الهدف
يهدف هذا البحث إلى وصف العديد من المجالات التي يمكن أن يلعب فيها الذكاء الاصطناعي دورًا في تطوير الطب الشخصي ومراقبة الأدوية، والتحولات التي أحدثها في مجال علم الأحياء والعلاج. كما تناول القيود التي يواجهها تطبيق تقنيات الذكاء الاصطناعي وقدم ا
قتراحات لمزيد من البحث.
المنهج
لقد أجرينا مراجعة شاملة للبحوث والأوراق المتعلقة بدور الذكاء الاصطناعي في الطب الشخصي وفحص الأدوية، وقمنا بتصفية قائمة الأعمال لتلك المتعلقة بهذه المراجعة.
النتائج
يمكن للذكاء الاصطناعي أن يلعب دورًا مهمًا في تطوير الأدوية الشخصية ومراقبة الأدوية في جميع المراحل السريرية المتعلقة بتطوير وتنفيذ منتجات صحية مخصصة جديدة، بدءًا من إيجاد الأدوية المناسبة لاختبار فائدتها. بالإضافة إلى ذلك، يمكن للخبرة في استخدام تقنيات الذكاء الاصطناعي أن تلعب دورًا خاصًا في هذا الصدد.
المناقشة
ستعتمد قدرة الذكاء الاصطناعي على تعزيز عملية اتخاذ القرار في الطب الشخصي وفحص الأدوية إلى حد كبير على دقة الاختبارات ذات الصلة والطرق التي يتم بها تخزين البيانات المنتجة وتجميعها والوصول إليها ودمجها في النهاية.
النتائج
كشفت مراجعة الأدبيات ذات الصلة أن تقنيات الذكاء الاصطناعي يمكن أن تعزز عملية صنع القرار في مجال الطب الشخصي وفحص الأدوية من خلال تحسين طرق تجميع البيانات المنتجة والوصول إليها ودمجها في النهاية. تتمثل إحدى العقبات الرئيسية في هذا المجال في أن معظم المستشفيات ومراكز الرعاية الصحية لا تستخدم حلول الذكاء الاصطناعي ، بسبب افتقار المتخصصين في الرعاية الصحية إلى الخبرة اللازمة لبناء نماذج ناجحة باستخدام تقنيات الذكاء الاصطناعي ودمجها مع سير العمل السريري.
يهدف التنقيب عن البيانات التعليمية إلى دراسة البيانات المتوفرة في المجال التعليمي وإخراج المعرفة المخفية منه بغية الاستفادة منها في تعزيز عملية التعليم واتخاذ قرارات ناجحة من شأنها تحسين الأداء الأكاديمي للطالب. تقترح هذه الدراسة استخدام تقنيات التنق
يب عن البيانات لتحسين التنبؤ بأداء الطلاب، حيث تم تطبيق ثلاث خوارزميات تصنيف Naïve Bayes, J48, Support Vector Machine)) على قاعدة بيانات أداء الطلاب ، ثم تم تصميم مصنف جديد لدمج نتائج تلك المصنفات الفردية باستخدام تقنية الدمج Voting Method . تم استخدام الأداة WEKAالتي تدعم الكثير من خوارزميات و طرائق التنقيب في البيانات. تظهر النتائج أن مصنف الدمج لديه أعلى دقة للتنبؤ بمستويات الطلاب مقارنة بالمصنفات الأخرى ، حيث حقق دقة تعرف وصلت إلى74.8084 % . و أفادت خوارزمية العنقدةsimple k-means في تجميع الطلاب المتشابهين في مجموعات منفصلة بالتالي فهم مميزات كل مجموعة مما يساعد على قيادة وتوجيه كل مجموعة على حدى.
عادة ما يتم تغريم الصلة في التلخيص بناء على معلومات نصية وحدها، دون دمج الأفكار حول قرار معين. نتيجة لذلك، لدعم تحليل المخاطر لسرطان البنكرياس، قد تشمل ملخصات الملاحظات الطبية معلومات غير ذات صلة مثل إصابة الركبة. نقترح مشكلة جديدة، ويلخص تركز في الق
رار، حيث الهدف هو تلخيص المعلومات ذات الصلة لاتخاذ قرار. نستفيد من نموذج تنبؤي يتخذ القرار بناء على النص الكامل لتوفير رؤى قيمة حول كيفية استنتاج القرار من النص. لبناء ملخص، ثم حدد جمل تمثيلية تؤدي إلى قرارات نموذجية مماثلة مثل استخدام النص الكامل أثناء المحاسبة عن عدم التكرار النصي. لتقييم طريقةنا (Decsum)، نبني اختبار المهمة لتلخيص المراجعات العشرة الأولى لمطعم لدعم التنبؤ بتصنيفها في المستقبل على Yelp. تفوق Decsum بشكل كبير على أساليب تلخيص النص فقط وأساليب التفسير القائمة على النماذج في الإخلاص والتمثيل. نوضح كذلك أن Decsum هو الطريقة الوحيدة التي تمكن البشر من تفوق فرصة عشوائية في التنبؤ بالمطعم الذي سيتم تصنيفه بشكل أفضل في المستقبل.
دقة Aquerence هي مفتاح العديد من مهام معالجة اللغة الطبيعية، لكنها غير مستكشفة نسبيا في معالجة لغة الإشارة. في لغات موقعة، تستخدم الفضاء في المقام الأول لتحديد المرجع. لن يقوم حل دقة Aquerence للغات الموقعة فقط بتمكين أنظمة معالجة لغة الإشارة عالية ا
لمستوى، بل تقوم أيضا بتعزيز فهمنا للغة في طرائق مختلفة والمراجع الموجودة، وهي مشاكل رئيسية في دراسة اللغة المحددة. في هذه الورقة، نحن: (1) تقديم دقة COMARCALE الموقعة (SCR)، تحديا جديدا لنمذجة Aquerence وعلاج لغة الإشارة؛ (2) جمع وجعة مشروحة من لغة الإشارة الألمانية مع ملصقات ذهبية ل Taquerence جنبا إلى جنب مع برنامج شرح للمهمة؛ (3) استكشاف ميزات لفتة اليد، الإيقاعي، والعقارات المكانية الموجودة والمضي قدما لاقتراح مجموعة من الاستدلال المباشرة المباشرة ونماذج غير مخالفة للمهمة؛ (4) طرح عدة مقترحات حول طرق معالجة تعقيدات هذا التحدي بفعالية.
عادة ما يتم تدريب النماذج العصبية الأكاديمية لدقة COMERASE (COREF) على مجموعة بيانات واحدة، ويتم قياس التحسينات النموذجية في نفس مجموعة البيانات.ومع ذلك، تعتمد تطبيقات COREF العالمية في العالم الحقيقي على المبادئ التوجيهية التوضيحي ومجال مجموعة البيا
نات المستهدفة، والتي تختلف غالبا عن تلك الموجودة في أونتونو.نحن نهدف إلى تحديد قابلية تحويل نماذج COREF بناء على عدد المستندات المشروح المتوفرة في مجموعة البيانات المستهدفة.نحن ندرس أحد عشر مجموعة بيانات مستهدفة ونتطلع إلى أن التدريب المستمر فعال باستمرار وفائدة بشكل خاص عندما تكون هناك عدد قليل من المستندات المستهدفة.نحن نؤسس معايير جديدة في العديد من مجموعات البيانات، بما في ذلك النتائج الحديثة على Preco.
نقدم المهمة الجديدة لحل النزاعات اسم النطاق (DNDR)، والذي يتنبأ بنتيجة عملية لحل النزاعات حول استحقاق قانوني لاسم النطاق.يحدد TheICann UDRP عملية تحكيم إلزامية للنزاع بين مالك العلامة التجارية وسجل اسم النطاق المتعلق باسم مجال كبير المستوى (GTLD) (GT
LD) (واحد ينتهي في .com، .org، .NET، إلخ).يؤدي طبيعة المشكلة إلى مجموعة بيانات متحفة للغاية، والتي تنبع من القدرة على تسجيل اسم مجال مع سهولة شديدة، ومصروفات قليلة للغاية، ولا حاجة لإثبات استحقاقها.في هذه الورقة، نحن تصف ثيتاسك ومجموعة البيانات المرتبطة بها.ونحن نقدم أيضا نتائج مرجعية بناء على مجموعة من MOD-ELS، والتي تظهر أن خطوط الأساس البسيطة بشكل عام صعبة التغلب عليها بسبب توزيع البيانات المنحرفة، ولكن في حالة المستفتى المحددة التي قدمت استجابة، برت ضبط صقليقدم النموذج تحسينات كبيرة على نموذج فئة الأغلبية
منذ فترة طويلة تم حل الضمائر إلى مراحلها كمشكلة فهم لغة طبيعية أساسية.تعمل سابقا على قرار الضمير (PCR) في الغالب على حل الضمائر للإشارة في النص أثناء تجاهل السيناريو الإيفهور.الضمائر Exophoric شائعة في الاتصالات اليومية، حيث قد يستخدم المتحدثون بشكل
مباشر الضمائر للإشارة إلى بعض الكائنات الموجودة في البيئة دون إدخال الكائنات أولا.على الرغم من عدم ذكر هذه الكائنات في نص الحوار، إلا أنها غالبا ما يتم ترحيلها من قبل الموضوعات العامة للحوار.بدافع من ذلك، نقترح الاستفادة بشكل مشترك السياق المحلي والمواضيع العالمية للحوارات لحل مشكلة PCR خارج النص.توضح تجارب واسعة فعالية إضافة موضوع تنظيم الموضوع لحل الضمائر الإيفولية.
في هذه الورقة، نقدم تجارب حل النواة مع كورفوس كورفوس متعددة اللغات التي تم إنشاؤها حديثا (Nedoluzhko et al.، 2021).نحن نركز على اللغات التالية: التشيكية والروسية والبولندية والألمانية والإسبانية والكاتالونية.بالإضافة إلى التجارب أحادية الأحادية، نجمع
بين بيانات التدريب في تجارب متعددة اللغات وتدريب نماذج متضررة - لغلق سلافية وللجميع اللغات معا.نحن نعتمد على نموذج التعلم العميق في نهاية إلى نهاية تتكيف قليلا مع Corefud Corpus.تظهر نتائجنا أنه يمكننا الاستفادة من التعليقات التوضيحية المنسقة، واستخدام النماذج الانضمام تساعد بشكل كبير على اللغات مع بيانات التدريب الأصغر.
نحن نقدم نهجا لشرح تنبؤات شجرة القرار (DT) من خلال معالجة النزاعات المحتملة بين جوانب هذه التنبؤات والتوقعات المعقولة المرخصة من المعلومات الأساسية.نحن نحدد أربعة أنواع من النزاعات، وتفعيل هويتها، وتحديد مخططات توضيحية تعالجها.ركز تقييمنا البشري على
تأثير التفسيرات المتعلقة بفهم المستخدمين لسبب DT واستعدادهم للعمل على تنبؤاتها.تظهر النتائج أن التفسيرات (1) تفسيرات التي تعالج النزاعات المحتملة تعتبر على الأقل جيدة مثل التفسيرات الأساسية التي تتبع مسار DT فقط؛و (2) يتم اعتبار التفسيرات القائمة على النزاعات قيمة خاصة عندما لا توافق توقعات المستخدمين في توقعات DT.
نشير إلى أن ممارسات التقييم المشتركة لحل النواة المستندات كانت غير متسقة بشكل غير واقعي في إعداداتها المفترضة، مما أثار نتائج تضخيم.نقترح معالج هذه المشكلة عبر مبادئ منهجية التقييم.أولا، كما هو الحال في المهام الأخرى، ينبغي تقييم النماذج بشأن الأهمية
المتوقعة بدلا من الإشراهات الذهبية.القيام بذلك يثير قضية خفية فيما يتعلق بمجموعات Singleton Comeference، والتي نتعلمها عن طريق فصل تقييم التقييم للكشف عن ربط COMELES.ثانيا، نجرب أن النماذج يجب ألا تستغل بنية الموضوع الاصطناعي لمجموعة بيانات البنك المركزي الأوروبي + المعيار، مما أجبر النماذج لمواجهة تحدي الغموض المعجمي، على النحو المقصود من قبل منشئو البيانات.نوضح بالتجريد التأثير الجذراني لمبادئ تقييمنا الأكثر واقعية لدينا على نموذج تنافسي، مما يؤدي إلى درجة أقل 33 F1 مقارنة بتقييم الممارسات اللانوية السابقة.