مجله دانشکده پزشکی

---

زمینه و هدف: حافظه و یادگیری از عوامل پیچیده مغزی محسوب می‌شوند که نواحی مختلفی از جمله هیپوکامپ را درگیر می‌کنند. عوامل متعددی از جمله نیتریک اکساید و مورفین می‌توانند حافظه و یادگیری را متأثر سازند. هدف این مطالعه بررسی تجویز توأم L-Arginine (پیش‌ساز نیتریک اکساید) و مورفین در ناحیه CA3 هیپوکامپ بر یادگیری و حافظه فضایی موش‌های صحرایی نر می‌باشد.
روش بررسی: موش‌های صحرایی نر پس از بیهوشی عمیق با استفاده از مخلوط کتامین و گزیلازین و کانول‌گذاری دو طرفه در ناحیه CA3 هیپوکامپ به‌وسیله دستگاه استرئوتاکس، به هفت گروه تقسیم و هر گروه به‌طور جداگانه سرم فیزیولوژی (گروه شاهد)، L- Arginine (μg/rat٣ و M٣/٠)، L-NAME (M٣/٠)، مورفین (mg/rat١٠)، مورفین همراه با L-Arginine (μg/rat٣) یا مورفین همراه با L-NAME را به‌مدت پنج روز، که آزمایش ماز آبی موریس برای بررسی یادگیری و حافظه انجام می‌شد، دریافت کردند. یک گروه هم گروه کنترل بود.
یافته‌ها: نتایج نشان داد تجویز دوز μg/rat٣ باعث بهبود یادگیری و حافظه فضایی شده است و تجویز L-NAME (مهارگر نیتریک اکساید) میزان یادگیری و حافظه فضایی را کاهش داده است. تجویز مورفین باعث کاهش یادگیری و حافظه فضایی گردید و تجویز توأم L-NAME و مورفین سبب اختلال بیشتر یادگیری نسبت‌به گروه دریافت‌کننده مورفین و نه گروه دریافت‌کننده L-NAME به‌تنهایی گردید.
نتیجه‌گیری: پیش‌ساز نیتریک اکساید باعث بهبود یادگیری و حافظه شد و مهارگر آن و همچنین مورفین باعث اختلال در این پدیده‌ها گردید و تجویز توام مهارگر نیتریک اکساید و مورفین باعث اختلال بیشتر یادگیری شد.

---

Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4 زمینه و هدف: اسید اسکوربیک، در چندین مدل تجربی سبب بهبود نواقص شناختی شده است. دیابت نیز موجب اختلالات یادگیری و حافظه‌ای می‌گردد. در این مطالعه به بررسی تجویز خوراکی اسید اسکوربیک (mg/kg100) به مدت 30 روز بر حافظه و یادگیری احترازی غیر فعال در موش‌های صحرایی کنترل و دیابتی می‌پردازیم.

روش بررسی: دیابت با تزریق داخل صفاقی استرپتوزوتوسین به حیوانات القاء شد. سه روز بعد، اگر گلوکز پلاسمای بیش از اندازه‌گیری می‌شد، دیابت تأیید می‌شد. درمان از شروع هیپرگلایسمی به‌مدت 30 روز ادامه یافت. یادگیری احترازی غیر فعال، در پایان درمان انجام شد و 24 ساعت بعد از آن، تست حافظه صورت گرفت. در پایان حیوانات وزن شده و نمونه‌های خون برای اندازه‌گیری گلوکز جمع‌آوری شد. 

یافته‌ها: دیابت سبب اختلال در فرایند حافظه و یادگیری احترازی غیر فعال در حیوانات گردید. درمان با اسید اسکوربیک، سبب بهبود یادگیری و حافظه در موش‌های کنترل گردید و نواقص یادگیری و حافظه‌ای را در موش‌های دیابتی اصلاح کرد. در حیوانات دیابتی تحت درمان، کاهش وزن و هیپرگلایسمی نسبت به موش‌های دیابتی درمان نشده کمتر بود. اثرات هیپوگلایسمیک و یا آنتی اکسیدانی اسید اسکوربیک، احتمالاً در نتایج به‌دست آمده بر روی یادگیری و حافظه در دیابت تأثیر داشته‌اند. 

نتیجه‌گیری: تجویز اسید اسکوربیک به‌مدت 30 روز از آغاز دیابت سبب حفاظت از اختلالات شناختی مرتبط با آن می‌شود. با انجام کارآزمایی‌های بالینی شاید بتوان از اسید اسکوربیک به‌عنوان یک مکمل همراه در بهبود اختلالات شناختی ناشی از دیابت استفاده کرد.

---

زمینه و هدف: شواهد متعددی نشان می‌دهد که مواجهه با استرس‌های محیطی مختلف در طی دوران بارداری بر رفتارهای فیزیولوژیک فرزندان موثر است. در این مطالعه تجربی اثر استرس صوتی در دوران بارداری، بر یادگیری تثبیت حافظه فضایی فرزندان نر موش‌های صحرایی در ماز آبی موریس و نیز میزان کورتیکوسترون سرم آن‌ها بررسی شده است.

روش ‌بررسی: فرزندان نر از مادرانی که دوره بارداری را به طور طبیعی گذراندند یا در هفته آخر بارداری در معرض استرس قرار داشتند، به چهار گروه 10 سری شامل یک گروه کنترل، و سه گروه که در هفته آخر جنینی روزانه 1، 2 و 4 ساعت در معرض استرس صوتی بودند، تقسیم شدند. یادگیری فضایی طی پنج شب و هر شب چهار مرحله آزمایش، توسط ماز آبی موریس سنجیده شد. در شب آخر میزان تثبیت حافظه فضایی نیز بررسی شد. مدت زمان سپری شده و مسافت پیموده شده در ربع‌های مورد نظر ماز تجزیه و تحلیل شد.

یافته‌ها: نتایج حاصل نشان داد که مواجهه روزانه به مدت دو و یا چهار ساعت در هفته آخر بارداری باعث ایجاد اختلال در روند یادگیری و نیز تثبیت حافظه فضایی فرزندان می‌شود (05/0p<). میزان کورتیکوسترون سرم این حیوانات نیز به وضوح افزایش یافته بود و با نتایج حاصل از مطالعات رفتاری همخوانی داشت. اعمال روزانه یک ساعت استرس تغییری در میزان کورتیکوسترون و رفتار فرزندان ایجاد نکرد.

نتیجه‌گیری: بر اساس یافته‌های ما، مواجهه روزانه با استرس صوتی در هفته آخر بارداری، می‌تواند سبب افزایش کورتیکوسترون سرم و کاهش یادگیری و حافظه در فرزندان نر بالغ شود.

---

زمینه و هدف: دیابت قندی بر پارامترهای متابولیک که منعکس‌کننده سطح شاخص‌های پلاسما هستند تأثیر می‌گذارد. این بیماری از طریق عوامل استرس اکسیداتیو بر عملکردهای سیستم عصبی از جمله یادگیری و حافظه اثر می‌گذارد. بررسی‌ها نشان می‌دهد که پروبیوتیک‌ها اثرات آنتی‌اکسیدانی دارند. مطالعه حاضر به‌منظور بررسی اثر پروبیوتیک‌ها بر یادگیری و حافظه فضایی و فاکتورهای استرس اکسیداتیو در موش‌های صحرایی دیابتی طراحی شد.
روش بررسی: این تحقیق تجربی در 40 رأس موش صحرایی نر که به‌طور تصادفی به چهار گروه 10 تایی سالم- کنترل؛ کنترل غیردیابتی (CO)، سالم- پروبیوتیک؛ کنترل غیردیابتی دریافت‌کننده پروبیوتیک (CP)، دیابت- کنترل؛ کنترل دیابتی (DC) و دیابت- پروبیوتیک؛ کنترل دیابتی دریافت‌کننده پروبیوتیک (DP) تقسیم شدند، انجام شد. مکمل پروبیوتیک شامل باکتری‌های لاکتوباسیلوس فرمنتوم و اسیدوفیلوس و بیفیدوباکتریوم لاکتیس با 1010Colony Forming Unit (CFU)~ برای هر باکتری، همراه با آب آشامیدنی، هر 12 ساعت، به‌مدت هشت هفته تجویز شد. یادگیری و حافظه فضایی توسط ماز آبی موریس و انسولین و فاکتورهای استرس اکسیداتیو (8- هیدروکسی2- داکسی گوانوزین؛ 8-OHdG و سوپراکسید دیسموتاز؛ SOD) با کیت‌های آزمایشگاهی ارزیابی شدند.
یافته‌ها: دریافت مخلوط پروبیوتیک‌ها اختلال ایجاد شده در روند یادگیری (008/0P=) و میزان تثبیت حافظه فضایی (01/0P=) موش‌های صحرایی دیابتی را بهبود داد. هم‌چنین باعث افزایش انسولین (0001/0P<)، افزایش فعالیت   آنزیم سوپراکسید دیسموتاز (007/0P=)، کاهش قندخون (006/0P=)، و کاهش فاکتور 8-OHdG (0001/0P<) سرم آن‌ها شد.
نتیجه‌گیری: مکمل‌های پروبیوتیک، سطح انسولین و گلوکز سرم را در بیماری دیابت به سطح نرمال نزدیک کرده و باعث افزایش ظرفیت آنتی‌اکسیدانی می‌شوند. درمان با پروبیوتیک‌ باعث بهبود روند یادگیری و حافظه فضایی موش صحرایی دیابتی می‌شود. ارتباط بین پدیده‌های متابولیک و عملکردهای رفتاری نیاز به بررسی بیش‌تر دارد.

---

زمینه و هدف: میدان‌های الکترومغناطیسی فوق‌العاده کم فرکانس ناشی از خطوط نیرو، وسایل الکتریکی و تجهیزات پزشکی آثار بیولوژیکی متفاوتی را ایجاد می‌کنند. سیستم جهانی موبایل (GSM) در زندگی روزمره به طور گسترده‌ای مورد استفاده قرار می‌گیرد. این سیستم علاوه بر استفاده از باند فرکانس‌های بالا، دارای فرکانس پایین نیز می‌باشد. هدف از این مطالعه بررسی اثر میدان الکترومغناطیسی مدوله‌کننده امواج پرفرکانس سیستم جهانی موبایل، 217 هرتز بر یادگیری و حافظه فضایی در موش صحرایی می‌باشد.
روش بررسی: تعداد 24 موش نر صحرایی از نژاد ویستار به طور تصادفی به سه گروه تست (تابش)، شم و کنترل تقسیم شدند. با استفاده از کویل‌های هلمهولتز، گروه تابش روزانه چهار ساعت و به مدت 21 روز، تحت تابش میدان یک‌نواخت پالسی الکترومغناطیسی با شدت 200 میکروتسلا قرار گرفت. این روند برای گروه شم در غیاب میدان نیز تکرار شد. همه گروه‌ها در هفته سوم به مدت پنج روز و روزانه چهار بار در ماز آبی موریس آموزش دیدند. سپس در روز ششم تست پروب به مدت 60 ثانیه در غیاب سکوی نجات انجام شد.
یافته‌ها: در آنالیز واریانس یک طرفه داده‌ها اختلاف معنی‌داری در مقایسه گروه تابش و کنترل در دو مرحله آموزش و پروب مشاهده نشد. (05/0P≤ به عنوان سطح معنی‌داری در نظر گرفته شد).
نتیجه‌گیری: این یافته‌ها نشان می‌دهد که احتمالا تابش کوتاه‌مدت، چون در 21 روز بررسی صورت گرفت، میدان‌های الکترومغناطیسی کم فرکانس تلفن‌های همراه با شدت μT200 (میکروتسلا) تاثیری بر حافظه و یادگیری ندارد.

---

---

---

---

زمینه و هدف: شایعترین انواع سرطان پوست غیرملانومی، سرطان‌های سلول پایه‌ای (Basal cell carcinoma, BCC) و سلول اسکواموس (Squamous cell carcinoma, SCC) می‌باشند. Actinic keratoses (Solar keratoses) و Intraepithelial carcinoma (Bowen’s disease) که به‌طور مخفف از آن‌ها با نام AKIEC یاد می‌کنیم، پیش‌زمینه‌های SCC هستند. از آن‌جا که تشخیص زودهنگام، تاثیر بسزایی در درمان سرطان دارد، این مطالعه یک مدل مبتنی بر کامپیوتر برای تشخیص این سرطان معرفی می‌کند.
روش بررسی: در این مطالعه تحلیلی که در بهمن 1398 در دانشگاه علوم پزشکی شهید بهشتی انجام شد، از مجموعه تصاویر درماسکوپی Human against machine with 10000 training images (HAM10000)، تعداد 327 تصویر AKIEC، 513 تصویر BCC و 840 تصویر کراتوسیس خوش‌خیم (Benign keratosis, BK) استخراج گردید. از هر کدام از این سه نوع داده، 90% تصاویر بطور تصادفی به‌عنوان داده آموزشی انتخاب و مابقی به‌عنوان داده تست لحاظ شدند. از یک مدل یادگیری عمیق شبکه عصبی کانولوشنال (Deep learning convolutional neural network)، با استفاده از شبکه AlexNet (Krizhevsky, et al., 2012) به‌عنوان شبکه از پیش‌آموزش (Pretrained) داده شده برای تشخیص سرطان استفاده شد. پس از آموزش شبکه بر روی داده آموزشی، عملکرد آن بر روی داده تست، ارزیابی گردید.
یافته‌ها: مدل یادگیری عمیق پیشنهادی به دقت 90%(Accuracy)  در طبقه‌بندی (Classification) تصاویر به دو کلاس خوش‌خیم و بدخیم دست یافت. همچنین مساحت زیر منحنی Receiver operating characteristic (ROC) 0.97، حساسیت 94% (Sensitivity) و اختصاصیت 86% (specificity) به‌دست آمد.   
نتیجه‌گیری: این یافته‌ها نشان می‌دهد که مدل‌های یادگیری عمیق می‌توانند به دقت بالایی در تشخیص سرطان غیرملانومی پوست دست یابند.

---

زمینه و هدف: تشخیص دقیق و به‌هنگام بیماری کبد‌چرب غیرالکلی که عامل اصلی بیماری‌های مزمن کبد است، بسیار مهم می‌باشد. سونوگرافی از کبد متداول‌ترین روش تشخیص میزان کبدچرب می‌باشد. اما به دلیل کیفیت پایین تصاویر اولتراسوند، نیاز به روش‌های هوش مصنوعی برای تشخیص دقیق میزان چربی کبدی، ضروری می‌باشد. هدف این مقاله توسعه یک مدل یادگیری ماشین برای ارزیابی سطح چربی کبد براساس تصاویر التراسوند کبد می‌باشد.
روش بررسی: در این مطالعه تحلیلی که از اردیبهشت 1399 تا آذر 1399 در تهران به طول انجامیده است، از تصاویر اولتراسوند 55 فرد مبتلا به چاقی مفرط که قصد جراحی لاپاروسکوپی داشته‌اند، استفاده شده و از نتیجه بافت‌شناسی نمونه ‌برداشتی از کبد در آزمایشگاه به‌عنوان مرجع میزان چربی کبد استفاده شده است. ابتدا 88 ویژگی‌ مبتنی‌بر بافت با استفاده از ماتریس هم‌رخداد سطح خاکستری از تصاویر استخراج شده است. در مرحله‌ی بعد با استفاده از روش حداقل افزونگی و حداکثر ارتباط 20 ویژگی‌ برتر از میان 88 ویژگی انتخاب شده و به ورودی طبقه بند اعمال شده است. در انتها با استفاده از سه طبقه‌بند آنالیز افتراقی خطی، ماشین بردار پشتیبان و آدابوست، تصاویر به چهار گروه براساس میزان چربی طبقه‌بندی شده‌اند.
یافته‌ها: صحت به‌دست آمده در این مدل، برای طبقه‌بند آدابوست برابر با 72/92% شد. در‌حالی‌که صحت به‌دست آمده برای هر دو طبقه‌بند ماشین بردار پشتیبان و آنالیز افتراقی خطی به‌ترتیب برابر با 88/87% و 76/75% شده‌‌است.
نتیجه‌گیری: رویکرد پیشنهادی مبتنی‌بر ویژگی‌های بافت با استفاده از طبقه‌بند آدابوست از روی تصاویر التراسوند، میزان چربی کبد را با دقت بالا و به‌صورت اتوماتیک تشخیص می‌دهد و می‌تواند در تشخیص نهایی به پزشکان و رادیولوژیست‌ها کمک شایانی کند.

---

زمینه و هدف: تشخیص زودهنگام بیماران در مراحل اولیه آلزایمر که به‌عنوان اختلال شناختی خفیف نامیده می‌شود یک موضوع مهم در درمان و یا به تعویق انداختن ابتلا به آلزایمر می‌باشد. در این مطالعه قصد داریم از روی دادگان تصویربرداری عملکردی تشدید مغناطیسی (fMRI) در حال استراحت، افراد دچار بیماری اختلال شناختی خفیف را از افراد سالم تفکیک کنیم.
روش بررسی: در این پژوهش که از اردیبهشت تا آذر 1399 در تهران انجام شد، پس از انجام پیش‌پردازش دادگان fMRI، با استفاده از اطلس برچسب‌گذاری خودکار آناتومیکی، 116 ناحیه مغزی تفکیک شدند. سپس، ماتریس ارتباط عملکردی این نواحی با استفاده از روش‌های همبستگی پیرسون و اطلاعات متقابل محاسبه شدند. در ادامه، شبکه گراف مغزی تشکیل شده و یال‌های معنادار و قوی حفظ شدند. در انتها 11 ویژگی سراسری از شبکه گراف استخراج شده و پس از انجام آنالیزهای آماری و انتخاب ویژگی‌های موثر، طبقه‌بندی 14 فرد سالم و 11 بیمار دارای اختلال شناختی خفیف با استفاده از طبقه‌بند ماشین‌بردار پشتیبان انجام ‌شد.
یافته‌ها: محاسبات انجام شده نشان داد که روش اطلاعات متقابل و پنج ویژگی سراسری از شبکه گراف با نام‌های میانگین قدرت، دوری از مرکز، بهره‌وری محلی، ضریب خوشه‌بندی و انتقال‌پذیری با استفاده از طبقه‌بند ماشین‌بردار پشتیبان دارای بهترین جواب با صحت 84%، حساسیت 86% و اختصاصیت 93% می‌باشد.
نتیجه‌گیری: ترکیب ویژگی‌های گراف مغزی و ارتباطات عملکردی، براساس تجزیه و تحلیل دادگان fMRI می‌تواند افراد با اختلال‌شناختی خفیف را با دقت بالایی تفکیک نماید.

---

سرطان پستان یکی از شایع‌ترین سرطان‌ها در زنان است. ماموگرافی غربال‌گری یک روش تصویربرداری اشعه ایکس با دوز پایین است که برای تشخیص سرطان پستان در مراحل اولیه به‌کار می‌رود. برای کمک به رادیولوژیست در خواندن ماموگرام سیستم‌های کمک‌یار (CAD) ساخته شده‌اند که نرم‌افزارهایی هستند که می‌توانند نواحی سرطانی را در ماموگرام تشخیص دهند. با پیشرفت‌های نرم‌افزاری و سخت‌افزاری اخیر که منجر به تکامل الگوریتم‌های یادگیری عمیق (DL) گردیده، انقلابی در رشته‌های مختلف مهندسی و همچنین فناوری‌های پزشکی به‌وجود آمده است. اخیرا، مدل‌های DL در سیستم‌های کمک‌یار ماموگرافی مورد استفاده قرار گرفته‌اند و به عملکرد بالایی دست پیدا کرده‌اند. روش‌های DL برخلاف روش‌های سنتی یادگیری ماشین، نیازی به فرایند مشکل و زمان‌بر مهندسی ویژگی‌ها ندارند و می‌توانند به‌طور خودکار، ویژگی‌های مورد نیاز را از روی تصویر یاد گرفته و استخراج کنند. یکی از پرکاربردترین الگوریتم‌های DL، شبکه عصبی کانولوشنال (CNN) می‌باشد. برای تشخیص ضایعات سرطانی در ماموگرام، CNN باید در یک الگوریتم مبتنی بر ناحیه مانند R-CNN، Fast R-CNN، Faster R-CNN و YOLO به‌کار گرفته شود. برای آموزش مدل‌های DL، نیاز به حجم زیادی از تصاویر ماموگرافی است که ضایعات سرطانی در آن‌ها توسط یک رادیولوژیست مجرب، مشخص شده باشند. به همین دلیل، تهیه و جمع‌آوری یک مجموعه داده بزرگ ماموگرافی مارک شده، برای ساخت یک سیستم کمک‌یار با دقت بالا، ضروری می‌باشد. این مقاله با هدف گردآوری وضعیت بهره‌مندی و پیشرفت‌های تکنولوژی یادگیری عمیق در سیستم‌های کمک‌یار ماموگرافی نوشته شده است.

---

زمینه و هدف: گلیوما (Glioma) متداول‌ترین تومور مغزی اولیه بوده و تشخیص به موقع تومور در برنامه‌ریزی درمان بیماران حایز اهمیت است. قطعه‌بندی دقیق تومور و نواحی داخلی آن در تصاویر تشدید مغناطیسی (Magnetic resonance imaging) توسط رادیولوژیست به‌عنوان گام اول در تشخیص می‌باشد که افزون‌بر زمان‌بر بودن ممکن است توسط پزشکان مختلف تشخیص‌های متفاوتی داده شود. هدف از انجام مطالعه حاضر ارایه روشی خودکار در قطعه‌بندی تومور و نواحی داخلی آن می‌باشد.
روش بررسی: این یک مطالعه بنیادی-کاربردی است که از اردیبهشت 1399 تا شهریور 1400 و بر روی تصاویر مولتی مدالیتی MRI ۲۸۵ بیمار مبتلا به تومور گلیوما از پایگاه داده BraTS 2018 انجام گرفت. در این مطالعه، معماری U-Net دو بعدی با روش مبتنی بر تکه (Patch-based)، شامل یک مسیر رمزگذاری جهت استخراج ویژگی‌ها و یک مسیر رمزگشایی متقارن طراحی گردید. آموزش این شبکه در سه مرحله مجزا با استفاده از داده‌های گلیوما درجه بالا (High grade glioma)، گلیوما درجه پایین (Low grade glioma) و ترکیب دو گروه به‌ترتیب با تعداد 210، 75 و 220 بیمار انجام شد.
یافته‌ها: مدل پیشنهادی نتایج ضریب دایس در مجموعه داده‌های HGG، 85/0، 85/0، 77/0، مجموعه داده‌های LGG، 80/0، 66/0، 51/0 و ترکیب دو گروه، 88/0، 79/0، 77/0 به‌ترتیب برای نواحی کل تومور، هسته تومور و ناحیه افزایش‌یافته در داده‌های آموزش برآورد نمود.
نتیجه‌گیری: با استفاده از شبکه U-Net می‌توان در قطعه‌بندی دقیق تومور و نواحی مختلف آن کمک شایانی به پزشکان انجام داد، همچنین با تشخیص دقیق و درمان زودهنگام نرخ بقای این بیماران را افزایش داد و کیفیت زندگی آنها را بهبود بخشید.
 

---

زمینه و هدف: سیستم‌های رابط مغز و رایانه از طریق سیگنال‌های مغزی امکان ارتباط با دنیای بیرون را بدون استفاده از واسطه‌های فیزیولوژیکی برای افراد دارای ناتوانی جسمی فراهم می‌کند. یکی از انواع این سیستم‌ها، سیستم‌های مبتنی بر تصور حرکتی است. از مهمترین بخش‌ها در طراحی این سیستم‌ها، طبقه‌بندی سیگنال‌های مغزی مبتنی بر تصور حرکت به کلاس‌های تصور حرکت به‌منظور تبدیل به فرمان کنترلی است. در این مقاله یک روش نوین طبقه‌بندی سیگنال‌های مغزی مبتنی بر تصور حرکتی با استفاده از روش‌های یادگیری عمیق ارایه شده است.
روش بررسی: این مطالعه مقطعی در دانشکده فناوری‌های نوین پزشکی دانشگاه علوم‌ پزشکی اصفهان از بهمن 1398 تا تیر 1401 انجام شد در بلوک پیش-پردازش قطعه‌بندی سیگنال‌های مغزی، انتخاب کانال‌های مناسب و استفاده از فیلتر باترورث (Butterworth filter)، سپس تبدیل موجک جهت انتقال به حوزه زمان-فرکانس و در قسمت طبقه‌بندی از دو طبقه‌بند شبکه یادگیری عمیق کانولوشنی یک‌بعدی با دو معماری و شبکه یادگیری عمیق کانولوشن دوبعدی با دو معماری با ورودی سه موجک مادر Cmor، Mexicanhat و Cgaus به کار گرفته شده و درنهایت عملکرد شبکه‌ها بررسی شده‌اند.
یافته‌ها: سه کانال برای 9 سوژه موردنظر، به‌عنوان بهترین کانال‌ها انتخاب شدند. همچنین پس از یافتن پارامترهای بهینه در ساختار داده، تبدیل موجک با موجک مادر Cgaus بالاترین درصد را در دو معماری پیشنهاد شده، دارد. صحت 53/92%، بالاترین صحت مربوط به معماری دوم شبکه عصبی کانولوشن دوبعدی پیشنهاد داده شده است.
نتیجه‌گیری: نتایج به‌دست آمده از شبکه‌های پیشنهاد شده، نشان‌دهنده آن است که شبکه‌های یادگیری عمیق مناسب می‌توانند به‌عنوان ابزاری مناسب و دقیق برای طبقه‌بندی دادگان مبتنی بر تصور حرکت مورد استفاده قرار گیرند.
 

---

زمینه و هدف: با توجه به پژوهش‌های متعدد در رابطه با سبک‌های یادگیری و همچنین تفاوت این سبک‌ها در دانشجویان، این مطالعه به‌منظورتعیین وضعیت سبک‌های یادگیری در رشته‌های علوم پزشکی در ایران، مورد بررسی قرار گرفت.
روش بررسی: این مطالعه به صورت مرور سیستماتیک و متاآنالیز انجام شد. جستجوی مقالات در این مطالعه از دوم مهر 1401 تا 23 مهر 1401 در پایگاه‌های داده: proquest, PubMed, iranmedex, scopus, Sid, Magiran Google Scholar, Eric و مجلات آموزش پزشکی، صورت گرفت. محیط پژوهش ایران، مشهد بوده است. با استفاده از کلید واژه های، سبک‌های یادگیری، کلب، دانشجویان علوم پزشکی جستجو در پایگاه‌های داده مذکور انجام شد. مقالات استخراج شده ابتدا از نظر عنوان پژوهش و سپس چکیده مقاله و در نهایت متن مقاله با استفاده از "چک‌لیست پریزما" ارزیابی شد. درهریک از مراحل مقالات تکراری ومقالاتی که معیارهای ورود را نداشتند، از مطالعه خارج شدند. در پایان 53 مقاله آنالیز قرارگرفت.
یافته‌ها: نتایج مطالعه نشان داد که بیشترین استفاده از سبک های یادگیری در دانشجویان رشته‌های علوم‌پزشکی در ایران، از نوع سبک یادگیری همگرا بود (32% با فاصله اطمینان 95%).
نتیجه‌گیری: با توجه به یافته‌های مطالعه که بیشترین سبک یادگیری استفاده شده در رشته‌های علوم پزشکی در ایران از نوع سبک یادگیری همگراست و با عنایت به خصوصیات افراد همگرا لازم است به‌منظور ارایه آموزش‌های موثر و اثربخش در رشته‌های علوم پزشکی به سبک‌های یادگیری دانشجویان توجه ویژه‌ای شود تا بتوان براساس سبک‌های یادگیری، آموزش‌ها را هدایت کرد.
 

---

زمینه و هدف: استفاده از الگوریتم‌های هوش مصنوعی برای کمک به تشخیص صحیح در تصاویر پزشکی یکی از مهم‌ترین کاربردهای این فناوری در حوزه تصویربرداری است. در این پژوهش امکان جایگزینی رادیوگرافی ساده قفسه سینه به‌منظور تشخیص پنوموتوراکس در مواردی که به‌طور معمول CT درخواست می‌گردد، با هدف کاهش دوز دریافتی بیماران، موردمطالعه قرار گرفت.
روش بررسی: مطالعه حاضر یک مطالعه تحلیلی بوده و در بازه زمانی آذر 1401 تا خرداد 1402 در دانشگاه علوم پزشکی کرمانشاه انجام شده است. داده‌های مورداستفاده در این تحقیق از پرونده‌های 350 فرد مشکوک به پنوموتوراکس استخراج شده است. تصاویر جمع‌آوری شده در نرم‌افزار MATLAB تحت پیش‌پردازش قرار گرفتند. سپس سه الگوریتم یادگیری ماشین، شامل رگرسیون لجستیک شبکه الاستیک (LENR)، رگرسیون لجستیک لاسو (LLR) و بوستینگ تطبیقی (AdaBoost) روی داده‌ها به‌کار گرفته شد. برای ارزیابی عملکرد این مدل‌ها از معیارهای دقت، صحت، حساسیت، ویژگی، سطح زیر منحنی مشخصه عملکرد سیستم، امتیاز F1 و طبقه‌بندی نادرست استفاده شد.
یافته‌ها: در مدل AdaBoost مقدار دقت در تصاویر رادیوگرافی و CT به‌ترتیب 99/17% و /98/27% محاسبه شد. مقدار AUC برای همین مدل در تصاویر رادیوگرافی برابر 100% و در تصاویر سی‌تی‌اسکن برابر 96/96% به‌دست آمد.
نتیجه‌گیری: باتوجه‌به معیارهای موردارزیابی در مطالعه، دو مدل LLR و AdaBoost دارای عملکرد مشابهی در تصاویر رادیوگرافی و CT از نظر تشخیص افراد با و بدون‌پنوموتوراکس هستند، به‌گونه‌ای که می‌توان این عارضه را با دقت بالایی با استفاده از تکنیک‌های یادگیری ماشین در تصاویر رادیوگرافی نیز تشخیص داد و به‌این‌ترتیب از دریافت دوز پرتویی بالا ناشی از انجام CT در بیمار اجتناب نمود.
 

---

زمینه و هدف: در سال 1960، ویروس‌های کرونا کشف شدند. موجودات زنده درشت‌پیکر از خانواده ویروس‌های پاکت‌دار که RNA تک‌رشته‌ای با منشاء جانوری دارند. ویروس‌های کرونا در انسان می‌تواند به بیماری تنفسی خفیف یا شدید تنفسی تبدیل شوند. در سال 2020، سازمان بهداشت جهانی ویروس کووید-19 را یک بیماری همه‌گیر جهانی اعلام کرد. هدف این مطالعه استفاده از ضریب همبستگی جاکارد جهت تعیین شباهت الگوی رفتار بیماری کووید-19 در فصول مختلف سال است.
روش بررسی: در این بررسی از سیستم‌های یادگیری ماشین و معیار تشابه در تعیین الگوی رفتار بیماری کووید-19 در فصل‌های سال‌ استفاده شد. مکان انجام مطالعه، بیمارستان موسی بن جعفر (ع) مشهد و زمان دقیق انجام مطالعه از اردیبهشت 1399 لغایت شهریور 1401 می‌باشد. علایم بیماران مبتلا با مجموعه‌ داده تدوین‌شده مقایسه و تشابه بیماران در ماتریس شباهت تهیه و ضریب همبستگی جاکارد روی داده‌ها انجام شد. نهایتاً تحلیل سویه‌ها از ابتدای پیدایش تا آخرین سویه بررسی شد.
یافته‌ها: شاخص‌های عملکرد الگوریتم در روش تشابه جاکارد، معیار یادآوری با مقدار 94/0، معیار دقت با مقدار 1، معیار امتیاز F1 با مقدار 86/0 و معیار صحت با مقدار 76/0 را نشان داد. مهمترین فاکتورهای مؤثر در بررسی، گلبول‌های سفید خون، پلاکت، RT PCR، CT SCAN، تنگی تنفس، تب، SPO2 و تعداد تنفس می‌باشند.
نتیجه‌گیری: در این مطالعه رفتار ویروس کووید-19 با استفاده از الگوریتم‌های یادگیری ماشین با احتساب موقعیت جغرافیایی و فصلی در بیماران بررسی شد و یک الگوی واضح از ارتباط فصل‌ها در گسترش کووید-19 مشخص گردید، به‌طوری‌که در هر فصل علایم مشخصی مشاهده شده است که با سویه همان فصل مطابقت دارد.
 

---

زمینه و هدف: اختلال افسردگی عمده یکی از شایعترین و ناتوان‌کننده‌ترین اختلالات روانی می‌باشد. باتوجه به کاهش کیفیت زندگی این بیماران و ماهیت پیش‌رونده این بیماری‌ها، تشخیص به هنگام و درمان موثر این بیماری روانی ضروری می‌باشد. در این پژوهش از سیگنال‌های مغزی افراد برای تشخیص دقیق ابتلا به اختلال افسردگی عمده با استفاده از روش‌های هوش مصنوعی استفاده می‌شود.
روش بررسی: در این مطالعه تحلیلی که از شهریور 1402 تا اسفند 1402 در دانشکده پزشکی دانشگاه علوم پزشکی شهیدبهشتی انجام شده است، وجود اختلال افسردگی عمده در 58 مراجعه‌کننده به کلینیک روانپزشکی با استفاده از مصاحبه حضوری با روانپزشک متخصص بررسی شد و 30 نفر با اختلال افسردگی عمده تشخیص داده شدند. سیگنال مغزی الکتروانسفالوگرام از این افراد ثبت شده و پس از پیش‌پردازش و تمیز شدن سیگنال به‌عنوان ورودی به مدل‌های هوش مصنوعی داده شد. مدل‌های هوش مصنوعی EEGNet، ShallowConvNet و DeepConvNet که مبتنی بر مدل‌های یادگیری عمیق کانولوشنی توسعه یافتند، برای دسته‌بندی سیگنال‌های مغزی افراد سالم و افسرده استفاده شدند. دقت دسته‌بندی این مدل‌ها روی داده تست جداگانه گزارش شده است.
یافته‌ها: دقت تفکیک سیگنال مغزی افراد سالم و افسرده توسط مدل‌های EEGNet، ShallowConvNet و DeepConvNet به‌ترتیب برابر 3/92%، 2/83% و 2/92% می‌باشد. همچنین مدل EEGNet با حساسیت 9/98% و ویژگی 1/79% بهترین عملکرد را در میان مدل‌های بررسی شده داشته است.
نتیجه‌گیری: دسته‌بندی افراد افسرده و سالم از روی سیگنال EEG با دقت بالا و به‌صورت تعمیم‌پذیر امکان‌پذیر است و مدل‌های هوش مصنوعی پیشنهاد شده می‌توانند در کلینیک‌های روانپزشکی به‌عنوان ابزارهای کمک تشخیصی مورد استفاده قرار گیرند.
 

---

زمینه و هدف: ابتلا به بیماری‌ کبد چرب غیرالکلی، به‌دلایلی چون چاقی مفرط، دیابت نوع دوم و ناهمگونی‌های هورمونی به‌طور قابل‌توجهی شیوع پیدا کرده است. هدف از این مقاله، ارائه یک الگوریتم کاربردی براساس الگوریتم‌های تفسیرپذیر یادگیری ماشین برای تشخیص افراد مبتلا به چربی کبد غیرالکلی و تعیین شدت و گستردگی بیماری به کمک اطلاعات بالینی می‌باشد.
روش بررسی: در این راستا، مجموع 181 بیمار مبتلا به درجه‌های 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 جمع‌آوری شده است. برای این دادگان، از روش الگوریتم‌های انتخاب ویژگی برای تعیین ویژگی‌های غالب و روش‌های طبقه‌بندی مختلف برای تعیین سطح شدت شاخص‌های شدت کبد چرب استفاده شد. همچنین برای تفسیر بهتر کارکرد روش‌های مورد استفاده، این اطلاعات به کمک الگوریتم‌های هوش مصنوعی تفسیرپذیر، تحلیل و بررسی شد.
یافته‌ها: استفاده از روش کلاس‌بندی XGBoost به‌همراه روش انتخاب ویژگی رو به‌جلو، منجر به‌دقت 5/5±23/69% برای شاخص‌ شدت کبد چرب گردید. بررسی این دادگان توسط الگوریتم‌های تفسیرپذیری هوش مصنوعی نشان داد که متغیرهای سن، BMI، HDL، LDL، HbA1c، و GPT به ازاء سه کلاس تعیین شده و شاخص‌های GPT، سن، BMI، HDL، HbA1c، LDL، تری گلیسراید، و کلسترول در تعیین کارایی مدل کلی، جزو اثرگذارترین متغیرهای بالینی هستند که در طبقه‌بندی شدت بیماری کبد نقش مهمی دارند.
نتیجه‌گیری: بررسی‌های این مطالعه به‌خوبی نشان داد که می‌توان تخمین قابل قبولی از شدت ابتلا به بیماری کبد چرب به‌دست آورد که همین موضوع می‌تواند در تعیین درجه ابتلا برای اقدامات درمانی بعدی بیماران کمک‌کننده باشد و از تحمیل هزینه‌های درمانی به سیستم درمانی و بیمار جلوگیری نماید.
 

---

هوش مصنوعی به‌عنوان ابزاری تحول‌آفرین در حوزه مراقبت‌های بهداشتی شناخته شده است و چشم‌پزشکی به دلیل وجود تصویربرداری‌های متنوع یکی از پیشروترین رشته‌ها در بهره‌گیری از این فناوری محسوب می‌شود. در میان بیماری‌های چشمی، گلوکوم به‌دلیل ماهیت مزمن و پیشرونده‌ و نیز نیاز به ارزیابی‌های ساختاری و عملکردی پیچیده، بستری مناسب برای توسعه و به‌کارگیری ابزارهای مبتنی بر هوش مصنوعی فراهم کرده است. در این مقاله مروری، جدیدترین کاربردهای هوش مصنوعی در حوزه گلوکوم با تمرکز بر جنبه‌های تشخیص، پایش روند پیشرفت بیماری، و کمک به تصمیم‌گیری‌های بالینی بررسی شده است. الگوریتم‌های مبتنی بر یادگیری ماشین و یادگیری عمیق توانسته‌اند با دقت بالایی داده‌های حاصل از تصویربرداری فوندوس، Optical Coherence و آزمون‌های میدان بینایی را تحلیل کرده و تغییرات مرتبط با گلوکوم را تشخیص دهند. این فناوری‌ها علاوه‌بر افزایش دقت تشخیص، می‌توانند ابزارهایی موثر برای غربالگری در مقیاس وسیع، به‌ویژه در مناطق با دسترسی محدود به متخصصان چشم‌پزشکی باشند. همچنین، استفاده از مدل‌های هوش مصنوعی در ردیابی تغییرات تدریجی ساختاری یا عملکردی چشم، امکان پیش‌بینی خطر پیشرفت بیماری و شخصی‌سازی برنامه درمانی را فراهم می‌سازد. با وجود این پیشرفت‌ها، چالش‌هایی همچون عدم‌تعمیم‌پذیری مدل‌ها به جمعیت‌ها و دستگاه‌های مختلف، کمبود داده‌های با کیفیت و قابل‌اعتماد و عدم‌شفافیت در فرآیند تصمیم‌گیری الگوریتم‌ها (پدیده جعبه سیاه) همچنان مانع از پذیرش گسترده این فناوری در عمل بالینی شده‌اند. این مقاله با مرور انتقادی بر دستاوردها و محدودیت‌های فعلی، مسیرهایی برای تحقیقات آینده و اجرای موثر و اخلاق‌مدار هوش مصنوعی در مراقبت از بیماران مبتلابه گلوکوم پیشنهاد می‌دهد.