هوش مصنوعی برای کمک به تشخیص و پایش گلوکوم (آب سیاه): پیشرفت‌ها و مسیرهای جدید

عنوان فارسی مقاله:هوش مصنوعی برای کمک به تشخیص و پایش گلوکوم (آب سیاه): پیشرفت‌ها و مسیرهای جدید

چکیده

تحولات اخیر در استفاده از هوش مصنوعی در تشخیص و نظارت بر گلوکوم مورد بحث قرار گرفته است. برای این منظور، یک مرور تاریخی مختصر از هوش مصنوعی به همراه برخی از اصول مدل‌سازی آماری ارائه شده است. در مرحله بعد، کاربردهای اخیر تکنیک‌های هوش مصنوعی در تشخیص گلوکوم و نظارت بر پیشرفت گلوکوم، از جمله طبقه‌بندی تصاویر میدان بینایی و تشخیص تغییرات آب سیاه در ضخامت لایه فیبر عصبی شبکیه بررسی می‌شوند. چالش‌های فعلی در کاربرد مستقیم هوش مصنوعی برای درک بیشتر ما از این بیماری نیز تشریح شده است. این مقاله همچنین بحث می‌کند که چگونه استفاده ترکیبی از مدل‌سازی ریاضی و هوش مصنوعی ممکن است به رفع این چالش‌ها، همراه با ارتباطات قوی‌تر بین دانشمندان داده و پزشکان کمک کند.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Artificial Intelligence to Aid Glaucoma Diagnosis and Monitoring: State of the Art and New Directions

Abstract

Recent developments in the use of artificial intelligence in the diagnosis and monitoring of glaucoma are discussed. To set the context and fix terminology, a brief historic overview of artificial intelligence is provided, along with some fundamentals of statistical modeling. Next, recent applications of artificial intelligence techniques in glaucoma diagnosis and the monitoring of glaucoma progression are reviewed, including the classification of visual field images and the detection of glaucomatous change in retinal nerve fiber layer thickness. Current challenges in the direct application of artificial intelligence to further our understating of this disease are also outlined. The article also discusses how the combined use of mathematical modeling and artificial intelligence may help to address these challenges, along with stronger communication between data scientists and clinicians.