Neuroscience & Neoplaisa Artificial Intelligence Research Group (NAIRG)

نسل جدید هوش مصنوعی پزشکی به سمت Foundation Modelها در حرکت است؛ مدل‌هایی که با یادگیری از حجم عظیمی از داده‌های پزشکی، می‌توانند representationهای عمومی و قابل‌انتقالی از تصاویر و اطلاعات بالینی ایجاد کنند و سپس برای وظایف مختلفی مانند تشخیص، پیش‌آگهی و طبقه‌بندی مورد استفاده قرار گیرند.

اما یک چالش اساسی همچنان پابرجاست:

❓ وقتی یک Foundation Model یک الگو را در تصویر پیدا می‌کند، چگونه می‌توانیم بفهمیم آن الگو از نظر بالینی چه معنایی دارد؟

اینجاست که پژوهش گروه NAIRG در مورد BM1.0 اهمیت پیدا می‌کند. 🔬

در این پژوهش، به‌جای اینکه ویژگی‌های تصویری صرفاً به‌عنوان اعداد پیچیده و غیرقابل‌تفسیر باقی بمانند، تلاش شده است یک زبان مشترک میان representationهای هوش مصنوعی و مفاهیم بالینی ایجاد شود.

📊 در BM1.0، یک چارچوب دوگانه برای تفسیر ویژگی‌های رادیومیکس در MRI پستان طراحی شد:

🔹 ExpertFID
۵۶ ویژگی رادیومیکس را با استفاده از دانش موجود در منابع علمی و نظر متخصصان، به descriptors بالینی BI-RADS متصل می‌کند.

🔹 AutoFID
با استفاده از SHAP، برای ۵۲ ویژگی که پیش‌تر تفسیر بالینی مشخصی نداشتند، ارتباطات قابل‌فهم‌تری با مفاهیم پزشکی استخراج می‌کند.

این چارچوب روی یک cohort چندمرکزی شامل ۱٬۵۴۹ مورد MRI پستان و ۲۰ pipeline مختلف یادگیری ماشین ارزیابی شد.

💡 اما چرا این موضوع برای Foundation Modelها مهم است؟

یک Foundation Model می‌تواند representationهایی بسیار قدرتمند از تصاویر پزشکی یاد بگیرد؛ اما قدرت representation به‌تنهایی برای ورود گسترده به محیط بالینی کافی نیست.

برای استفاده‌ی واقعی از این مدل‌ها، باید بتوانیم:

Image → Representation → Clinical Concept → Clinical Decision

را به هم متصل کنیم.

BM1.0 در همین مسیر حرکت می‌کند:
یعنی ایجاد پلی میان ویژگی‌های کمی و پیچیده‌ی استخراج‌شده از تصویر و مفاهیم قابل‌فهم برای پزشک.

🚀 می‌توان آینده‌ای را تصور کرد که در آن یک Medical Foundation Model، به‌جای اینکه صرفاً یک embedding ناشناخته تولید کند، بتواند representationهای خود را به یک واژگان بالینی استاندارد متصل کند.

در چنین معماری‌ای، Foundation Model می‌تواند قدرت یادگیری از داده‌های عظیم و چندمرکزی را فراهم کند و چارچوب‌هایی مانند BM1.0 بتوانند به تفسیر و ترجمه‌ی این دانش به زبان بالینی کمک کنند.

بنابراین، BM1.0 یک مسئله‌ی بسیار مهم در مسیر توسعه و استفاده از Foundation Modelهای پزشکی را هدف قرار می‌دهد:

«چگونه دانش پنهان‌شده در representationهای مدل‌های بزرگ را به دانش قابل‌فهم و قابل‌استفاده برای پزشک تبدیل کنیم؟»

این پیوند میان Foundation Models + Radiomics + Explainable AI + Clinical Knowledge می‌تواند یکی از مسیرهای مهم برای ساخت نسل آینده‌ی قابل‌تفسیر و قابل‌اعتماد از AI پزشکی باشد. 🩺🤖

📚 عنوان مقاله:
BM1.0: A Radiomics Computational Dictionary Bridging AI Research and Clinical Practice in Breast Cancer Care

🔗 https://doi.org/10.1117/12.3085651

NAIRG
Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine.

🌐 https://nairg.org/
📱 https://t.me/NAIRG_ResearchGroup

​🧠 Why Are There SO Many AI Foundation Models? 🤖

​If you browse HuggingFace today, you'll find thousands of open-source foundation models. But why do we need so many, and what makes them so powerful?
​In this excellent breakdown by IBM Technology, we explore the mechanics of Foundation Models and Transfer Learning—core AI concepts driven by neural network architectures that mirror our own cognitive adaptability.

​#AI
#ArtificialIntelligence
#NeuralNetworks
#MachineLearning
#FoundationModels
#Transformers

مدل‌های پایه عصبی: رازگشایی از مغز به کمک هوش مصنوعی 🤖

پژوهشگران علوم اعصاب و هوش مصنوعی در حال ورود به عصری نوین هستند، جایی که معماری‌های قدرتمند یادگیری عمیق برای تحلیل پیچیده‌ترین داده‌های بیولوژیکی به کار گرفته می‌شوند. این بار، تمرکز بر روی "مدل‌های پایه عصبی" (Neural Foundation Models) است؛ سیستم‌هایی نوآورانه که با الهام از مدل‌های زبانی بزرگ آموزش دیده‌اند تا با پردازش حجم عظیمی از سیگنال‌های مغزی، الگوهای فعالیت عصبی را با دقتی بی‌نظیر پیش‌بینی و رمزگشایی کنند.

در واقع، این پژوهش‌ها گامی فراتر از تحلیل‌های محاسباتی رایج برداشته و به سمت درک عمیق‌تر ارتباط میان شبکه‌های مصنوعی و شبکه‌های بیولوژیکی گام برداشته‌اند. با وجود اینکه این مدل‌ها در شبیه‌سازی و پیش‌بینی فعالیت‌های مغزی بسیار موفق عمل می‌کنند، دانشمندان با یک پرسش بنیادین روبرو هستند: آیا این موفقیت لزوماً به این معناست که هوش مصنوعی دقیقاً مانند مغز ما فکر می‌کند؟ این چارچوب تحلیلی، ضمن ارائه ابزارهایی قدرتمند، مرزهای ظریف میان کارایی خیره‌کننده سیستم‌های هوش مصنوعی و پیچیدگی‌های ناشناخته ذهن انسان را برای ما روشن می‌سازد.

🔗 مطالعه متن کامل
https://www.thetransmitter.org/neuroai/why-neural-foundation-models-work-and-what-they-might-and-might-not-teach-us-about-the-brain/

مانیفولدهای عصبی: کلمه‌ای پرزرق‌وبرق یا مسیری برای درک مغز؟ 🧠
پژوهشگران علوم اعصاب در حال ورود به درک عمیق‌تری از پیچیدگی‌های مغز هستند، جایی که تمرکز از تک‌نورون‌ها به سمت فعالیت هماهنگ جمعیت‌های عصبی تغییر یافته است. در این میان، "مانیفولدهای عصبی" (Neural Manifolds) به عنوان یک رویکرد مفهومی و ریاضیاتی نوین مطرح شده‌اند؛ فضاهایی که محدودیت‌ها و الگوهای فعالیت گروهی نورون‌ها را به تصویر می‌کشند و به ما کمک می‌کنند تا ریشه رفتارهای پیچیده و حیرت‌انگیز جانداران را رمزگشایی کنیم.
در واقع، این چارچوب تحلیلی گامی فراتر از نگاه سنتی به تک‌تک سلول‌های عصبی برداشته و نشان می‌دهد که چگونه اطلاعات مغزی روی یک ساختار هندسی و پیوسته شکل می‌گیرند. مانیفولدهای عصبی با بهره‌گیری از مفاهیم پیشرفته توپولوژی، به دانشمندان این امکان را می‌دهند که به جای گم شدن در میان حجم عظیمی از سیگنال‌های پراکنده، مسیرهای معنادار تبادل اطلاعات در مغز را کشف کنند. این نگرش دقیق، صرفاً یک اصطلاح علمی جدید نیست، بلکه پلی است بنیادین برای پیوند دادن فعالیت‌های بسیار خردِ نورون‌ها به فرآیندهای کلانی که زیربنای رفتارهای ما را تشکیل می‌دهند.
🔗 مطالعه متن کامل
https://www.thetransmitter.org/neural-dynamics/neural-manifolds-latest-buzzword-or-pathway-to-understand-the-brain/

⏳ آینده‌ی بیماری چقدر قابل پیش‌بینی است؟

یکی از بزرگ‌ترین اهداف پزشکی شخصی‌سازی‌شده (Personalized Medicine)، پیش‌بینی دقیق روند پیشرفت بیماری و پاسخ به درمان است. در بیماری‌های حساسی مانند سرطان ریه، این آگاهی می‌تواند مرز باریک میان انتخاب یک مسیر درمانی موفق و یک تصمیم دیرهنگام باشد.

در این پژوهش از گروه NAIRG ، قدرت پیش‌بینی‌کنندگی مدل‌های پیشرفته‌ی هوش مصنوعی در برابر روش‌های کلاسیک به چالش کشیده شده است. ⚕️📊

برای رسیدن به بالاترین دقت، اطلاعات تصاویر PET و CT را با ۲۷ روش مختلف با هم ادغام کردیم. سپس رقابتی میان دو رویکرد استخراج اطلاعات شکل گرفت:
۱. ویژگی‌های استخراج‌شده توسط مدل‌های یادگیری عمیق (Tensor Deep Features)
۲. ویژگی‌های رادیومیکس (Handcrafted Radiomics Features)

💡 نتیجه چه بود؟
بررسی‌ها نشان داد که ویژگی‌های استخراج‌شده توسط شبکه‌های عمیق (در کنار سیستم‌های ترکیبی یادگیری ماشین)، در پیش‌بینی زمان دقیق بقا و عود بیماری عملکردی خیره‌کننده و بسیار دقیق دارند. از سوی دیگر، ویژگی‌های رادیومیکس توانستند به مدل‌های تحلیل بقا (Survival Analysis) برای درک بهتر روند زمانی بیماری کمک کنند.

این مطالعه نشان می‌دهد که با تلفیق هوشمندانه‌ی داده‌های چندگانه‌ی تصویربرداری و الگوریتم‌های پیشرفته، می‌توانیم بینش بالینی عمیق‌تری به پزشکان ارائه دهیم تا بهترین تصمیم را برای هر بیمار اتخاذ کنند.

📚 عنوان مقاله:
Tensor Deep versus Radiomics Features: Lung Cancer Outcome Prediction using Hybrid Machine Learning Systems

🔗 مشاهده مقاله در Journal of Nuclear Medicine:
https://jnm.snmjournals.org/content/64/supplement_1/1174

NAIRG
Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine.

🌐 https://nairg.org/
📱 https://t.me/NAIRG_ResearchGroup

🟡 سطح ۱: مسیر کاوشگر (Explorer Track) - ورود به دنیای AI در پزشکی


🔊🔊 اگر به کاربرد هوش مصنوعی در پزشکی علاقه دارید اما دانش برنامه‌نویسی پیشرفته‌ای ندارید، این دوره نقطه شروع شماست!

🟣 نوع دوره: آموزش پایه‌ای و گروهی (ظرفیت حداکثر ۵ نفر)
⚜️ خروجی نهایی: دانش پایه ماشین لرنینگ + نگارش و داوری یک پروپوزال پژوهشی
🔺 مدت زمان: ۳ ماه (۱۰ جلسه آموزشی)
💠 زمینه علمی: مبانی ماشین لرنینگ، کاربرد AI در علوم اعصاب (fMRI/EEG) و آنکولوژی (رادیومیکس)
🔅 مخاطبین: دانشجویان و پژوهشگران تازه‌کار در زمینه علوم پزشکی و کامپیوتر

📌 چرا این سطح انتخاب مناسبی برای شماست؟

عدم نیاز به پیش‌نیاز برنامه‌نویسی (امکان استفاده از Google Colab)

آشنایی عملی با دیتاسِت‌های معتبر بیومدیکال

دریافت گواهی پایان‌دوره و امکان ورود به سطح ۲



🟡 سطح ۲: مسیر پژوهش‌ساز (Research Builder Track) - تبدیل ایده به مقاله


🔊🔊 ایده پژوهشی دارید اما برای اجرای تحلیل‌های هوش مصنوعی و نگارش مقاله به راهنمایی تخصصی نیاز دارید؟ در این مسیر نیمه‌خصوصی همراه شما هستیم.

🟣 نوع دوره: منتورشیپ نیمه‌خصوصی (گروه‌های ۲ الی ۳ نفره)
⚜️ خروجی نهایی: چارچوب کامل پروژه، درفت کامل مقاله و ابسترکت آماده برای کنفرانس
🔺 مدت زمان: ۴ تا ۶ ماه (۱۰ جلسه)
💠 مهارت‌های دوره: طراحی ورک‌فلو AI، پیش‌پردازش دیتا، اعتبارسنجی مدل‌ها و نگارش علمی
❌ پذیرش محدود: نیازمند ارسال رزومه، مصاحبه و داشتن تجربه پژوهشی پایه

📌 چرا این سطح انتخاب مناسبی برای شماست؟

کار روی داده‌های واقعی و پیاده‌سازی مدل‌های یادگیری ماشین

رعایت دقیق استانداردهای علمی و داوری همتای داخلی

هموار کردن مسیر برای رسیدن به یک مقاله سابمیت‌شده



🟡 سطح ۳: شتاب‌دهنده چاپ (Publication Accelerator Track) - سابمیت در ژورنال‌های معتبر


🔊🔊 ویژه پژوهشگرانی که دیتاسِت یا نتایج اولیه‌ای دارند و می‌خواهند در کوتاه‌ترین زمان ممکن مقاله خود را در ژورنال‌های با ایمپکت بالا (Q1) چاپ کنند.

🟣 نوع دوره: منتورشیپ کاملاً خصوصی و فشرده (فردی و ۱ نفره)
⚜️ خروجی نهایی: مقاله کاملاً آماده سابمیت + استراتژی انتخاب ژورنال Q1 (۲ تا ۳ ژورنال هدف)
🔺 مدت زمان: ۶ تا ۸ هفته فشرده (جلسات متعدد در طول هفته)
💠 تمرکز دوره: بهینه‌سازی پایپ‌لاین AI، طراحی فیگورهای باکیفیت و استراتژی پاسخ به داوران
❌ پذیرش بسیار محدود: نیازمند پروژه تعریف‌شده و در مراحل پیشرفته + مصاحبه تخصصی

📌 چرا این سطح انتخاب مناسبی برای شماست؟

دریافت منتورشیپ کاملاً اختصاصی (۲ تا ۳ بار در هفته)

تضمین کیفیت خروجی برای ژورنال‌های معتبر و رقابتی

پشتیبانی مستمر منتورها حتی پس از سابمیت در پروسه داوری

✔️ علاقه‌مندانی که تمایل به ثبت‌نام و بررسی پروژه خود دارند از طریق ایمیل با ما درتماس باشند.
nairesearchgroup@gmail.com

🟡 فرصت ویژه شرکت در برنامه جامع منتورشیپ هوش مصنوعی در علوم اعصاب و نئوپلازی


🔊🔊 گروه پژوهشی NAIRG با افتخار برگزار می‌کند: مسیر منتورشیپ ساختاریافته سه‌سطحی برای یادگیری کاربرد هوش مصنوعی، علوم اعصاب محاسباتی و دیتاساینس در تحقیقات علوم اعصاب و سرطان (نئوپلازی).

🟣 ساختار برنامه: ۳ سطح مختلف از آشنایی اولیه تا سابمیت مقاله
⚜️ فرمت برگزاری: جلسات گروهی، نیمه‌خصوصی و کاملاً خصوصی (۱ نفره) بسته به سطح انتخابی
🔺 مدت زمان: از ۶ هفته فشرده تا ۶ ماه
💠 زمینه علمی: هوش مصنوعی (AI)، علوم اعصاب، آنکولوژی، تصویربرداری پزشکی و یادگیری ماشین
🔅 مخاطبین: دانشجویان، پژوهشگران، پزشکان و تمام علاقه‌مندان به کاربرد AI در پزشکی

📌 چرا این برنامه انتخاب مناسبی برای شماست؟

آموزش گام‌به‌گام پایتون و ابزارهای آنالیز تصاویر پزشکی (مانند 3D Slicer)

پیش‌برد پروژه‌ها بر اساس استانداردهای بین‌المللی و دیتاسِت‌های معتبر (مانند UK Biobank و ADNI)

پشتیبانی کامل از نگارش پروپوزال تا سابمیت در ژورنال‌های با ایمپکت بالا (Q1)

منتورشیپ توسط متخصصین علوم اعصاب محاسباتی و آمار زیستی (دکتر علی فتحی جوزدانی و دکتر آرمان گرجی)


🌱
NAIRG
Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine.

🌱 Level 1: Explorer Track – Your Journey Starts Here! 💻🧠

Curious about how AI is revolutionizing neuroscience and oncology but don't have an advanced programming background? The Explorer Track is built for you!

Designed for students, early-career researchers, and clinicians, this track builds your foundational knowledge and hands-on familiarity with AI-driven biomedical research.

Key Details:

* Duration: 3 months (10 training sessions scheduled to your group's needs).


* Format: Small group (up to 5 participants) with weekly sessions.


* Core Output: Foundational knowledge and a reviewed research proposal.


What You'll Learn:

* Foundations of AI & machine learning.


* How to work with major biomedical datasets (OpenNeuro, ADNI, UK Biobank, etc.).


* AI applications in neuroscience (EEG/fMRI, connectomics) and oncology (radiomics, tumor classification).



Bring your curiosity and a basic scientific interest—we’ll handle the rest!


🛠 Level 2: Research Builder Track – Turn Ideas into Manuscripts! ✍️📊

Do you have basic research experience and a brilliant idea, but need help turning it into a publishable project? The Research Builder Track provides the structure and expert guidance to make it happen.

Key Details:

* Duration: 4-6 months (10 training sessions).


* Format: Semi-private mentorship (2-3 participants) with weekly small-group and biweekly 1:1 check-ins.


* Core Output: A complete research project framework, a manuscript draft, and a conference abstract ready for submission.


What You'll Learn:

* AI/ML workflow design and data preprocessing.


* Model selection, justification, and robust validation methods.


* Scientific writing and manuscript preparation for peer review.


*Note: Admission requires a short application and interview to ensure project feasibility!*


🚀 Level 3: Publication Accelerator Track – Fast-Track Your Q1 Submission! 📈🏆

You have a defined project, real datasets, or preliminary results. Now, it's time to publish. The Publication Accelerator Track is an intensive, highly competitive 1-on-1 mentorship designed to push your research across the finish line.

Key Details:

* Duration: 6-8 weeks of intensive work (10 training sessions plus 2-3 weekly 1:1 sessions).


* Format: Completely individual (1-on-1) mentorship.


* Core Output: A submission-ready manuscript, a documented publication roadmap, and conference materials.



The Accelerator Edge:

* Advanced analysis strategy and AI pipeline optimization.


* Publication-quality figure and table preparation.


* Target journal strategy (aiming for high-impact/Q1 journals) and response strategies for reviewer comments.


Ready to accelerate your academic career? Apply now with your current project status and data!
nairesearchgroup@gmail.com

🚀 Unlock the Future of Medical Research with NAIRG! 🧠🧬

The Neuroscience & Neoplasia AI Research Group (NAIRG) is thrilled to announce our new AI in Neuroscience & Neoplasia Mentorship Program!
Directed by Dr. Ali Fathi Jouzdani, this structured, three-tier mentorship pathway trains researchers to seamlessly apply artificial intelligence, computational neuroscience, and biomedical data science to neuroscience and cancer (neoplasia) research. Whether you are seeking your first exposure to the field or aiming for a high-impact journal submission, our mentorship team—including Arman Gorji and Dr. Ali Fathi Jouzdani—will guide you every step of the way.


Program at a Glance:

Level 1 (Explorer): Build foundational knowledge and draft a research proposal.

Level 2 (Research Builder): Transform an idea into a structured project and a manuscript draft.

Level 3 (Publication Accelerator): Turn your existing dataset or
preliminary results into a submission-ready manuscript.
Participants will master essential tools like Python, common medical imaging software (e.g., 3D Slicer), and radiomics/genomics pipelines.

Ready to innovate? Stay tuned for detailed breakdowns of each level! 👇

🧠 The Bottleneck of Supervised Learning in AI

​While Deep Learning took off in the 2010s with models like AlexNet, pioneers like Yann LeCun saw a major limitation: the immense dependency on manually labeled training data.
​Unlike the human brain, which can generalize concepts (like recognizing a "dog") from just a few examples, early AI required millions of meticulously annotated images. This "bottleneck" sparked a massive shift in AI research toward more brain-inspired approaches:

1️⃣ Reinforcement Learning: Models learning by interacting with environments (leading to DeepMind's breakthroughs in Go and Atari).

2️⃣ Self-Supervised & Unsupervised Learning: Models learning underlying structures directly from raw data, without human labels.

​#ArtificialIntelligence
#MachineLearning
#DeepLearning
#ReinforcementLearning

مغزهای مینیاتوری انسان در سفری شگفت‌انگیز به مغز موش 🧠

تصور کنید بتوانیم بخش‌های حیاتی مغز انسان را خارج از بدن، در محیطی که به طور طبیعی برای رشدشان طراحی شده، مشاهده کنیم. این رویای دیرینه دانشمندان علوم اعصاب، با یافته‌های جدید و بسیار هیجان‌انگیز، گامی بلند به سوی واقعیت برداشته است. پژوهشگران در یک مطالعه نوآورانه، توانسته‌اند ارگانوئیدهای مغزی انسانی را با موفقیت در کورتکس تخلیه شده موش‌ها پرورش دهند. این رویکرد جسورانه، که حاصل ادغام دقیق تکنیک‌های مهندسی بافت و مدل‌سازی حیوانی است، دریچه‌ای نو به سوی درک پیچیدگی‌های رشد مغز انسان، از جمله مراحل اولیه شکل‌گیری نورونی و تعاملات سلولی، می‌گشاید.
این مطالعه، فراتر از صرفاً پرورش سلول‌ها، به ما امکان می‌دهد تا دینامیک‌های پیچیده‌ای را که در مغز انسان رخ می‌دهند، در یک زمینه زیستی زنده و در حال رشد بررسی کنیم. قرار دادن ارگانوئیدهای مغزی انسانی در ساختار کورتکس موش، فضایی فراهم می‌آورد که بتوانیم چگونگی شکل‌گیری شبکه‌های عصبی، مهاجرت نورون‌ها و شکل‌گیری سیناپس‌ها را در شرایطی که به طور شگفت‌انگیزی شبیه به محیط طبیعی مغز در حال رشد است، رصد کنیم. این دستاورد، پتانسیل فوق‌العاده‌ای برای مدل‌سازی اختلالات عصبی-تکاملی دارد؛ ما می‌توانیم تغییرات ناشی از جهش‌های ژنتیکی مرتبط با اوتیسم را در این مدل‌ها مشاهده کرده و مکانیسم‌های مولکولی زیربنایی آن‌ها را کشف کنیم. این دقیقاً همان نقطه‌ای است که تحقیقات بنیادی ما را به سوی راه‌حل‌های درمانی آینده هدایت می‌کند.

🔗 مطالعه متن کامل مقاله
https://www.thetransmitter.org/spectrum/human-brain-organoids-flourish-in-emptied-mouse-cortex/

🧠 Want to master Deep Learning? You need to know about RNNs!

​Recurrent Neural Networks (RNNs) are the secret sauce behind handling sequential data like text and speech. Unlike standard neural networks, they have a built-in "memory" that lets them learn from past context over time. ⏳
​From Language Translation to Speech Recognition, RNNs are everywhere! However, they do struggle with super long sequences (which is where LSTMs and GRUs step in).
​
​#DeepLearning
#AI
#MachineLearning
#RNN
#NeuralNetworks

هوش مصنوعی و واکسن‌های طول عمر: نبردی نوین با پیری سلولی 🧬

پژوهشگران در حال ورود به عصری نوین هستند، جایی که الگوریتم‌های هوشمند نه تنها داده‌های پیچیده را تحلیل می‌کنند، بلکه فعالانه در طراحی راه‌حل‌های بنیادین برای یکی از کهن‌ترین چالش‌های بیولوژیکی بشر، یعنی پیری، مشارکت دارند. این بار، تمرکز بر روی "واکسن‌های طول عمر" است؛ رویکردی نوآورانه که با هدف قرار دادن زودهنگام‌ترین عوامل ایجاد کننده فرسودگی سلولی، مسیر را برای مداخلات پزشکی متحول‌کننده هموار می‌کند.
در واقع، این پژوهش‌ها گامی فراتر از درک صرف مکانیسم‌های پیری برداشته و به سمت طراحی راه‌حل‌های عملی و هدفمند گام برداشته‌اند. هوش مصنوعی با توانایی خود در شناسایی الگوهای پیچیده و غیرمشهود در حجم عظیمی از داده‌های بیولوژیکی، قادر است اهداف مولکولی حیاتی را در مراحل اولیه پیری سلولی شناسایی کند. این شناسایی دقیق، اساس طراحی واکسن‌هایی را فراهم می‌آورد که سیستم ایمنی بدن را برای مقابله با عوامل مخرب و مولکول‌های ناسازگار که مسئول تخریب تدریجی سلول‌ها در طول زمان هستند، آماده می‌کند.

🔗 مطالعه متن کامل
https://neurosciencenews.com/ai-longevity-vaccine-cellular-aging-31211/

🧠 وقتی هوش مصنوعی تصمیم می‌گیرد، واقعاً می‌دانیم چرا؟

یکی از چالش‌های مهم مدل‌های هوش مصنوعی در پزشکی، مسئله‌ی Black Box بودن آن‌هاست؛ مدل ممکن است عملکرد بالایی داشته باشد، اما درک اینکه دقیقاً چه ویژگی‌هایی باعث تصمیم آن شده، همیشه ساده نیست.

در یکی از پژوهش تیم NAIRG، تلاش کردیم یک قدم به درون این جعبه‌ی سیاه نزدیک‌تر شویم. 🔍

در این مطالعه، ویژگی‌های استخراج‌شده از Deep Learning در کنار Radiomics و اطلاعات بالینی بررسی شدند تا ارتباط میان این منابع مختلف اطلاعاتی بهتر درک شود و مسیر تفسیرپذیری مدل‌های هوش مصنوعی در تصویربرداری پزشکی روشن‌تر شود.

🎯 ایده اصلی ساده است:

اگر مدل هوش مصنوعی ویژگی‌های پیچیده‌ای از تصویر یاد می‌گیرد، آیا می‌توانیم ارتباط آن‌ها را با ویژگی‌های شناخته‌شده‌ی رادیومیکس و اطلاعات بالینی پیدا کنیم؟

این رویکرد می‌تواند به ساخت مدل‌هایی کمک کند که نه‌تنها پیش‌بینی انجام می‌دهند، بلکه درک بهتری از چرایی تصمیم مدل نیز در اختیار پژوهشگر و پزشک قرار می‌دهند.

📚 عنوان مقاله:
Unveiling the Black Box: A Synergistic Exploration of Deep Learning Features in Relation to Radiomics and Clinical Information for Enhanced Interpretability in Medical Imaging

🔗 "مشاهده مقاله در Journal of Nuclear Medicine"
https://jnm.snmjournals.org/content/65/supplement_2/242134.abstract

NAIRG
Advancing interpretable and responsible AI across neuroscience, neoplasia, and precision medicine.

🌐 https://nairg.org/
📱https://t.me/NAIRG_ResearchGroup

رشد روزافزون دستاوردهای علمی گروه پژوهشی NAIRG 🚀
​با افتخار به اطلاع می‌رسیم که بر اساس داده‌های گوگل اسکالر، مقالات و پژوهش‌های «گروه تحقیقاتی هوش مصنوعی در علوم اعصاب و نئوپلازی (NAIRG)» با استقبال و ارجاع قابل‌توجهی در جامعه علمی مواجه شده است.

​📊 نگاهی به آمار پژوهشی گروه ما:
🔹 مجموع استنادات (Citations): ۲۸۶
🔹 شاخص اچ (h-index): ۹
🔹 شاخص آی-۱۰ (i10-index): ۸

​تمرکز مداوم پژوهشگران تیم ما بر حوزه‌های لبه تکنولوژی مانند علوم اعصاب محاسباتی، پزشکی شخص‌محور ، و کاربردهای هوش مصنوعی در انکولوژی و نورولوژی، باعث این روند رو به رشد شده است؛ روندی که نمودار صعودی استنادات از سال ۲۰۲۳ تا ۲۰۲۶ به خوبی گویای آن است. 📈

​این موفقیت حاصل تلاش‌های شبانه‌روزی، کار تیمی و پشتکار تک‌تک اعضا و پژوهشگران گروه است. از همراهی شما در این مسیر سپاسگزاریم و خبرهای بسیار خوبی از پروژه‌های تحقیقاتی آینده در راه است! 💡

​🔗 لینک پروفایل گوگل اسکالر گروه:
Https://scholar.google.com/citations?hl=en&user=ycWvoQ4AAAAJ

🏆 درخشش تیم NAIRG در عرصه جهانی هوش مصنوعی! 🚀

​با افتخار اعلام می‌کنیم تیم ما موفق به فتح سکوی جهانی و کسب مقام دوم در مسابقات معتبر SNMMI AI Challenge Award 2023 شده بود🥈🔥

​این جایزه در رویداد سالانه SNMMI (ژوئن ۲۰۲۴) برای پروژه "پیش‌بینی پیامدهای باینری" به ما اعطا شد. رقابت با بهترین‌های دنیا کار ساده‌ای نیست، اما ثابت کردیم جایگاه ما در لبه تکنولوژی و نوآوری است! 🧠💻

​🎯 می‌خوای بخشی از یک تیم برنده باشی؟
ما در NAIRG همیشه به دنبال استعدادهای جاه‌طلب هستیم. اگر به هوش مصنوعی علاقه‌مندی و دوست داری در مسابقات جهانی بعدی اسم تو هم روی این سرتیفیکیت‌ها باشه، جات تو تیم ماست! 💪

هیچ جادویی در کار نیست؛ فقط تویی، کیبوردت و کدهایی که دنیا رو تکون می‌دن. کسی که قهوه رو به شاهکار تبدیل می‌کنه، برنامه‌نویسا روزتون مبارک! 🚀😎

🚀 افزونه Data Wrangler در VS Code؛ دستیار جادویی دیتا ساینتیست‌ها

اگه درگیر پروژه‌های تحلیل داده و ماشین‌لرنینگ با پایتون هستید، این افزونه رسمی مایکروسافت سرعت پیش‌پردازش داده‌های شما رو چند برابر می‌کنه.

✨ چرا باید نصبش کنید؟

📊 کاوش بصری سریع: مشاهده گرافیکی توزیع داده‌ها، آمار توصیفی و مقادیر گمشده (Missing Values) روی دیتافریم‌های Pandas در یک نگاه.

⚡️ کدنویسی خودکار: شما با موس تغییرات رو اعمال می‌کنید (مثلاً فیلتر داده‌ها یا حذف یک ستون) و افزونه به‌طور خودکار کد Pandas معادلش رو توی نوت‌بوک براتون می‌نویسه!

🛠 نصب: جستجوی عبارت Data Wrangler در بخش Extensions (publisher: Microsoft).