علیبابا مدل هوش مصنوعی Damo Radar را برای تشخیص بیماریهای شکمی متنباز کرد
آکادمی DAMO علیبابا مدل Damo Radar را متنباز کرده است؛ مدلی که برای شناسایی نزدیک به ۱۵۰ بیماری شکمی از تصاویر سیتیاسکن طراحی شده است.
تهیهشده با کمک هوش مصنوعی از منابع ذکرشده

آکادمی DAMO، بازوی تحقیقاتی گروه علیبابا، مدل هوش مصنوعی Damo Radar را بهصورت متنباز عرضه کرده است. این مدل برای تحلیل تصاویر سیتیاسکن طراحی شده و بنا بر اطلاعات منتشرشده، میتواند نزدیک به ۱۵۰ نوع بیماری شکمی، از جمله سرطانها، را شناسایی کند.
Damo Radar یک مدل بینایی-زبانی است که برای بررسی سیتیاسکنهای دارای ماده حاجب توسعه یافته است. این مدل میتواند تصاویر مربوط به ۱۸ اندام شکمی را تحلیل کند و طیفی از بیماریها و ناهنجاریها، از جمله تومورهای بدخیم، را تشخیص دهد. چند مؤسسه دیگر نیز در این تحقیق با علیبابا همکاری داشتهاند؛ از جمله یکی از بیمارستانهای وابسته به دانشگاه ژجیانگ چین.
طبق اعلام این مؤسسه، مدل Damo Radar با استفاده از سیتیاسکنهای دارای گزارش پزشکی آموزش دیده است. این مدل در نزدیک به ۴۰ هزار آزمایش واقعی، برای شناسایی ۱۴۶ یافته بالینی میانگین امتیاز AUC برابر با ۰.۹۱۳ را ثبت کرده است؛ شاخصی که عدد ۱ در آن نشاندهنده دقت تشخیصی ایدهآل است.
در یک مطالعه مقایسهای با حضور ۲۶ رادیولوژیست از چند بیمارستان، میانگین دقت Damo Radar بیشتر از ۲۳ شرکتکننده انسانی گزارش شده است. همچنین استفاده از این مدل به رادیولوژیستها کمک کرده است توانایی خود را در جلوگیری از تشخیصهای ازدسترفته ۱۰ درصد افزایش دهند و زمان موردنیاز برای بررسی تصاویر را بیش از ۳۰ درصد کاهش دهند.
تیم تحقیقاتی گفته است که روش آموزش این مدل در آینده میتواند برای انواع دیگر تصویربرداری پزشکی نیز به کار گرفته شود. انتشار Damo Radar در ادامه تلاشهای اخیر علیبابا در حوزه هوش مصنوعی پزشکی انجام شده است؛ حوزهای که این شرکت در آن ابزارهایی برای غربالگری بیماریهایی مانند سرطان پانکراس، معده و روده بزرگ و همچنین پارگی آئورت توسعه داده است.
منابع خبر
- digiato.com — منبع اصلی
مطالب مرتبط
برای ادامه مطالعه
این یادداشتها بر اساس موضوع مشترک، همپوشانی برچسبها و تازگی انتشار انتخاب میشوند.

QwenPU؛ اجرای یک مدل زبانی درون وزنهای Qwen 3.5-4B
QwenPU یک مدل زبانی را روی NPUای اجرا میکند که داخل وزنهای Qwen 3.5-4B کامپایل شده؛ یعنی با نمونهای جالب از اجرای یک LLM درون LLM دیگر روبهرو هستیم.


دیدگاهها
اولین نفری باش که دیدگاه میذاره
دیدگاهها پس از بررسی منتشر میشوند. ایمیل شما نمایش داده نمیشود.