مدل های “al -tahli” منجر به تحقیقات زیست پزشکی می شود

وعده های غذایی اصلی:

• ال،ای اطلاعاتی مصنوعی ، اطلاعاتی را که از یک موقعیت به موقعیت دیگر آموخته اند ، اعمال می کنند.
• کشت سلولی و بیماری آ،ایمر نمونه ای از زمینه های تحقیقاتی است که از این مدل ها بهره مند می شوند.

CLEVELAND – به گفته سخنگوی اج، کلینیک کلیولند ، هوش مصنوعی برای متخصصان مراقبت های بهداشتی ، مدل های بین المللی عفو جدید پیشرفت در تحقیقات زیست پزشکی را تسریع می کنند.

ال،ای اطلاعاتی مصنوعی را می توان برای بسیاری از کارها استفاده کرد و از اطلاعاتی که در مورد یک موقعیت در موقعیت دیگر آموخته اند استفاده کنید ، جی،نگ هو ، دکترا ، همکار IBM ، به شرکت کنندگان بگویید.

وی گفت: “این موج جدید از مدل های تشکیل دهنده بسیار تحول گرا است.” “ما آموخته ایم که چگونه می توان م،ای عمومی از مقادیر زیادی از داده های دامنه را از طریق چندرسانه ای از طریق یادگیری خودآزمایی با استفاده از داده های غیر محرمانه ساخت.

تحقیقات کشت سلول های بنیادی

هو برخی از راه هایی را که از طریق این مدل ها از طریق مراقبت های بهداشتی استفاده می شود ، برجسته می کند که یکی از آنها کشت سلول انس، با تکامل بالا را ایجاد می کند.

با توجه به آن ، مقایسه یک مشکل در این زمینه دشوار است در آزمایشگاه ISC با ISC با ISCS در بدن زنده یادداشت ها ، که برای درک بیماری روده و تمایز مهم هستند.

محققان با استفاده از م،ای هوش مصنوعی ، از جمله:

• مدل BMFM-RNA خوب تنظیم شده ، که از استانداردهای طلا استفاده می کرد ، و از بیمار مشتق شده است در بدن زنده داده های SCRNASEQ برای طبقه بندی نوع سلول اپیتلیال ؛
• گردش کار مقایسه ، که از طبقه بندی ها برای ایجاد یک استاندارد کیفی استفاده می کرد در آزمایشگاه ISC ها و مقایسه آن در برابر در بدن زنده سلولها ؛ وت
• کار نمایندگان شواهد یک گردش کار است که نتایج فرم را با اطلاعات مربوط به قو،ن ادبیات و پایگاه داده های بیان ژنتیکی متحد و متحد می کند.

در نتیجه ، ما متوجه یک درجه سازگاری بسیار قوی بین ما شدیم در آزمایشگاه سیستم و در بدن زنده وی گفت: “این استانداردهای طلا را به ما می دهد.” در آزمایشگاه سیستم های آزمایشی با … مدل های پایه پزشکی زیست پزشکی واقعاً می توانند چرخه کشف شتاب دهنده را بپردازند. “

تحقیقات بیماری آ،ایمر

وی گفت: “برای شناسایی نامزدهای بالا برای بیماری آ،ایمر ، نیاز به کاهش بار آزمایشی وجود دارد.”

در یک مطالعه ، هو و همکارانش مدلی به نام Mmelon را ادغام ،د که به خوبی برای پیش بینی مولکول کوچک و داده های مورد استفاده از 106 گیرنده همراه با G “با سایر مدل های یادگیری اتوماتیک ، از جمله شبکه های آنالیز و انتقال ، پس از استفاده از داده هایی که مورد تجزیه و تحلیل قرار گرفتند ، استفاده ،د.”

محققان سرانجام 33 هدف از بیماری آ،ایمر را تعیین ،د.

هو گفت: “ما یک بررسی گسترده از 515 آینده از روده و همچنین بیش از 2000 دارو که توسط FDA در برابر این اه، معتبر است ، برای تعیین نامزدهایی که احتمالاً دارای یک نزدیک شدن هستند ، انجام دادیم.

تجزیه و تحلیل اضافی بر روی ذرات بالا که در برابر هر هدف قرار گرفته است انجام می شود.

وی گفت: “با بررسی بسیار سالم ، ما توانسته ایم تأیید کنیم که پیش بینی استفاده از این مدل می تواند بدون آن نتایج بسیار بهتری و دقیق تری ایجاد کند.”

تحقیق در مورد اختلالات راه رفتن

وی گفت: ارزیابی اختلالات راه رفتن ، که در افراد مبتلا به بیماری های عصبی شایع است ، می تواند به پزشکان کمک کند تا این بیماری را کشف کنند و همچنین بر پیشرفت بیماری و در پاسخ به درمان نظارت کنند. با این حال ، وی اظهار داشت که مدل های یادگیری خودکار برای تجزیه و تحلیل پیاده روی فعلی با سنسورهای کالا محدود به اندازه و تنوع داده های آموزش هستند.

در مطالعه ای که در ذات، “ما از داده های مصنوعی ایجاد شده از مدل های مبتنی بر فیزیک برای آموزش مدل های اساسی که برای ایجاد پیاده روی های مصنوعی برای پیاده روی از نظر داده های ویدئویی و مقیاس استفاده می شود ، استفاده کرده ایم.” “این داده های مصنوعی سپس برای آموزش م،ای رودخانه استفاده می شود تا بتوانند وظایف ارزیابی ، از جمله طبقه بندی و همچنین پیش بینی را انجام دهند.”

وی گفت: “با بهره گیری از داده های مصنوعی مبتنی بر فیزیک برای آموزش م،ای اساسی ، می تو،م از طریق تنظیمات سنسورهای مختلف و محیط های دنیای واقعی ، به تعمیم بسیار بهتری از مدل های تست Raying برسیم.”

منابع: