🧠 آیا می‌توان شبکه‌ای ساخت که کمی شبیه مغز یاد بگیرد؟

▪️در شبکه‌های عصبی معمولی، یک نورون می‌تواند از طریق وزن‌های مختلف هم اثر مثبت و هم اثر منفی روی نورون‌های بعدی بگذارد.

▫️اما در مغز، وضعیت متفاوت است. نورون‌ها عمدتاً تحریکی (Excitatory) یا مهاری (Inhibitory) هستند؛ یعنی ماهیت اثر خروجی آن‌ها ثابت می‌ماند. این ویژگی را با نام Dale’s principle  می‌شناسیم.

☑️ حالا یک سؤال جالب مطرح می‌شود:
اگر شبکه عصبی را مجبور کنیم این محدودیت زیستی را رعایت کند، آیا هنوز می‌تواند یاد بگیرد؟

📑مقاله‌ی جدید Diffusing Blame دقیقاً همین سؤال را بررسی می‌کند.

پژوهشگران شبکه را به دو جریان جداگانه‌ی تحریکی و مهاری تقسیم کردند و وزن‌های قابل یادگیری را غیرمنفی نگه داشتند.

🔺اما چالش مهم دیگری باقی می‌ماند: Backpropagation برای محاسبه‌ی سهم هر لایه در خطا، به اطلاعات وزن‌های مسیر forward  در مسیر backward وابسته است؛ مسئله‌ای که به Weight Transport Problem  معروف است و سازوکار مشخصی برای آن در مغز نمی‌شناسیم.

💡راه‌حل این مقاله، استفاده از Error Diffusion  است.
به‌جای اینکه خطا مثل Backpropagation لایه ‌به ‌لایه به عقب برگردد، یک سیگنال خطای خروجی مستقیماً به بخش‌های مختلف شبکه می‌رسد. نویسندگان با معرفی Modulo Error Routing  این ایده را برای مسائل چندکلاسه نیز گسترش داده‌اند.
و نتیجه؟

✅ این شبکه واقعاً توانست یاد بگیرد:
MNIST → 96.7٪
CIFAR-10 → 61.7٪
در یادگیری تقویتی نیز Error Diffusion را با PPO ترکیب کردند و روی چند محیط آزمایش کردند. در بعضی موارد عملکرد رقابتی بود، اما در مسائل دشوارتر همچنان فاصله و ناپایداری نسبت به روش‌های مبتنی بر Backpropagation دیده می‌شود.

💡اما شاید مهم‌ترین پیام مقاله همین باشد:
این پژوهش نمی‌گوید Backpropagation را کنار بگذاریم.

بلکه نشان می‌دهد می‌توان محدودیت‌هایی الهام‌گرفته از ساختار واقعی مغز را وارد شبکه کرد و بدون Weight Transport و با رعایت  Dale’s principle، همچنان یک سیستم یادگیرنده ساخت.

و این ما را به یک سؤال عمیق‌تر می‌رساند:
اگر مغز از Backpropagation کلاسیک استفاده نمی‌کند، پس چگونه مسئله‌ی Credit Assignment  را حل می‌کند؟
این مقاله پاسخ نهایی را پیدا نکرده؛
اما یک قدم جالب در مسیر پیدا کردن آن است.

 📄 مقاله:
Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks
مطالعه مقاله در arXiv

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#Backpropagation
#Neuroscience
#DeepLearning #BiologicallyPlausibleAI
 

🎯 چارچوب انجام یک پروژه تشخیص آریتمی قلبی با سیگنال  ECG؛ از معرفی داده تا روال ارزیابی مدل

متأسفانه در بسیاری از مقالات حوزه تشخیص آریتمی قلبی با ECG، آن‌طور که باید به نحوه طراحی آزمایش‌ها و ارزیابی مدل توجه نشده است و تعداد زیادی مقاله چاپ شده که اکثرا به روش اشتباه روش خودشون رو چاپ کردند.

یک مطالعه مروری در 2023 این روش هارو بررسی کرده که از این 357 مقاله، فقط 38 مقاله به شکل استاندارد روش خودشون رو ارزیابی کردند!

اکثرا هم یک مدل با Accuracy بسیار بالا گزارش می‌شود، اما وقتی دقیق‌تر بررسی می‌کنیم، متوجه می‌شویم که نحوه تقسیم داده‌ها یا روش ارزیابی، قابلیت واقعی مدل برای تعمیم به بیماران جدید را نشان نمی‌دهد.

مشکل اینجاست که اگر ما هم صرفاً همان چارچوب‌های رایج اما نادرست را تکرار کنیم، دیر یا زود با این مشکل جدی مواجه خواهیم شد؛ چه هدفمان چاپ یک مقاله علمی معتبر باشد و چه بخواهیم روزی از مدل در یک کاربرد بالینی واقعی استفاده کنیم.

☑️ به نظر من در پروژه‌های پزشکی، قبل از اینکه بپرسیم:«چه مدلی بسازیم که Accuracy بالاتری داشته باشد؟» باید بپرسیم:«چطور آزمایش را طراحی کنیم که عددی که به دست می‌آوریم واقعاً قابل اعتماد باشد؟»

🎥 در ویدیوی جدید، دقیقاً درباره همین موضوع صحبت کرده‌ام و چارچوبی را که برای طراحی آزمایش‌ها و ارزیابی روش‌های تشخیص آریتمی قلبی از روی ECG دنبال کردم، توضیح داده‌ام؛ از Data Splitting و Validation گرفته تا ارزیابی Inter-subject، Cross-database و Cross-validation و چالش‌هایی که در مسیر وجود دارند.
اگر روی پایان‌نامه، مقاله یا پروژه‌ای در زمینه ECG، تشخیص آریتمی، Machine Learning یا Deep Learning در پزشکی کار می‌کنید، فکر می‌کنم این ویدیو قبل از شروع آزمایش‌های نهایی می‌تواند برایتان مفید باشد.

🎥 ویدئو
https://youtu.be/QugkVToJT4A?si=YDLHfGDqU20m_RpM

⭕️ جزییات بیشتر 👇
https://onlinebme.com/arrhythmia-detection-using-ecg-evaluation-paradigms/


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

Me vs ChatGPT!
@Onlinebme

⬛️◼️◾️ پکیجهای آموزشی Onlinebme ◾️◼️⬛️

🔆 اولین گروه آموزشیِ تخصصی و پروژه محور 🔆


〰〰〰 برنامه‌نویسی متلب 〰〰〰

🔲 اصول برنامه‌نویسی در متلب (رایگان)
▪️مدت دوره: 11 ساعت
🔘 Link


〰〰〰 برنامه‌نویسی پایتون  〰〰〰

⚪️ فصل 1: اصول برنامه‌نویسی پایتون 
◽️مدت دوره: 32 ساعت
🔘 Link
⚪️ فصل 2-3: کتابخانه NumPy و Matplotlib
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️ فصل 4: برنامه نویسی شیء گرا در پایتون
◽️مدت دوره: 14 ساعت 30 دقیقه
🔘 Link


〰〰 شناسایی الگو و یادگیری ماشین 〰〰

⚠️ 140 ساعت ویدیوی آموزشی
🔹آموزش تئوری و مباحث ریاضیاتی طبق مراجع معتبر
🔹پیاده‌سازی مرحله به مرحله الگوریتمها
🔹انجام پروژه های عملی و تخصصی
🔹پیاده سازی گام به گام مقالات تخصصی
 
⚪️فصل 1 تا 4: از بیزین تا SVM
◽️مدت دوره: 75 ساعت
🔘 Link
⚪️فصل 5: یادگیری جمعی
◽️مدت دوره: 18 ساعت
🔘 Link
⚪️فصل 6: الگوریتم‌های کاهش بعد
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️فصل 7:  الگوریتم‌های انتخاب ویژگی
◽️مدت دوره: 16 ساعت
🔘 Link
⚪️فصل 8: الگوریتم‌های خوشه‌بندی
◽️مدت دوره: 13 ساعت
🔘 Link


〰〰〰〰 شبکه‌های عصبی 〰〰〰〰

⚪️ پیاده سازی گام به گام شبکه های عصبی
◽️مدت دوره: 25 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی کانولوشنی (CNN)
◽️مدت دوره: 11 ساعت
🔘 Link
⚪️ دوره پروژه محور شبکه عصبی بازگشتی (RNN)
◽️مدت دوره: 13 ساعت
🔘 Link
⚪️دوره پروژه محور کاربرد شبکه‌های عمیق در بینایی ماشین
◽️مدت دوره: 16 ساعت
🔘 Link

⚪️ دوره پیاده‌سازی شبکه‌های عصبی با PyTorch
◽️مدت دوره: 70 ساعت
🔘 Link

〰〰〰 پردازش سیگنال مغزی 〰〰〰

⚪️ دوره جامع پردازش سیگنال مغزی(EEG)
◽️مدت دوره: 50 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر P300
◽️مدت دوره: 28 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر SSVEP
◽️ مدت دوره: 33 ساعت
🔘 Link
⚪️ واسط مغز-کامپیوتر مبتنی بر تصور حرکتی
◽️مدت دوره: 21 ساعت
🔘 Link
⚪️ پیاده‌سازی مقاله CSSP (BCI مبتنی بر MI)
◽️مدت دوره: 7 ساعت و 30 دقیقه
🔘 Link
⚪️پیاده‌سازی مقاله RCSP (BCI مبتنی بر MI)
◽️مدت دوره: 5 ساعت
🔘 Link
⚪️دوره تبدیل فوریه زمان کوتاه در پردازش سیگنال مغزی
◽️مدت دوره: 8 ساعت
🔘 Link

⚪️دوره پردازش سیگنال مغزی با کتابخانه MNE پایتون
◽️مدت دوره: 33 ساعت
🔘 Link

〰〰〰〰 دوره جامع پردازش تصویر 〰〰〰〰

⚪️فصل 1: آستانه گذاری تصویر، تبدیلات شدت روشنایی و هندسی
◽️مدت دوره: 30 ساعت
🔘 Link
⚪️فصل 2: پردازش هیستوگرام تصویر
◽️مدت دوره: 6 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 3: فیلترهای مکانی
◽️مدت دوره: 15 ساعت و 30 دقیقه
🔘 Link
⚪️فصل 4: عملیات مورفورلوژی
◽️مدت دوره: 6 ساعت
🔘 Link


〰〰〰〰〰 پردازش سیگنال قلبی 〰〰〰〰

⚪️ دوره پردازش سیگنال ECG
◽️مدت زمان دوره: 37 ساعت و 45 دقیقه
🔘 Link


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📚 به نظرم اگر قرار است به صورت تخصصی وارد حوزه deep Learning شویم، درک مبانی Pattern Recognition می‌تواند پایه بسیار خوبی باشد؛ مخصوصاً وقتی هدف فقط استفاده از مدل‌ها نیست و می‌خواهیم بفهمیم پشت الگوریتم‌ها چه می‌گذرد. خوندن این مفاهیم، یادگیری مباحث مدرن مثل Deep Learning را هم راحت‌تر می‌کند.
در ادامه دو کتابی که خودم خوانده‌ام و برای شروع و ساختن بینش و ذهنیت پایه مناسب هست رو معرفی می‌کنم.

📚 عنوان کتاب اول: Introduction to Pattern Recognition: A MATLAB Approach
نویسندگان:  Sergios Theodoridis, Aggelos Pikrakis, Konstantinos Koutroumbas, Dionisis Cavouras
 
این کتاب یک راهنمای عملی و مکمل برای کتاب معروف Pattern Recognition است و تمرکز اصلی‌اش روی پیاده‌سازی الگوریتم‌ها با MATLAB است.
  
💡 ویژگی‌های کتاب:
-         شامل کدهای MATLAB اکثر الگوریتم‌های مهم
-         مثال‌های حل‌شده با داده‌های واقعی  
-         مناسب برای دانشجویان و مهندسانی که می‌خواهند همزمان تئوری و پیاده‌سازی یاد بگیرند
-         رویکرد آموزشی و قدم به قدم

📚 لینک کتاب:
https://www.wiley.com/en-us/Pattern+Classification%2C+2nd+Edition-p-9781118586006

لینک کدهای GitHub:
https://github.com/pikrakis/Introduction-to-Pattern-Recognition-a-Matlab-Approach

📚 عنوان کتاب دوم:  Pattern Classification (Second Edition)
نویسندگان:  Richard O. Duda, Peter E. Hart, David G. Stork
 
یکی از کلاسیک‌ترین و تأثیرگذارترین کتاب‌های تاریخ شناسایی الگو که نسخه دوم آن با مباحث شبکه‌های عصبی و یادگیری ماشین به روزرسانی شده است.

💡ویژگی‌های کتاب:
-         پوشش عمیق و سیستماتیک مفاهیم بنیادین
-         توضیح واضح روش‌های کلاسیک و جدید
-         مثال‌های کارشده و مقایسه‌های دقیق بین روش‌ها
-         پایه‌ای بسیار قوی برای درک تئوری تصمیم و شناسایی الگوی آماری

📚 لینک کتاب:
https://www.wiley.com/en-us/Pattern+Classification%2C+2nd+Edition-p-9781118586006

📚 مطالعه در سایت:
https://onlinebme.com/pattern-recognition-books/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

💡آیا یادگیری عمیق برای داده‌های جدولی (Tabular Data) همیشه بهترین انتخاب است؟

✍

وقتی از Deep Learning صحبت می‌کنیم، معمولاً ذهنمان به سمت تصویر، ویدئو، صدا یا مدل‌های زبانی بزرگ می‌رود. اما بخش قابل‌توجهی از داده‌های واقعی دنیا شکل بسیار ساده‌تری دارند: داده‌های جدولی یا همان  Tabular Data. داده‌های جدولی بخش بزرگی از داده‌های واقعی دنیا را تشکیل می‌دهند. اما آیا شبکه‌های عصبی عمیق (deep neural networks) که در تصویر و زبان عالی عمل می‌کنند، برای داده جدولی هم بهترین گزینه‌اند؟ یک مقاله مروری این موضوع رو بررسی کرده است که در این پست به این موضوع میپردازیم.

📺 مشاهده ویدیو 👇
https://youtu.be/k72AIR1VjNI?is=cpk2he8fyLe84Urfp

⭕️ مطالعه در سایت👇
https://onlinebme.com/deep-learning-or-xgboost-in-tabular-data/


🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

📚 مجموعه کدهای یادگیری ماشین و شناسایی الگو

GitHub: https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch


@onlinebme

📚 مجموعه کدهای یادگیری ماشین و شناسایی الگو

در یادگیری و تدریس یادگیری ماشین همیشه برام مهم بوده که به جای اینکه فقط یاد بگیرم چطور یک الگوریتم را با یک تابع آماده اجرا کنم، ابتدا ریاضیات و منطق آن را درک کنم و حداقل یک‌بار از صفر پیاده‌سازی‌اش کنم و بعد سراغ ابزارهای آماده بروم.
این روش کمک می‌کند شناخت عمیق‌تری از الگوریتم، پارامترها و روش‌های بهینه‌سازی آن داشته باشم و در صورت نیاز، بتوانم الگوریتم را تغییر داده یا توسعه بدهم. در دوره جامع یادگیری ماشین هم همین رویکرد را دنبال کردیم که در نهایت به یک دوره ۸ فصلی و ۱۴۰ ساعته شد.

https://onlinebme.com/product-category/machine-learning

☑️حالا بخشی از کدهایی طی سالها روی پروژه‌های مختلف پیاده‌سازی کرده‌ام را در قالب یک Repository در GitHub قرار داده‌ام.

☑️این کدها نتیجه سال‌ها مطالعه و آموزش من در زمینه یادگیری ماشین و شناسایی الگو هستند و حالا سعی کرده‌ام مجموعه‌ای از پیاده‌سازی‌های انجام‌شده، به همراه پروژه‌های عملی، را در یک Repository یکجا جمع‌آوری کنم.

💡 هدفم از آماده‌کردن این Repository این بوده که پیاده‌سازی الگوریتم‌ها در کنار پروژه‌های واقعی، در یک مجموعه جامع در دسترس باشد تا بتوان از طریق کد، نحوه کار الگوریتم‌ها را بهتر درک کرد و با آن‌ها کار کرد.

🔹 Classification & Regression
Naive Bayes, Maximum Likelihood, Euclidean , Mahalanobis, KNN, WKNN, SVM, SVR
🔹 Ensemble Learning
Voting, Stacking, AdaBoost, Bootstrap Bagging
🔹 Dimensionality Reduction
PCA , LDA
🔹 Clustering
K-Means, Fuzzy C-Means , G-Means

💡 در کنار این الگوریتم‌ها، پروژه‌های عملی متنوعی هم در Repository قرار گرفته‌اند؛ از طبقه‌بندی داده‌های Iris و سرطان سینه گرفته تا پیش‌بینی کیفیت هوا، تخمین زاویه مفصل از سیگنال‌های sEMG، Spike Sorting سیگنال‌های عصبی و استخراج تومور از تصاویر پزشکی.

🔗 GitHub Repository:
https://github.com/Mohammad-Norizadeh-Cherloo/Machine-Learning-From-Scratch
📖 توضیحات و معرفی کامل‌تر:
https://onlinebme.com/machine-learning-algorithms-implemented-from-scratch/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

روش PC-ALM؛ یک رویکرد Local Learning به‌عنوان جایگزینی برای Backpropagation

@Onlinebme

🧠 آیا می‌شود شبکه‌های بسیار عمیق را بدون Backpropagation آموزش داد؟

💡 یک مقاله جالب با عنوان Augmented Lagrangian Predictive Coding (PC-ALM) به سراغ همین سؤال رفته است.

✅ روش PC-ALM؛ یک رویکرد Local Learning به‌عنوان جایگزینی برای Backpropagation

در Predictive Coding خبری از backward pass سراسری Backpropagation نیست؛ هر لایه با استفاده از prediction errorهای محلی و ارتباط با لایه‌های مجاور به‌روزرسانی می‌شود.

اما همین local بودن، در شبکه‌های عمیق یک چالش ایجاد می‌کند: سیگنال credit که از خروجی وارد می‌شود، هنگام عبور از لایه‌های متوالی می‌تواند به‌تدریج ضعیف شود و در نتیجه، آموزش شبکه‌های عمیق و باریک برای Predictive Coding معمولی دشوارتر می‌شود.

💡 ایده‌ی PC-ALM این است که با اضافه کردن Lagrange Multipliers (Dual Neurons) به این دینامیک محلی، این مشکل را برطرف کند. در نتیجه، هر لایه با یک سازوکار محلی و شبیه به PI feedback controller در فرآیند یادگیری مشارکت می‌کند.

نکته جالب اینکه نویسندگان گزارش کرده‌اند این روش می‌تواند شبکه‌هایی تا ۱۰۰۰ لایه را بدون Backpropagation آموزش دهد؛ به‌خصوص در شبکه‌های عمیق و باریک که Predictive Coding معمولی با مشکل مواجه می‌شود.

و اتفاقاً این نکته، هسته‌ی جذاب مقاله است:

روش PC-ALM نمی‌خواهد Backpropagation را بهتر کند؛ بلکه می‌خواهد نشان دهد آیا می‌توان credit assignment شبیه BP را با محاسبات کاملاً محلی انجام داد یا نه.

در حالت خطی، نویسندگان نشان می‌دهند که متغیرهای دوگان می‌توانند در حالت همگرایی، credit signalهای Backpropagation را بازسازی کنند.

💻 نکته جذاب دیگر اینکه کد رسمی مقاله هم روی GitHub منتشر شده و می‌توان روش را از نزدیک بررسی و اجرا کرد.

📄 مقاله:
https://arxiv.org/abs/2605.31022

💻 کد:
https://github.com/SakanaAI/pc-alm

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#Backpropagation
#Neuroscience
#DeepLearning

🧠 صحبت کردن با کمک ذهن | Neuralink

💡 شرکت Neuralink ویدیوی جدیدی منتشر کرده که در آن «تری» (Terry)، مردی مبتلا به ALS، با استفاده از ایمپلنت مغزی صحبت می‌کند.
او دیگر نمی‌تواند واضح حرف بزند، اما فقط با فکر کردن به کلمات، سیستم Neuralink سیگنال‌های مغزش را به صدای طبیعی تبدیل می‌کند. یکی از تأثیرگذارترین لحظات ویدیو زمانی است که او فقط با فکر کردن به همسرش می‌گوید: «دوستت دارم».

لینک ویدیواصلی:
https://www.youtube.com/watch?v=_j806JHhCRo


Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#BCI
#Neuralink

🧠 Neuralink BCI

⁉️ ابهامات و سؤالات مطرح‌شده
این لحظه در حوزه واسط مغز-کامپیوتر بسیار زیبا و احساسی هست، اما همزمان چند سؤال مهم را هم ایجاد کرده است. در همین راستا، یکی از پژوهشگران باتجربه این حوزه، ، میخائیل لبدف (Mikhail Lebedev) در پست اخیرش به ویدیوی Neuralink واکنش نشان داده.
این نقد بسیار مهم هست چرا که توسط یکی از دانشمندان پیشگام این حوزه مطرح شده است.

💁‍♂ میخائیل لبدف یکی از پژوهشگران شناخته‌شده و باتجربه در حوزهٔ رابط مغز-کامپیوتر (BCI) است. او سال‌ها در دانشگاه دوک آمریکا در کنار میگل نیکوللیس (یکی از پیشگامان این حوزه) کار کرده و آزمایشگاه نورو فیزیولوژی میمون‌ها را مدیریت می‌کرده. تمرکز کارش روی رمزگشایی سیگنال‌های مغزی برای کنترل بازوهای رباتیک و دستگاه‌های کمکی بوده است.
💡الان در روسیه (در اسکلتک و مؤسسهٔ سچنوف) به عنوان استاد و پژوهشگر ارشد فعالیت می‌کند و بیش از ۱۰۰ مقالهٔ علمی در زمینهٔ رابط مغز-ماشین منتشر کرده.
https://scholar.google.com/citations?user=cvd2xxcAAAAJ&hl=en
 

 او می‌گوید لحظهٔ احساسی و زیباست، اما چند سؤال مهم مطرح می‌کند:

1⃣ آیا این بیمار واقعاً به جراحی تهاجمی نیاز داشت؟
لبدف می‌گوید تری (Terry) مبتلا به ALS است، اما هنوز قدرت حرکت دارد و فلج کامل یا locked-in نیست. او هنوز می‌تواند از روش‌های ساده‌تر و غیرتهاجمی مثل تایپ کردن
روی گوشی و تبدیل متن به گفتار استفاده کند.
سؤال او این است: آیا برای کسی که هنوز می‌تواند حرکت کند و صحبت ناقصی داشته باشد، جراحی باز کردن جمجمه و کاشت ایمپلنت داخل مغز توجیه کافی دارد؟ یا این کار بیشتر برای نمایش فناوری انجام شده؟

2⃣ ما فقط ویدیو می‌بینیم، نه داده علمی
لبدف تأکید می‌کند که آنچه منتشر شده یک
ویدیوی احساسی و تأثیرگذار است، نه یک مقاله علمی.
هنوز هیچ دادهٔ بررسی‌شده و منتشرشده‌ای
دربارهٔ موارد زیر وجود ندارد:
   ◾️دقت سیستم در تشخیص کلمات
   ◾️میزان تأخیر بین فکر کردن و شنیده شدن صدا (ظاهراً چند ثانیه تأخیر وجود دارد)
   ◾️نرخ خطا
   ◾️عملکرد سیستم در شرایط واقعی و طولانی‌مدت

او می‌گوید Neuralink سابقهٔ تأخیر در ثبت کارآزمایی‌ها و پاسخ ندادن به سؤالات مجلات علمی معتبر را هم دارد. بنابراین این ویدیو بیشتر جنبهٔ تبلیغاتی دارد تا گزارش علمی.
3⃣ دوام و سازگاری بلندمدت ایمپلنت با مغز
یکی از مهم‌ترین نگرانی‌های علمی در حوزهٔ BCIهای تهاجمی، واکنش مغز به جسم خارجی است. مغز معمولاً بافت اسکار (glial scarring) تشکیل می‌دهد و الکترودها به مرور زمان سیگنال ضعیف‌تری ثبت می‌کنند یا
جابه‌جا می‌شوند.

لبدف می‌گوید،  Neuralink ادعا کرده پاسخ بافتی مطلوب بوده، اما بررسی‌های مستقل هنوز نگرانی‌هایی دربارهٔ جابه‌جایی الکترودها و پایداری بلندمدت مطرح می‌کنند.
اگر ایمپلنت بعد از چند ماه یا یکی دو سال عملکردش افت کند، ارزش جراحی برای بیمار
بسیار کم می‌شود.

4⃣ مسائل اخلاقی و آسیب‌پذیری بیماران
بیمارانی که در مراحل اولیهٔ این کارآزمایی‌ها شرکت می‌کنند، معمولاً در وضعیت بیماری پیشرفته و ناامیدکننده‌ای هستند. این موضوع می‌تواند باعث شود آن‌ها در فرآیند رضایت آگاهانه، بیشتر تحت
تأثیر امید و تبلیغات قرار بگیرند.

🔺در مورد تری، چون هنوز قدرت تکلم نسبی دارد و بیماری در حال پیشرفت است، لبدف سؤال تندتری مطرح می‌کند: آیا منافع احتمالی جراحی، ریسک‌هایی مثل عفونت، خونریزی، آسیب بافتی و داشتن یک وسیلهٔ دائمی در مغز را توجیه می‌کند؟




Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

#BCI
#Neuralink