مقاله انگلیسی با ترجمه آینده‌ی روندهای هوش مصنوعی – یادگیری ماشین در پاتولوژی و پزشکی

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی خرید ترجمه مقالات مرتبط 

عنوان فارسی:

آینده‌ی روندهای  هوش مصنوعی – یادگیری ماشین در پاتولوژی و پزشکی

عنوان انگلیسی:

Future of Artificial Intelligence – Machine Learning Trends in Pathology and Medicine

کد محصول: M1982

سال نشر: 2025

نام ناشر (پایگاه داده): الزویر

نام مجله: Modern Pathology

نوع مقاله: مروری  (Review articles)

متغیر : ندارد

فرضیه:ندارد

مدل مفهومی:  ندارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی:  12 صفحه PDF

تعداد صفحه ترجمه فارسی:   40 صفحه WORD

قیمت فایل ترجمه شده:  138000 تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

هوش مصنوعی (AI) و یادگیری ماشین (ML) در حال دگرگون­سازی حوزه پزشکی هستند. در حال حاضر سازمان‌های بهداشتی در حال تدوین استراتژی‌های مدیریتی برای ادغام چنین پلتفرم‌هایی (مجموعه ابزارهای هوش مصنوعی-یادگیری ماشین) هستند که از قدرت محاسباتی الگوریتم‌های پیشرفته برای تجزیه و تحلیل داده‌ها بهره می‌برند و بینش‌های بهتری ارائه می‌دهند که در نهایت به بهبود تصمیم‌گیری بالینی و نتایج بهتر برای بیماران منجر می‌شود. پلتفرم‌ها و روندهای نوظهور هوش مصنوعی-یادگیری ماشین در پاتولوژی و پزشکی، با ارائه راه‌حل‌های نوآورانه برای افزایش دقت تشخیصی، گردش کار عملیاتی، پشتیبانی از تصمیم‌گیری بالینی و نتایج بالینی، این حوزه را بازتعریف می‌کنند. این ابزارها همچنین در تحقیقات پاتولوژی که به تحلیل خودکار تصاویر، کشف شاخص های زیستی، توسعه دارو، کارآزمایی‌های بالینی و تجزیه و تحلیل مولد کمک می‌کنند، به طور فزاینده‌ای ارزشمند هستند. سایر روندهای مرتبط شامل پذیرش عملیات یادگیری ماشین برای مدیریت مدل‌ها در محیط‌های بالینی، کاربرد هوش مصنوعی چندوجهی و چند عاملی برای استفاده از منابع داده متنوع، تحقیقات انتقالی تسریع‌شده و آموزش مجازی برای آموزش و شبیه‌سازی می باشد. به عنوان بخش پایانی مطالعه ما، این مقاله مروری، به بررسی پذیرش فعلی، جهت‌گیری‌های آینده و پتانسیل تحول‌آفرین پلتفرم‌های هوش مصنوعی-یادگیری ماشین در پاتولوژی و پزشکی می‌پردازد و کاربردها، مزایا، چالش‌ها و چشم‌اندازهای آینده آن‌ها را نیز بررسی می کند.
کلیدواژه‌ها: هوش مصنوعی، پاتولوژی محاسباتی، یادگیری ماشین، عملیات

Abstract: Artificial intelligence (AI) and machine learning (ML) are transforming the field of medicine. Health care organizations are now starting to establish management strategies for integrating such platforms (AI-ML toolsets) that leverage the computational power of advanced algorithms to analyze data and to provide better insights that ultimately translate to enhanced clinical decision-making and improved patient outcomes. Emerging AI-ML platforms and trends in pathology and medicine are reshaping the field by offering innovative solutions to enhance diagnostic accuracy, operational workflows, clinical decision support, and clinical outcomes. These tools are also increasingly valuable in pathology research in which they contribute to automated image analysis, biomarker discovery, drug development, clinical trials, and productive analytics. Other related trends include the adoption of ML operations for managing models in clinical settings, the application of multimodal and multiagent AI to utilize diverse data sources, expedited translational research, and virtualized education for training and simulation. As the final chapter of our AI educational series, this review article delves into the current adoption, future directions, and transformative potential of AIML platforms in pathology and medicine, discussing their applications, benefits, challenges, and future perspectives.

Keywords: artificial intelligence, computational pathology, machine learning, operations

مقدمه

در سال‌های اخیر، گسترش داده‌ها و پیشرفت در ظرفیت های محاسباتی، رشد سریع فناوری‌های یادگیری ماشین (ML) را در تمام بخش های مراقبت‌های بهداشتی تسریع کرده است [۱-۳]. ادغام یادگیری ماشین در پاتولوژی و پزشکی، امکانات جدیدی را برای افزایش دقت فرآیندهای تشخیصی، بهینه‌سازی عملیات آزمایشگاهی و بهبود مراقبت از بیمار فراهم کرده است. با این حال، توسعه، استقرار و مدیریت این سیستم‌های جدید یادگیری ماشین نیازمند مجموعه‌ای از ابزارها و سخت‌افزارهای سازگار است که آماده سازی و استفاده از آن‌ها به صورت دستی می‌تواند چالش‌برانگیز و ناکارآمد باشد. پلتفرم‌های یادگیری ماشین با فراهم کردن یک چارچوب یکپارچه نرم‌افزاری، سخت‌افزاری و فرآیندی که از توسعه و استقرار مدل‌های یادگیری ماشین برای اهداف متعدد و در مقیاس وسیع پشتیبانی می‌کند، شروع به حل این مشکل کرده‌اند. این پلتفرم‌ها از مسیرهای محاسباتی و الگوریتم‌های پیچیده استفاده می‌کنند که مراحل چرخه عمر مدل یادگیری ماشین را از مدیریت داده‌ها و توسعه مدل گرفته تا اعتبارسنجی، استقرار و نظارت بر عملکرد، استانداردسازی و خودکار می‌کنند. مدل‌های یادگیری ماشین توسعه‌یافته بر روی یک پلتفرم استاندارد شده می‌توانند برای چندین منظور ، برای مثال، سیستم‌های مدیریت پرونده یا نرم‌افزار مشاهده پاتولوژی دیجیتال، با تضمین یک استراتژی ساخت مستند و ارزیابی عملکرد مورد استفاده قرار گیرند (شکل 1)….

Introduction In recent years, the proliferation of data and advancements in computational capabilities have catalyzed the rapid growth of machine learning (ML) technologies across health care.1-3 The integration of ML into pathology and medicine has unlocked new possibilities for enhancing diagnostic accuracy, streamlining laboratory operations, and improving patient care. Development, deployment, and management of these new ML systems, however, require a range of compatible tools and hardware that can be challenging and inefficient to assemble and use on a manual basis. ML platforms are starting to solve this problem by providing an integrated software, hardware, and process framework that supports development and deployment of ML models for multiple purposes, at scale. These platforms utilize computational pipelines and sophisticated algorithms that standardize and automate the stages of the ML model life cycle, from data handling and model development through validation, deployment, and performance monitoring. ML models developed on a standardized platform can be deployed for multiple uses, for example, case management systems or digital pathology viewing software, with assurance of a well-documented build strategy and performance evaluation (Fig. 1)….

هوش مصنوعی چندوجهی

هوش مصنوعی چندوجهی به سیستم هوش مصنوعی-یادگیری ماشین اطلاق می‌شود که انواع مختلف داده‌ها، مانند تصویربرداری پزشکی (به عنوان مثال، لام‌های اسکن شده با وضوح بالا و اسکن‌های تصویربرداری رزونانس مغناطیسی)، داده‌های ژنومی (به عنوان مثال، تعیین توالی DNA) و داده‌های بالینی (به عنوان مثال، اطلاعات جمعیت‌شناختی بیمار و نتایج آزمایشگاهی) را برای بهبود تصمیم‌گیری در مراقبت‌های بهداشتی ادغام می‌کند [37]. ادغام داده‌های بالینی با انواع مختلف داده‌ها، این تجزیه و تحلیل را با قرار دادن یافته‌ها در زمینه سابقه پزشکی، داروها و بیماری‌های همزمان بیمار، غنی‌تر می‌کند و از این طریق از راهبردهای مدیریت جامع بیمار پشتیبانی می‌کند. هوش مصنوعی چندوجهی در پاتولوژی و طب آزمایشگاهی نسبت به مدل‌های تک‌وجهی مزایای متعددی دارد. مدل‌های هوش مصنوعی چندوجهی اغلب به داده‌های کمتری نیاز دارند، می‌توانند وظایف فشرده‌تر از نظر محتوا را بهتر انجام دهند و با استفاده از اطلاعات مکمل از منابع مختلف داده، دقت تشخیصی را افزایش می‌دهند. به عنوان مثال، ناهنجاری‌های شناسایی‌شده در تصویربرداری می‌توانند با نشانگرهای ژنومی مرتبط با استعداد یا پیشرفت بیماری مرتبط باشند، که می‌تواند به یک نتیجه توانمندتر و مفیدتر در مسیر پشتیبانی از تصمیم‌گیری تبدیل شود. بنابراین، هوش مصنوعی چندوجهی پتانسیل فوق‌العاده‌ای در بهبود شیوه‌های تشخیصی فعلی ما دارد….

Multimodal Artificial Intelligence: Multimodal AI refers to an AI-ML system that integrates diverse data types, such as medical imaging (eg, WSIs and magnetic resonance imaging scans), genomic data (eg, DNA sequencing), and clinical data (eg, patient demographics and laboratory results), to enhance decision-making in health care.37 Integrating clinical data with multiple types of data further enriches this analysis by contextualizing findings within the patient’s medical history, medications, and comorbidities, thereby supporting holistic patient management strategies. Multimodal AI offers several advantages in pathology and laboratory medicine over unimodal models. Multimodal AI models often require less data, can better handle more context-intensive tasks, and offer enhanced diagnostic accuracy by leveraging complementary information from different data sources. For instance, abnormalities identified on imaging can be correlated with genomic markers associated with disease susceptibility or progression, which can translate to a more capable and useful outcome in the decision support pipeline. Multimodal AI thus holds tremendous potential in enhancing our current diagnostic practices….

هوش مصنوعی عمومی

هوش مصنوعی عمومی (AGI) به نوعی از هوش مصنوعی اطلاق می‌شود که توانایی درک، یادگیری و به کارگیری دانش در طیف گسترده‌ای از وظایف را دارد که در سطحی معادل انسان است [46]. در اوت 2024، AGI وجود نداشت. با این حال، پیشرفت‌های اخیر در زمینه هوش مصنوعی پتانسیل قابل توجهی را نشان می‌دهد. برخلاف هوش مصنوعی محدود (یا ضعیف)، که بیشتر کاربردهای هوش مصنوعی فعلی ما (یعنی ML) را در بر می‌گیرد و برای انجام وظایف خاص طراحی شده است (به عنوان مثال، مانند یک وظیفه خاص تشخیص تومور)، AGI از نظر تئوری می‌تواند هر وظیفه فکری را که اکثر انسان‌ها قادر به انجام آن هستند، انجام دهد. از نظر مفهومی، AGI پتانسیل عظیمی برای متحول کردن پزشکی دارد [46]. تلاش‌های تحقیق و توسعه پیشرفته کنونی در حوزه‌های هوش مصنوعی بر ایجاد سیستم‌های AGI متمرکز است که بتوانند دانش را در طیف گسترده‌ای از وظایف درک کرده، یاد بگیرند و به کار گیرند. تأثیر بالقوه AGI بر پزشکی عمیق خواهد بود. AGI می‌تواند ارائه مراقبت‌های بهداشتی را متحول کند و استانداردهای مراقبت فعلی را تغییر دهد. AGI می‌تواند سابقه پزشکی، درمان‌ها، داده‌های ژنتیکی، داده‌های پزشکی دستگاه پوشیدنی، عوامل سبک زندگی، پاتولوژی و نتایج آزمایشگاهی بیمار را همراه با پیش‌بینی خطر بیماری و حتی پیشنهاد اقدامات پیشگیرانه تجزیه و تحلیل کند. همچنین می‌تواند در اقدامات جراحی پیچیده کمک کند، سلامت بیمار را در زمان واقعی نظارت کند و توصیه‌های بهداشتی شخصی‌سازی‌شده ارائه دهد. علاوه بر این، AGI می‌تواند با پیش‌بینی میزان اثربخشی و ایمنی ترکیبات شیمیایی جدید، روند کشف دارو را سرعت بخشد و در نتیجه زمان و هزینه‌ی ورود درمان‌های جدید به بازار را کاهش دهد….

Artificial General Intelligence: Artificial general intelligence (AGI) refers to a type of AI that possesses the ability to understand, learn, and apply knowledge across a wide range of tasks that is at a level equivalent to that of a human being.46 As of August 2024, AGI does not exist. However, the recent breakthroughs in the field of AI are demonstrating significant potential. Unlike narrow(or weak) AI, which comprises most of our current AI applications (ie, ML) and is designed to perform specific tasks (eg, such as a specific tumor detection task), AGI can theoretically perform any intellectual task that most human beings are able to do. Conceptually, AGI holds immense potential for transforming medicine.46 Current cutting edge research and development efforts in the AI domains are focused on eventually creating AGI systems that can understand, learn, and apply knowledge across a wide range of tasks. The potential impact of AGI on medicine will be profound. It could revolutionize health care delivery and change current standards of care. AGI could analyze a patient’s medical history, treatments, genetic data, wearable device medical data, lifestyle factors, pathology, and laboratory test results along with predicting disease risk and even suggesting preventative measures. It could also assist in complex surgical procedures, monitor the patient’s health in real time, and provide personalized health advice. Moreover, AGI could accelerate drug discovery by predicting the efficacy and safety of potential chemical candidates, thereby reducing the time and cost of bringing new therapeutic targets to market….

 نتیجه‌گیری

 ادغام پلتفرم‌های هوش مصنوعی و یادگیری ماشین در سیستم‌های مراقبت‌های بهداشتی نشان‌دهنده یک تغییر تحول‌آفرین به سوی افزایش دقت تشخیص بیماری، ساده‌سازی گردش کار بالینی و پزشکی شخصی‌سازی‌شده است. روندهای فعلی شامل اتخاذ ML-Ops برای مدیریت کارآمد مدل در محیط بالینی، توسعه و استقرار هوش مصنوعی چندوجهی برای استفاده از منابع داده متنوع، چارچوب‌های چندعاملی و پیشرفت به سوی هوش مصنوعی عمومی (AGI) برای ایجاد انقلابی در تصمیم‌گیری پزشکی است. از آنجایی که سیستم‌های هوش مصنوعی به نشان دادن پتانسیل خود در پزشکی ادامه می‌دهند، نیاز مداوم به سرمایه‌گذاری و تحقیقات قابل توجه در این عرصه جدید حائز اهمیت است. این امر شامل تقویت همکاری‌های بین‌رشته‌ای بین پزشکان، دانشمندان داده و مهندسان برای توسعه الگوریتم‌های هوش مصنوعی قوی و متناسب با محیط‌های مراقبت‌های بهداشتی است….

Conclusion The integration of AI-ML platforms into health care systems represents a transformative shift toward enhanced diagnostic accuracy, streamlined clinical workflows, and personalized medicine. Current trends include the adoption of ML-Ops for efficient model management in the clinical environment, the development and deployment of multimodal AI to leverage diverse data sources, multiagent frameworks, and advancements toward AGI to revolutionize medical decision-making. As AI systems continue to demonstrate their potential in medicine, a sustained need for substantial investment and research within this new arena is becoming critical. This includes fostering interdisciplinary collaborations among clinicians, data scientists, and engineers to develop robust AI algorithms tailored for health care settings…