ترجمه فارسی مقاله Multimed: درک پزشکی چند حالته و چند وظیفه ای

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی MultiMed: Massively Multimodal and Multitask Medical Understanding
عنوان مقاله به فارسی Multimed: درک پزشکی چند حالته و چند وظیفه ای
نویسندگان Shentong Mo, Paul Pu Liang
فرمت مقاله انگلیسی PDF
تعداد صفحات 27
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computation and Language,Computer Vision and Pattern Recognition,Multimedia,یادگیری ماشین , هوش مصنوعی , محاسبات و زبان , چشم انداز رایانه و تشخیص الگوی , چندرسانه ای
توضیحات Submitted 22 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 22 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Biomedical data is inherently multimodal, consisting of electronic health records, medical imaging, digital pathology, genome sequencing, wearable sensors, and more. The application of artificial intelligence tools to these multifaceted sensing technologies has the potential to revolutionize the prognosis, diagnosis, and management of human health and disease. However, current approaches to biomedical AI typically only train and evaluate with one or a small set of medical modalities and tasks. This limitation hampers the development of comprehensive tools that can leverage the rich interconnected information across many heterogeneous biomedical sensors. To address this challenge, we present MultiMed, a benchmark designed to evaluate and enable large-scale learning across a wide spectrum of medical modalities and tasks. MultiMed consists of 2.56 million samples across ten medical modalities such as medical reports, pathology, genomics, and protein data, and is structured into eleven challenging tasks, including disease prognosis, protein structure prediction, and medical question answering. Using MultiMed, we conduct comprehensive experiments benchmarking state-of-the-art unimodal, multimodal, and multitask models. Our analysis highlights the advantages of training large-scale medical models across many related modalities and tasks. Moreover, MultiMed enables studies of generalization across related medical concepts, robustness to real-world noisy data and distribution shifts, and novel modality combinations to improve prediction performance. MultiMed will be publicly available and regularly updated and welcomes inputs from the community.

چکیده به فارسی (ترجمه ماشینی)

داده های زیست پزشکی ذاتاً چند حالته است ، متشکل از سوابق سلامت الکترونیکی ، تصویربرداری پزشکی ، آسیب شناسی دیجیتال ، توالی ژنوم ، سنسورهای پوشیدنی و موارد دیگر.استفاده از ابزارهای هوش مصنوعی در این فن آوری های سنجش چند جانبه ، پتانسیل انقلابی در پیش آگهی ، تشخیص و مدیریت سلامت و بیماری انسان را دارد.با این حال ، رویکردهای فعلی به هوش مصنوعی زیست پزشکی معمولاً فقط با یک یا یک مجموعه کوچک از روشها و وظایف پزشکی آموزش و ارزیابی می کنند.این محدودیت مانع از توسعه ابزارهای جامع می شود که می تواند اطلاعات غنی به هم پیوسته را در بسیاری از سنسورهای بیولوژیکی ناهمگن به وجود آورد.برای پرداختن به این چالش ، ما یک معیار چندرسانه ای را ارائه می دهیم که برای ارزیابی و امکان یادگیری در مقیاس بزرگ در طیف گسترده ای از روشها و وظایف پزشکی طراحی شده است.چندرسانه ای شامل 2.56 میلیون نمونه در ده روش پزشکی مانند گزارش های پزشکی ، آسیب شناسی ، ژنومیک و داده های پروتئین است و در یازده کار چالش برانگیز از جمله پیش آگهی بیماری ، پیش بینی ساختار پروتئین و پاسخ به سؤال پزشکی ساخته شده است.با استفاده از چندرسانه ای ، ما آزمایش های جامع را انجام می دهیم که معیارهای پیشرفته ای از مدل های Unimodal ، Multimodal و Multistask را انجام می دهیم.تجزیه و تحلیل ما مزایای آموزش مدلهای پزشکی در مقیاس بزرگ را در بسیاری از روشها و وظایف مرتبط برجسته می کند.علاوه بر این ، چندرسانه ای مطالعات عمومی سازی را در مفاهیم پزشکی مرتبط ، استحکام به داده های پر سر و صدا در دنیای واقعی و تغییر توزیع و ترکیبات روش جدید برای بهبود عملکرد پیش بینی امکان پذیر می کند.Multimed در دسترس عموم خواهد بود و به طور مرتب به روز می شود و از ورودی های جامعه استقبال می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.