“framework” için sonuçlar
11 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Beynin atık temizleme sistemi artık görüntülerle modellenebiliyor
Araştırmacılar, beynin doğal temizlik ağı olan glimfatik sistemin çalışmasını görüntüleme verilerinden yeniden oluşturabilen yeni bir hesaplama yöntemi geliştirdi. Bu sistem, beyin omurilik sıvısının damar çevresindeki boşluklardan beyin dokusuna taşınarak metabolik atıkların temizlenmesini sağlıyor. Yeni yaklaşım, gürültülü görüntüleme verilerinden fiziksel olarak geçerli transport alanları oluşturarak, Alzheimer ve diğer nörodejeneratif hastalıklarla ilişkili olan beyin atık temizleme mekanizmalarının daha iyi anlaşılmasına katkı sağlayabilir. Geliştirilen framework, kişiye özel görüntüleme verilerinden yüksek doğrulukta glimfatik transport alanları yeniden oluşturabiliyor.
Tıp Yapay Zekalarının Güvenlik Açıkları: Mevcut Test Yöntemleri Yetersiz
Büyük dil modelleri tıp alanında umut verici gelişmeler sunarken, bu sistemleri değerlendiren mevcut test yöntemlerinin ciddi eksiklikleri olduğu ortaya çıktı. Araştırmacılar, 53 farklı tıbbi yapay zeka testini inceleyerek, bu değerlendirmelerin klinik gerçeklerden uzak olduğunu ve güvenlik risklerini göz ardı ettiğini tespit etti. Çalışmada geliştirilen MedCheck adlı yeni framework, tıbbi yapay zekaların değerlendirilmesinde beş aşamalı yaşam döngüsü yaklaşımı benimsiyor ve 46 kritik kriter sunuyor. Bulgular, mevcut sistemlerde veri bütünlüğü sorunları ve güvenlik odaklı değerlendirme eksikliği olduğunu gösteriyor. Bu durum, tıp alanında kullanılacak yapay zeka sistemlerinin güvenilirliği için alarm verici.
Tıbbi yapay zekada önyargıları önleyen yeni sistem geliştirildi
Araştırmacılar, tıbbi görüntüleme ve klinik metinleri birleştiren yapay zeka sistemlerindeki önyargıları kontrol eden BiasCareVL adlı yeni bir çerçeve geliştirdi. Sistem, hastalık yaygınlığındaki dengesizlik, demografik farklılıklar ve görüntüleme protokollerindeki heterojenlik gibi sorunları model tasarımının başından itibaren ele alıyor. 15'ten fazla görüntüleme modalitesinden 3,44 milyon örnek üzerinde eğitilen framework, belirsizlik modellemesi ve isteğe bağlı insan müdahalesi ile adil ve güvenilir klinik karar vermeyi destekliyor. Bu yaklaşım, önyargıları sonradan düzeltmeye çalışmak yerine baştan önlemeyi hedefliyor.
Yapay Zeka Artık Röntgen Raporları Yazabiliyor: LLaMA-XR Sistemi Geliştirildi
Radyoloji alanında çığır açabilecek yeni bir yapay zeka sistemi geliştirildi. LLaMA-XR adlı framework, göğüs röntgeni görüntülerinden otomatik olarak tıbbi rapor üretebiliyor. Sistem, gelişmiş dil modeli LLaMA 3.1'i görüntü işleme teknolojisiyle birleştirerek, hem klinik açıdan doğru hem de anlaşılır raporlar oluşturuyor. Bu teknoloji, radyologların iş yükünü azaltırken tanı doğruluğunu artırma potansiyeline sahip. Özellikle sağlık sistemindeki uzman eksikliği göz önüne alındığında, bu tür otomatik rapor üretim sistemleri gelecekte büyük önem kazanabilir.
Yapay Zeka Tıbbi Görüntülerde Segmentasyonu Eğitim Gerektirmeden Geliştirebiliyor
Araştırmacılar, tıbbi görüntü segmentasyonunu eğitim gerektirmeden iyileştiren SegTTA adlı yeni bir framework geliştirdi. Bu sistem, farklı hastanelerdeki ekipman ve operatör farklılıklarından kaynaklanan görüntü kalitesi sorunlarını çözmek için tasarlandı. Framework, gamma düzeltme, kontrast artırma, Gaussian bulanıklaştırma ve gürültü ekleme gibi dört farklı veri artırma tekniğini birleştiriyor. Sistemi test etmek için sağlıklı rahim segmentasyonu, rahim miyomu tespiti ve karaciğer yapıları segmentasyonu gibi üç farklı dataset kullanıldı. Sonuçlar, büyük organların yoğunluk artırımından, küçük lezyonların ise gürültü artırımından faydalandığını gösterdi. Bu yaklaşım, mevcut modelleri yeniden eğitmeye gerek kalmadan tıbbi görüntü analizi performansını artırabiliyor.
Tıpta Sürekli Öğrenen ve Açıklanabilir Yapay Zeka: Tree of Concepts
Sağlık alanında kullanılan yapay zeka sistemlerinin hem sürekli öğrenme kabiliyetine hem de açıklanabilirlik özelliğine sahip olması kritik önemdedir. Araştırmacılar, bu iki zorlu gereksinimi karşılayan 'Tree of Concepts' adlı yeni bir framework geliştirdi. Sistem, sığ karar ağaçları ile sabit kural tabanlı konsept arayüzü oluşturuyor ve konsept darboğaz modelini ham verilerden bu konseptleri tahmin etmek için eğitiyor. Geleneksel yaklaşımların aksine, bu yöntem zaman içinde konsept anlamlarını sabit tutarken sadece konsept çıkarıcı ve etiket başlığını güncelliyor. Bu sayede açıklamalar ardışık güncellemeler boyunca kaybolmuyor. Tıbbi veri setlerinde yapılan testler, sistemin hem kararlılık hem de uyum açısından güçlü performans sergilediğini gösteriyor. Bu gelişme, hastane ortamlarında değişen koşullara uyum sağlayabilen ve aynı zamanda kararlarını açıklayabilen AI sistemleri için önemli bir adım.
Yapay zeka ile cilt kanseri teşhisinde yeni dönem: Görüntü ve metin birleşimi
Araştırmacılar, cilt kanseri teşhisinde devrim yaratacak yeni bir yapay zeka sistemi geliştirdi. Bu sistem, dermoskopi görüntülerini metin açıklamalarıyla birleştirerek, benzer kanser vakalarını veritabanından bulabiliyor. Transformer tabanlı framework, hem genel hem de yerel görüntü özelliklerini analiz ederek, klinisyenlerin teşhis koyma sürecini destekliyor. Sistem, biyopsi ile doğrulanmış çok sınıflı hastalık vakalarını içeren geniş bir veritabanında test edildi. Yerel hizalama mekanizması, ayırt edici bölgeleri çoklu uzamsal dikkat maskeleri ile toplarken, global hizalama bütünsel semantik denetim sağlıyor. Bu teknoloji, tıbbi görüntü geri getirme alanında önemli bir ilerleme kaydederek, eğitim ve kalite kontrol süreçlerini de destekleyecek.
Diyabet Hastalarının Şeker Verilerini Güvenle Sorgulayabileceği Yapay Zeka Sistemi
Araştırmacılar, diyabet hastalarının sürekli glikoz monitörlerinden aldıkları verileri yapay zeka ile güvenli bir şekilde sorgulayabileceği yeni bir sistem geliştirdi. CGM-Agent adlı bu framework, hasta verilerinin cihazdan çıkmadan sorulara yanıt verebiliyor. Mevcut sistemlerin sadece statik özetler sunmasının aksine, hastalar artık 'geçen hafta şeker seviyem neden yükseldi?' gibi detaylı sorular sorabiliyor. Sistem, büyük dil modellerini sadece mantık yürütme motoru olarak kullanırken, tüm hesaplamalar yerel olarak gerçekleştiriliyor. 4,180 sorudan oluşan test setinde değerlendirilen sistem, kişisel sağlık verilerinin mahremiyetini koruyarak diyabet yönetiminde yeni bir yaklaşım sunuyor.
Yapay zeka kan testlerini okumayı öğreniyor: Hematoloji için özel sistem
Araştırmacılar, kan tahlili görüntülerini analiz edebilen ilk özel yapay zeka sistemini geliştirdi. PBSBench adlı bu framework, periferik kan yayması görüntülerini yorumlayabilen çok modlu dil modeli içeriyor. Sistem, 353 tam kan yayması görüntüsi ve 29 bin hücre seviyesinde açıklamayla eğitildi. Geleneksel patoloji yapay zekaları katı doku analizi için tasarlandığından kan hücrelerinin bireysel morfolojilerini değerlendirmede yetersiz kalıyordu. Bu yeni sistem, kan hastalıklarının teşhisinde doktorlara destek olabilecek ilk özelleşmiş yapay zeka aracı olma özelliği taşıyor. Hematoloji alanında yapay zeka kullanımının yaygınlaşması, kan hastalıklarının erken teşhisini hızlandırabilir.
Yapay zeka psikiyatrist: WiseMind hem doğru tanı koyuyor hem empati gösteriyor
Araştırmacılar, ruh sağlığı alanında devrim yaratabilecek WiseMind adlı çok aracılı yapay zeka sistemi geliştirdi. Bu yenilikçi framework, Diyalektik Davranış Terapisi teorisinden ilham alarak iki farklı yapay zeka aracısını birleştiriyor: kanıta dayalı mantık yürüten 'Mantıklı Zihin' ve empatik iletişim kuran 'Duygusal Zihin'. Sistem, DSM-5 kılavuzuna dayalı yapılandırılmış bilgi grafiği kullanarak psikiyatrik değerlendirme yapıyor ve standart yöntemlere kıyasla halüsinasyonları önemli ölçüde azaltıyor. WiseMind, büyük dil modellerinin ruh sağlığı alanındaki potansiyelini ortaya koyarken, hem klinik doğruluk hem de hasta güveni için gerekli duygusal uyumu sağlayan ilk sistem olma özelliği taşıyor.
Sağlık sistemlerindeki yapay zeka güvenliği için yeni savunma yöntemi geliştirildi
Sağlık gibi kritik alanlarda kullanılan yapay zeka sistemleri, kötü niyetli saldırılara karşı savunmasız kalabiliyor. Araştırmacılar, bu sistemleri korumak için anomali tespit edileri kullanıyor ancak mevcut yöntemler tüm hasta verilerini aynı şekilde işleyerek fizyolojik farklılıkları göz ardı ediyor. Bu durum gürültü yaratıp sistem performansını düşürüyor. Yeni geliştirilen ROAST adlı framework, saldırılara karşı daha az savunmasız olan hastaları belirleyip, eğitimi bu güvenilir veriler üzerine odaklayarak anomali tespitinin başarısını artırıyor. Sistem aynı zamanda hassasiyeti korumak için düşük riskli hasta verilerine yapay saldırı örnekleri ekliyor.