دانلود ترجمه مقاله یادگیری ماشینی و هوش مصنوعی در خدمت پزشکی (ساینس دایرکت – الزویر ۲۰۲۰)
این مقاله انگلیسی ISI در نشریه الزویر در سال ۲۰۲۰ منتشر شده که ۷ صفحه می باشد، ترجمه فارسی آن نیز ۲۱ صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
یادگیری ماشینی و هوش مصنوعی در خدمت پزشکی: ضرورت یا امکان؟ |
عنوان انگلیسی مقاله: |
Machine learning and artificial intelligence in the service of medicine: Necessity or potentiality? |
|
مشخصات مقاله انگلیسی | |
نشریه | ساینس دایرکت، الزویر – (Sciencedirect – Elsevier) |
سال انتشار | ۲۰۲۰ |
فرمت مقاله انگلیسی | pdf و ورد تایپ شده با قابلیت ویرایش |
تعداد صفحات مقاله انگلیسی | ۷ صفحه |
نوع مقاله | ISI |
نوع نگارش | مقاله پژوهشی (Research Article) |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر – مهندسی پزشکی |
گرایش های مرتبط با این مقاله | هوش مصنوعی – مهندسی الگوریتم ها و محاسبات – سایبرنتیک پزشکی |
چاپ شده در مجله (ژورنال) | Current Research in Translational Medicine |
کلمات کلیدی | هوش مصنوعی – یادگیری ماشینی – کاربردهای پزشکی |
کلمات کلیدی انگلیسی | Artificial intelligence – Machine learning – Medical applications |
نمایه (index) | Medline – scopus – master journals – JCR |
نویسندگان | Tamim Alsuliman – Dania Humaidan – Layth Sliman |
شناسه شاپا یا ISSN | ۲۴۵۲-۳۱۸۶ |
شناسه دیجیتال – doi | https://doi.org/10.1016/j.retram.2020.01.002 |
لینک سایت مرجع | https://www.sciencedirect.com/science/article/abs/pii/S2452318620300192 |
ایمپکت فاکتور (IF) مجله | ۳٫۵۵۰ در سال ۲۰۲۱ |
شاخص H_index مجله | ۶۱ در سال ۲۰۲۳ |
شاخص SJR مجله | ۰٫۷۴۹ در سال ۲۰۲۱ |
شاخص Q یا Quartile (چارک) | Q2 در سال ۲۰۲۱ |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
فرضیه | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۱۲۵۴۲ |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | ورد تایپ شده با قابلیت ویرایش و pdf |
وضعیت ترجمه | ترجمه شده و آماده دانلود |
کیفیت ترجمه | عالی (مناسب استفاده دانشگاهی و پژوهشی) |
تعداد صفحات ترجمه | ۲۱ صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه شده است ✓ |
ترجمه متون داخل جداول | ترجمه شده است ✓ |
ترجمه ضمیمه | ندارد ☓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | ندارد ☓ |
منابع داخل متن | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده مقدمه تعاریف اولیه پذیرش بیمار: به دست آوردن داده های اولیه بیمار رادیولوژی هماتولوژی نورولوژی سرطان شناسی زیست شناسی سلولی و سلول درمانی قلب و عروق چشم پزشکی جمع بندی منابع |
بخشی از ترجمه |
چکیده انگیزه: در نتیجه گرایش موجود برای دیجیتال کردن سیستم های خدمات درمانی به صورت جهانی، داده های تولید شده در خدمات درمانی احتمالا به ۲۳۱۴ اگزابایت داده جدید در سال ۲۰۲۰ می رسد. توسعه رو به رشد سیستم های هوش مصنوعی به هدف ارائه استدلال بهتر و استفاده موثرتر از داده های جمع آوری شده صورت گرفته است. این کاربرد تنها محدود به تفسیر گذشته نگر نیست بلکه می تواند جمع بندی های تشخیصی را هم ارائه کند. همچنین این روش ها را می توان به صورتی توسعه داد که با تشخیص اولیه، بتوانند تفسیر های آینده نگر را ایجاد کنند. با این وجود، پزشک هایی که می توانند از این سیستم ها استفاده کنند، احساس می کنند که در خلا بین موارد بالینی و نظرات فنی دقیق قرار گرفته اند. کمبود آن ها یک نقطه آغازین مشخص است که از آن، می توان به دنیای یادگیری ماشینی در پزشکی نزدیک شد. روش شناسی و ساختار اصلی: این مقاله به هدف ارائه کردن دیدگاه های ساده در رابطه با هوش مصنوعی (AI) و یادگیری ماشینی (ML) در زمینه پزشکی برای پزشکان علاقه مند و پیشرفت های مربوطه در سال های اخیر، ارائه شده است. به این منظور، ما اول مسیر های توسعه عمومی در رابطه با مفاهیم استفاده از AI و ML در سیستم های خدمات درمانی را بررسی می کنیم. سپس ما زمینه هایی را ارائه می کنیم که این تکنولوژی ها از قبل تست یا استفاده شده اند مانند هماتولوژی، نورولوژی، علوم قلب، سرطان شناسی، رادیولوژی، چشم پزشکی، زیست شناسی سلولی و درمان سلولی.
تعاریف اولیه
هوش توانایی برای ایجاد طراحی های سازگار، حل کردن مسائل یا ایجاد کردن محصولاتی هستند که برای فرهنگ یا زمینه تجاری خاص، ارزشمند هستند. هوش از ارتباطات ذهنی، حافظه، استدلال، درک، انتزاع، مفهوم سازی، تخمین، سیستم سازی و استنتاج های منطقی استفاده می کند. این المان ها برای به دست آوردن دانش جدید از حقایق مشخص، مورد استفاده قرار می گیرد.
هوش مصنوعی در طرف دیگر، هوش مصنوعی به معنی توانایی سیستم برای تفسیر داده های خارجی به صورت صحیح، یادگیری این داده ها و استفاده از این یادگیری ها برای رسیدن به اهداف خاص و وظایف با استفاده از تطبیق های منعطف می باشد [۱۳].
بخش اصلی AI نیز یادگیری ماشینی (ML) می باشد که این موضوع در شکل ۲ نشان داده شده است. یادگیری ماشینی زمانی صورت می گیرد که ما از کامپیوتر ها برای استفاده از مدل های آماری در داده ها ، استفاده می کنیم. یادگیری ماشینی یکی از زیر مجموعه های زمینه علمی AI می باشد که در آن برنامه های کامپیوتری (الگوریتم ها) روابط بین ورودی و خروجی ها را یاد می گیرند. ما می توانیم بین سه دسته مختلف از الگوریتم های ML تمایز ایجاد کنیم: یادگیری با سرپرست، یادگیری بدون سرپرست، و یادگیری تقویت شده. |