپوس و وب او ساینس استخراج شدند. این مقالات از جنبه های مختلفی از جمله نوع داده، نوع الگوریتم، پارامترهای ارزیابی، ارائه قوانین بالینی، و ارزیابی بالینی الگوریتم ها مورد بررسی قرار گرفتند. سپس با استفاده از مقالات مروری و متاآنالیز، مشخص شد که این الگوریتم ها تا چه حد در گایدلاین های بالینی مورد استفاده قرار گرفته اند. یافته ها: بررسی 143 مقاله وارد شده به مطالعه نشان داد که داده های ورودی این مقالات به سه دسته رکوردهای اطلاعاتی، تصاویر بالینی، و پردازش صدا تقسیم می شوند. بیش از 96 درصد از این الگوریتم ها به عنوان الگوریتم های جعبه سیاه شناخته می شوند و فاقد ارزیابی بالینی توسط متخصصان حوزه بالین هستند. با این حال، میانگین عملکرد تمامی الگوریتم ها بالای 90 درصد گزارش شده است. همچنین، از بررسی 451 مقاله مروری و متاآنالیز در این مطالعه مشخص شد که هیچ یک از الگوریتم ها در چارچوب بالینی مورد بررسی قرار نگرفته اند و تنها عملکرد الگوریتم ها ارزیابی شده است نتیجه گیری: مرور مقالات نشان داد هوش مصنوعی در تشخیص کووید-19 عملکرد مطلوبی دارد، اما چالش هایی مانند عدم توضیح پذیری مدل ها، وابستگی به داده های آموزشی و نبود ارزیابی های بالینی گسترده وجود دارد. توسعه الگوریتم های جعبه سفید و بهینه سازی مدل ها برای پذیرش بالینی ضروری است.