أحدث الأفكار من فريق AI4S التابع لـ Fei-Fei Li: 16 تقنية مبتكرة، تغطي علم الأحياء/المواد/الرعاية الطبية/التشخيص...

منذ وقت ليس ببعيد،أصدر مركز أبحاث الذكاء الاصطناعي التابع لجامعة ستانفورد "تقرير مؤشر الذكاء الاصطناعي لعام 2024".باعتباره التحفة السابعة من مشروع ستانفورد للذكاء الاصطناعي، يتتبع هذا التقرير المكون من 502 صفحة بشكل شامل اتجاهات تطوير الذكاء الاصطناعي العالمي في عام 2023. وبالمقارنة مع السنوات السابقة، تم توسيع نطاق البحث لتغطية الاتجاهات الأساسية مثل تكنولوجيا الذكاء الاصطناعي، والتصور العام لتكنولوجيا الذكاء الاصطناعي، والديناميكيات السياسية المحيطة بتطويرها، وتم تقديم تنبؤات حول اتجاهات تطوير الذكاء الاصطناعي المستقبلية.

الجزء الأكثر لفتًا للانتباه في هذا التقرير هو الفصل المضاف حديثًا:اكتشف التأثير العميق للذكاء الاصطناعي في العلوم والطب.ويسلط التقرير الضوء على الإنجازات الرائعة للذكاء الاصطناعي في المجال العلمي في عام 2023، فضلاً عن النتائج المبتكرة المهمة التي حققها الذكاء الاصطناعي في المجال الطبي، بما في ذلك التقنيات الرائدة مثل SynthSR وImmunoSEIRA. بالإضافة إلى ذلك، يقوم التقرير أيضًا بتحليل دقيق لاتجاهات موافقة إدارة الغذاء والدواء على الأجهزة الطبية التي تعمل بالذكاء الاصطناعي، مما يوفر مرجعًا قيمًا للصناعة.

اتبع الحساب الرسمي ورد "HAI2024" لتحميل التقرير الكامل

الذكاء الاصطناعي: محرك لتسريع البحث العلمي

ويذكر تقرير مؤشر الذكاء الاصطناعي لعام 2024 أنفي عام 2023، أنتجت الصناعة 51 نموذجًا مشهورًا للتعلم الآلي، بينما ساهمت الأوساط الأكاديمية بـ 15 نموذجًا فقط. بالإضافة إلى ذلك، فإن 108 نماذج أساسية تم إصدارها حديثًا تأتي من الصناعة و28 من الأوساط الأكاديمية.

على الرغم من أن سرعة تطور الأوساط الأكاديمية أبطأ بكثير من سرعة تطور الصناعة، فمن المهم ملاحظة أن الذكاء الاصطناعي لم يُستخدم رسميًا في مجال الاكتشاف العلمي حتى عام 2022. ومن AlphaDev، الذي يعمل على تحسين كفاءة فرز الخوارزميات، إلى GNoME، الذي يُحدث ثورة في عملية اكتشاف المواد، نشهد ظهور تطبيقات ذكاء اصطناعي أكثر أهمية وارتباطًا.

لقد ازدهرت الذكاء الاصطناعي اليوم في مجالات مثل علم المواد، وتغير المناخ، وعلوم الكمبيوتر. ولحسن الحظ أن الصين تأخذ زمام المبادرة في هذه الجولة من التغيير.ووفقا لتقرير "خريطة أبحاث الذكاء الاصطناعي في الصين للابتكار العلمي" الذي أعده المعهد الصيني للمعلومات العلمية والتكنولوجية ومركز أبحاث تطوير الذكاء الاصطناعي للجيل القادم التابع لوزارة العلوم والتكنولوجيا، تحتل بلادي المرتبة الأولى في عدد الأوراق المنشورة في الأبحاث العلمية المدفوعة بالذكاء الاصطناعي، وتزداد برمجيات البحث العلمي الأساسية للذكاء الاصطناعي المنتجة محليا نضجا، مما يوفر للباحثين مجموعات بيانات غنية ونماذج أساسية وأدوات متخصصة.

وبشكل عام، فإن تطبيق الذكاء الاصطناعي في المجال العلمي متنوع ويساهم في تطوير وتقدم العلوم بسرعة غير مسبوقة. ولكن تجدر الإشارة إلى أنه في المرحلة الحالية من تطوير الذكاء الاصطناعي للعلوم،وقد تم الكشف تدريجيا عن مشاكل مثل نقص المواهب الشاملة، وصعوبة إعادة استخدام الحلول التقنية، وضعف جودة بيانات البحث في التخصصات الرأسية.

على سبيل المثال، في المناقشة المحيطة بـ "هل ينبغي لمواهب الذكاء الاصطناعي الانخراط في البحث العلمي أو هل ينبغي لمواهب البحث العلمي تعلم الذكاء الاصطناعي"، برز الباحثون الذين يتمتعون بخلفيات معرفية متعددة التخصصات. إنهم لا يتمتعون برؤى عميقة في مجالات أبحاثهم العلمية فحسب، بل إنهم قادرون أيضًا على إتقان أدوات وتقنيات الذكاء الاصطناعي المختلفة بسرعة. ومع ذلك، فمن الممكن تصور ندرتها، وتنمية المواهب الشاملة ليست شيئاً يمكن تحقيقه بين عشية وضحاها. ومن ثم، فإن كيفية بناء جسر اتصال سريع بين الذكاء الاصطناعي والبحث العلمي تشكل قضية مهمة تتعلق بالترويج واسع النطاق للذكاء الاصطناعي من أجل العلوم.

وفي الوقت نفسه، ليست هناك حاجة إلى التوسع في الحديث عن المجالات الغنية التي يغطيها البحث العلمي. قد تكون لدى مجموعات البحث المختلفة احتياجات مختلفة لأدوات الذكاء الاصطناعي بسبب اتجاهات البحث المختلفة قليلاً. عندما يكون من الصعب على كل فريق أن يضم باحثين ذوي خلفيات متعددة التخصصات، فإن خفض عتبة استخدام أدوات الذكاء الاصطناعي وتبسيط عملية ضبط النموذج قد يكون قادرًا أيضًا على تسريع تعزيز الذكاء الاصطناعي في مجال البحث العلمي إلى حد ما.

تسريع التحديثات والتكرار الذاتي وتقدم التكنولوجيا

لقد أدى التقدم في تكنولوجيا الذكاء الاصطناعي إلى تعزيز اتساع وعمق تطبيقاتها، في حين وضع في الوقت نفسه مطالب أعلى بشكل متزايد على الخوارزميات. في الوقت الحالي، وصلت معظم الخوارزميات إلى مرحلة حيث أصبح من الصعب الاعتماد على الخبراء البشريين لمزيد من تحسينها، مما يؤدي إلى تفاقم مستمر للاختناقات الحسابية. ومع ذلك، لم يتوقف العلماء أبدًا عن استكشاف مجال الخوارزميات.

ألفا ديف
إعادة إنتاج ضربة AlphaGo الرئيسية

خوارزمية الفرز هي أداة أساسية تستخدمها أنظمة الكمبيوتر لترتيب عناصر البيانات حسب الترتيب. ولتحقيق اختراقات مبتكرة في هذا المجال، اتبعت شركة Google DeepMind نهجًا مبتكرًا واستكشفت مجال تعليمات تجميع الكمبيوتر الذي لم تتم دراسته بشكل كافٍ.من خلال نظام AlphaDev، يمكن لـ DeepMind العثور على خوارزميات فرز أكثر كفاءة مباشرة من مستوى تعليمات تجميع وحدة المعالجة المركزية.

يتكون نظام AlphaDev من عنصرين أساسيين: خوارزمية التعلم ووظيفة التمثيل.

خوارزمية التعلم هي امتداد لخوارزمية AlphaZero المتقدمة، وهي تجمع بين التعلم التعزيزي العميق (DRL) وخوارزميات تحسين البحث العشوائي لأداء مهام البحث عن التعليمات واسعة النطاق؛ تعتمد وظيفة التمثيل على بنية المحول، والتي يمكنها التقاط البنية الأساسية للغة التجميع وتحويلها إلى تمثيل تسلسلي خاص.

باستخدام نظام AlphaDev،نجحت شركة DeepMind في اكتشاف خوارزميات فرز التسلسلات القصيرة ذات الطول الثابت، وهي Sort 3 وSort 4 وSort 5، والتي تتفوق على الخوارزميات المضبوطة يدويًا الحالية، كما قامت بدمج الكود ذي الصلة في مكتبة C++ القياسية LLVM.على وجه الخصوص، في اكتشاف خوارزمية الفرز 3، اتخذ AlphaDev نهجًا يبدو غير بديهي ولكنه في الواقع كان اختصارًا، يذكرنا بـ "الحركة 37" التي استخدمها AlphaGo في مباراته ضد لاعب Go الأسطوري Lee Sedol - وهي استراتيجية غير متوقعة أدت في النهاية إلى النصر.

لا تقتصر تطبيقات AlphaDev على خوارزميات الفرز. قامت DeepMind بتعميم طريقتها وطبقتها أيضًا على خوارزميات التجزئة في نطاق من 9 إلى 16 بايت، محققة زيادة كبيرة في السرعة بمقدار 30%. يوضح هذا أن AlphaDev يتمتع بإمكانات واسعة وقيمة تطبيقية في تحسين مهام الحوسبة الأساسية.

رابط الورقة:

https://www.nature.com/articles/s41586-023-06004-9

مكعبات مرنة
إنشاء نماذج ثلاثية الأبعاد عالية الجودة باستخدام الذكاء الاصطناعي

من إعادة بناء المشهد إلى مسارات الذكاء الاصطناعي التوليدية، حقق الجيل الجديد من نماذج الذكاء الاصطناعي نجاحًا ملحوظًا في إنشاء نماذج ثلاثية الأبعاد واقعية ومفصلة. نظرًا لأن هذه النماذج يتم إنشاؤها عادةً على شكل شبكات مثلثة قياسية، فإن جودة الشبكة أمر بالغ الأهمية. تحقيقا لهذه الغاية،قام باحثو Nvidia بتطوير طريقة جديدة لإنشاء الشبكة، FlexiCubes، والتي تعمل على تحسين جودة الشبكة بشكل كبير في خط أنابيب إنشاء الشبكة ثلاثية الأبعاد ويمكن دمجها مع محرك الفيزياء لإنشاء كائنات مرنة بسهولة في النماذج ثلاثية الأبعاد.

الفكرة الرئيسية لـ FlexiCubes هي تقديم معلمات "مرنة" تسمح بإجراء تعديلات دقيقة في عملية إنشاء الشبكة.من خلال تحديث هذه المعلمات أثناء عملية التحسين، يتم تحسين جودة الشبكة بشكل كبير. يضع هذا النهج FlexiCubes في تناقض صارخ مع خطوط الأنابيب التقليدية القائمة على الشبكة مثل خوارزمية Marching Cubes المستخدمة على نطاق واسع، مما يسمح لها باستبدال خطوط أنابيب الذكاء الاصطناعي القائمة على التحسين بسلاسة.

تتميز الشبكات عالية الجودة التي تم إنشاؤها بواسطة FlexiCubes بقدرتها على تمثيل التفاصيل المعقدة، مما يعزز الواقعية الشاملة ودقة النماذج ثلاثية الأبعاد التي تم إنشاؤها بواسطة الذكاء الاصطناعي. تُعد هذه الشبكات مفيدة بشكل خاص لمحاكاة الفيزياء، في مجالات مثل التصوير الضوئي والذكاء الاصطناعي التوليدي، مما يجعل من الممكن لأنابيب الذكاء الاصطناعي تقديم التفاصيل بدقة في الأشكال المعقدة.

رابط الورقة:

https://research.nvidia.com/labs/toronto-ai/flexicubes

تسريع عملية الإبداع وتحسين الكفاءة بما يتجاوز الجهد البشري

سينبوت
روبوت كيميائي يعمل بالذكاء الاصطناعي

في أعماق المختبرات الكيميائية، تحدث ثورة بهدوء - لم يعد تركيب المركبات العضوية عملية بطيئة ومملة، بل يتم تسريعها إلى حقيقة من خلال سحر الأتمتة.ويقع في قلب هذا التحول الروبوت Synbot، وهو روبوت صناعي مستقل ابتكره علماء في شركة سامسونج للإلكترونيات.

على وجه التحديد، يتكون Synbot من ثلاث طبقات:

* طبقة AI S/W:قيادة عملية التخطيط الشاملة، مع تزويدها بوحدات التجميع الرجعي، ووحدات التصميم التجريبي والتحسين، واستخدام وحدات اتخاذ القرار لتوجيه الاتجاه التجريبي؛

* طبقة برامج الروبوت:المسؤول عن تحويلها إلى أوامر قابلة للتنفيذ للروبوت من خلال وحدة إنشاء الوصفات ووحدة الترجمة؛* طبقة الروبوت:تحت إشراف وحدة الجدولة عبر الإنترنت، يتم تقسيم الوظائف المختلفة لمختبر التوليف إلى وحدات ويتم تنفيذ الوصفات المخطط لها بشكل منهجي، وتحديث قاعدة البيانات باستمرار حتى يتم تحقيق الأهداف المحددة مسبقًا.

تظهر الأبحاث أنيمكن لـSynbot إجراء ما معدله 12 رد فعل في 24 ساعة. بافتراض أن الباحث البشري قادر على إجراء تجربتين من هذا القبيل يوميًا، فإن Synbot أكثر كفاءة من نظرائه البشريين بستة أضعاف على الأقل.مع إضافة Synbot، أصبح العلماء أحرارًا من العمليات المرهقة ويمكنهم تخصيص المزيد من الطاقة للابتكار والاستكشاف.

رابط الورقة:

https://www.science.org/doi/full/10.1126/sciadv.adj0461

جنوم
إعادة اختراع عملية اكتشاف المواد

نشرت شركة Google DeepMind مقالة في مجلة Nature تقول فيها،تمكنت أداة الذكاء الاصطناعي GNoME (شبكات الرسوم البيانية لاستكشاف المواد) المعتمدة على استكشاف المواد من اكتشاف 2.2 مليون تنبؤ جديد بالبلورات (ما يعادل ما يقرب من 800 عام من المعرفة التي تراكمت لدى العلماء البشريين)، منها 380 ألف بنية بلورية مستقرة.ومن المأمول أن تتمكن بعض المواد، من خلال التركيب التجريبي، من إحداث تغييرات تكنولوجية، مثل الجيل القادم من البطاريات والموصلات الفائقة.

GNoME هو نموذج شبكة عصبية بيانية متقدمة (GNN). وتأتي بيانات الإدخال بشكل أساسي في شكل رسوم بيانية، تشكل روابط مماثلة لتلك الموجودة بين الذرات، مما يسهل أيضًا على GNoME اكتشاف مواد بلورية جديدة. يُقال إن GNoME يمكنه التنبؤ ببنية البلورات المستقرة الجديدة، ثم اختبارها من خلال DFT (نظرية الكثافة الوظيفية)، وإدخال بيانات التدريب عالية الجودة الناتجة مرة أخرى في تدريب النموذج.

في هذه المرحلة،وسيعمل النموذج الجديد على زيادة دقة التنبؤ باستقرار المواد من حوالي 50% إلى 80%، ومعدل اكتشاف المواد الجديدة من أقل من 10% إلى أكثر من 80%.(انقر للاطلاع على التقرير الكامل: هل يتقدم البشر بـ 800 عام؟ أطلقت DeepMind برنامج GNoME، مستخدمةً التعلم العميق للتنبؤ بـ 2.2 مليون بلورة جديدة)

تسريع التغيير والتعامل بهدوء مع "وحيد القرن الرمادي" في البيئة الإيكولوجية

جراف كاست
إنتاج توقعات الطقس العالمية الأكثر دقة

GraphCast، الذي أصدرته شركة Google DeepMind، هو نظام للتنبؤ بالطقس يعتمد على التعلم الآلي والشبكات العصبية الرسومية (GNNs). ويستخدم هذا النظام تكوين "الترميز-المعالجة-فك التشفير"، ويحتوي على إجمالي 36.7 مليون معلمة، ويمكنه إجراء تنبؤات بدقة عالية تبلغ 0.25 درجة طول/خط عرض (28 كم × 28 كم عند خط الاستواء).يغطي النطاق كامل سطح الأرض. في كل نقطة من نقاط الشبكة، يتنبأ النموذج بخمسة متغيرات لسطح الأرض (بما في ذلك درجة الحرارة، وسرعة الرياح، واتجاه الرياح، ومتوسط ضغط مستوى سطح البحر، وما إلى ذلك)، بالإضافة إلى ستة متغيرات جوية بما في ذلك الرطوبة المحددة، وسرعة الرياح، واتجاه الرياح، ودرجة الحرارة على 37 ارتفاعًا مختلفًا.

في الاختبار الأساسي الشامل،بالمقارنة مع HRES (التوقعات عالية الدقة)، توفر GraphCast توقعات أكثر دقة لحوالي 90% من أصل 1380 متغيرًا تم اختبارها.وبحسب التحليل المقارن، يمكن لـ GraphCast أيضًا تحديد الأحداث الجوية القاسية في وقت أبكر من نماذج التنبؤ التقليدية. (انقر هنا للحصول على التقرير الكامل: مركز العواصف البردية يجمع البيانات، والنماذج الكبيرة تدعم توقعات الطقس المتطرفة، و"مطاردو العواصف" على المسرح)

التنبؤ بالفيضانات
الذكاء الاصطناعي يُحدث تحولاً في التنبؤ بالفيضانات

في عام 2018، أطلقت Google مبادرة Google للتنبؤ بالفيضانات، باستخدام الذكاء الاصطناعي وقوة الحوسبة القوية لإنشاء نماذج أفضل للتنبؤ بالفيضانات والتعاون مع الحكومات في بلدان متعددة. في عام 2023،قام فريق بحثي من جوجل بتطوير نموذج للتنبؤ بالأنهار يعتمد على التعلم الآلي والذي يمكنه التنبؤ بالفيضانات بشكل موثوق قبل خمسة أيام من حدوثها. وعند التنبؤ بأحداث الفيضانات التي تحدث مرة واحدة كل خمس سنوات، فإن أداءها أفضل من أو يعادل التنبؤ الحالي بأحداث الفيضانات التي تحدث مرة واحدة في السنة. يمكن للنظام تغطية أكثر من 80 دولة.

قامت هذه الدراسة ببناء نموذج متقدم للتنبؤ بالنهر من خلال اعتماد تطبيق شبكتين للذاكرة الطويلة والقصيرة المدى (LSTM).يعتمد الهيكل الأساسي للنموذج على إطار عمل المشفر وفك التشفير.على وجه التحديد، وحدة Hindcast LSTM مسؤولة عن معالجة البيانات الجوية التاريخية، في حين تقوم وحدة Forecast LSTM بمعالجة البيانات الجوية المتوقعة. إن مخرجات النموذج هي معلمات توزيع الاحتمالات لكل نقطة زمنية للتنبؤ، والتي يمكن أن توفر تنبؤًا احتماليًا لتدفق نهر معين في نقطة زمنية محددة.

وأظهرت نتائج الدراسة أنويتفوق هذا النموذج على نظام النمذجة العالمي الرائد الحالي، وهو نظام التوعية بالفيضانات العالمي (GloFAS) التابع لخدمة إدارة الطوارئ في كوبرنيكوس.ويؤكد هذا الاكتشاف إمكانات وموثوقية النموذج المقترح في مجال التنبؤ بالأنهار ويوفر وسيلة تقنية جديدة للتحذير من الفيضانات وإدارة موارد المياه. (انقر هنا لمشاهدة التقرير الكامل: تم نشر نموذج جوجل للتنبؤ بالفيضانات في مجلة Nature مرة أخرى، متفوقًا على النظام رقم 1 في العالم ويغطي أكثر من 80 دولة)

الذكاء الاصطناعي: قيادة عصر جديد في الطب

يُظهر "تقرير مؤشر الذكاء الاصطناعي لعام 2024" أن تقنية الذكاء الاصطناعي حققت نتائج في العديد من المجالات مثل التصوير الطبي والأسئلة والأجوبة الطبية والتشخيص الطبي وما إلى ذلك. في الواقع، فإن تطبيق الذكاء الاصطناعي في مجال الصحة الطبية معروف منذ فترة طويلة للناس. من خلال خوارزميات التعلم الآلي، تتمكن الذكاء الاصطناعي من تحليل كميات كبيرة من البيانات الطبية ومساعدة الأطباء في تشخيص الأمراض بدقة أكبر. على سبيل المثال، في الكشف عن السرطان، يمكن للذكاء الاصطناعي تحديد التشوهات الدقيقة في الصور الطبية، وبالتالي تحسين معدل نجاح التشخيص المبكر.

بالإضافة إلى ذلك، يلعب الذكاء الاصطناعي أيضًا دورًا مهمًا في تطوير الأدوية.من ناحية،لقد ساهم الذكاء الاصطناعي في تعميق فهمنا لأهداف الأدوية وتخليق المركبات، وتحسين خطوات اكتشاف الأدوية، وزيادة فرص إطلاق أدوية جديدة ناجحة بشكل كبير.على الجانب الآخر،يتم استخدام تقنية الذكاء الاصطناعي لتقصير دورة تطوير الأدوية الجديدة، وتوفير التكاليف، وتحسين كفاءة تطوير الأدوية والقدرة التنافسية للشركات بشكل كبير.

ومن الجدير بالذكر أن "تقرير مؤشر الذكاء الاصطناعي 2024" يلخص أيضًا الأجهزة الطبية المرتبطة بالذكاء الاصطناعي، ويستمر عدد الموافقات على الأجهزة الطبية المرتبطة بالذكاء الاصطناعي من قبل إدارة الغذاء والدواء الأمريكية (FDA) في الارتفاع. في عام 2022، وافقت إدارة الغذاء والدواء على 139 جهازًا طبيًا مرتبطًا بالذكاء الاصطناعي، بزيادة قدرها 12.1% عن العام السابق. لقد زاد هذا العدد أكثر من 45 مرة منذ عام 2012، مما يدل على الاستخدام الواسع النطاق للذكاء الاصطناعي في التطبيقات الطبية في العالم الحقيقي.

على الرغم من أن تطبيق تكنولوجيا الذكاء الاصطناعي في الرعاية الطبية الفعلية قد جلب العديد من الفرص، إلا أنه يواجه أيضًا سلسلة من التحديات التي تحتاج إلى معالجة، مثل القضايا الأخلاقية المتعلقة بالذكاء الاصطناعي، وحماية خصوصية البيانات، والاختناقات الفنية، والإشراف والمساءلة، والتعاون بين التخصصات المتعددة، والتطبيق السريري. بخاصة،أإن طبيعة "الصندوق الأسود" لنموذج I تجعل عملية اتخاذ القرار صعبة التفسير، وهو ما يشكل تحديًا كبيرًا للتشخيص الطبي الذي يتطلب درجة عالية من الشفافية وإمكانية التتبع.إن عدم القدرة على التفسير قد يؤثر على ثقة الأطباء في نتائج التشخيص بمساعدة الذكاء الاصطناعي.

ولذلك، بالإضافة إلى التكرار التكنولوجي، فإن كيفية ملء الثغرات في السياسات والمعايير والإشراف والأمن وما إلى ذلك، وكيفية كسر خصائص "الصندوق الأسود" في حد ذاتها لا تزال تتطلب من الحكومة والشركات ذات الصلة الترويج المشترك للحلول.

التصوير الطبي: توفير حلول أكثر شمولاً وعمقًا

أصبح تطبيق تكنولوجيا الذكاء الاصطناعي في مجال التصوير الطبي أكثر تنوعًا وعمقًا. من مساعدة التشخيص إلى تحسين سير العمل إلى تعزيز الطب الشخصي، أصبحت الذكاء الاصطناعي أداة لا غنى عنها في مجال التصوير الطبي.

سينث إس آر
تحويل الصور عالية الدقة وإصلاح الآفات

تم تطوير SynthSR بواسطة مختبر علوم الكمبيوتر والذكاء الاصطناعي التابع لمعهد ماساتشوستس للتكنولوجيا، ويقوم بتدريب شبكة عصبية ملتوية فائقة الدقة (CNN) باستخدام مجموعة بيانات مفتوحة المصدر من عمليات مسح التصوير بالرنين المغناطيسي عالية المجال المتساوية الخواص مقاس 1 مم وتجزئة دقيقة لـ 39 منطقة ذات أهمية (ROIs) داخل الدماغ.تركز التكنولوجيا على تسلسلات التصوير بالرنين المغناطيسي للدماغ T1 وT2 ذات المجال المنخفض (0.064-T)، مع استخدام تكنولوجيا الاستحواذ على صدى التدرج السريع المُعد بالمغناطيس (MPRAGE)، بهدف إنتاج صور عالية الجودة بدقة مكانية متساوية الخواص تبلغ 1 مم.

الميزات المتقدمة لبرنامج SynthSR هي:يمكنه تحويل بيانات مسح التصوير بالرنين المغناطيسي السريري من اتجاهات ودقة وتباينات مختلفة إلى صور MPRAGE متساوية الخواص بحجم 1 مم، وإصلاح الآفات في هذه العملية.

يمكن تطبيق صور MPRAGE الاصطناعية المحولة مباشرة على أدوات تحليل صور الرنين المغناطيسي ثلاثية الأبعاد الموجودة في الدماغ، مثل تسجيل الصور أو تقسيمها.لا يتطلب أي تدريب إضافي.بالإضافة إلى ذلك، من خلال مقارنة بيانات قياس حجم الدماغ للصور الاصطناعية مع صور حقيقية ذات قوة مجال عالية، أكدت الدراسة بشكل أكبر إمكانات تطبيق LF-SynthSR في مجال الأشعة العصبية الكمية.

رابط الورقة:

http://arxiv.org/pdf/2012.13340v1.pdf

سي تي باندا
الفحص المبكر لسرطان البنكرياس

ونظرًا للموقع الخفي لسرطان البنكرياس وعدم وجود مظاهر واضحة في صور الأشعة المقطعية البسيطة،استخدمت أكاديمية علي بابا دامو، بالتعاون مع فرق بحثية من أكثر من اثنتي عشرة مؤسسة طبية حول العالم، الذكاء الاصطناعي لفحص سرطان البنكرياس لدى الأشخاص الذين لا تظهر عليهم أعراض، وبناء إطار عمل فريد للتعلم العميق، وفي النهاية تدريب نموذج باندا للكشف المبكر عن سرطان البنكرياس.

نموذج PANDA هو أداة متقدمة لتحليل الصور الطبية تجمع بين تقنيات التعلم العميق المتعددة لتحسين كفاءة ودقة اكتشاف آفات البنكرياس. يستخدم النموذج أولاً شبكة تقسيم (U-Net) لتحديد موقع منطقة البنكرياس بدقة، ثم يستخدم شبكة عصبية ملتوية متعددة المهام (CNN) لتحديد التشوهات في الصورة. وأخيرا، تم استخدام نموذج المحول ثنائي القناة لتصنيف التشوهات المكتشفة وتحديد أنواع الآفات البنكرياسية المحددة.

الميزة الأساسية لهذه التقنية هي أنها يمكن أن تستخدم خوارزميات الذكاء الاصطناعي لتكبير وتحديد ملامح الآفات الصغيرة في صور الأشعة المقطعية العادية التي يصعب تحديدها بالعين المجردة.وهذا لا يحقق الكشف الفعال والآمن عن سرطان البنكرياس المبكر فحسب، بل يحل أيضًا بشكل فعال مشكلة معدل النتائج الإيجابية الكاذبة المرتفع في طرق الفحص السابقة.

وفي اختبار التحقق، كانت حساسية PANDA أعلى بمقدار 34.1% من حساسية أخصائيي الأشعة العاديين، وكانت خصوصيتها أعلى بمقدار 6.3% من حساسية أخصائيي الأشعة العاديين.وفي اختبار واقعي واسع النطاق شمل ما يقرب من 20 ألف مريض، حقق PANDA حساسية بلغت 92.9% وخصوصية بلغت 99.9%.(انقر هنا لعرض التقرير الكامل: تم تحديد 31 تشخيصًا خاطئًا من بين 20 ألف حالة، وكانت أكاديمية علي بابا دامو رائدة في إصدار "مسح مقطعي محوسب عادي + نموذج كبير" لفحص سرطان البنكرياس)

التشخيص الطبي: تطوير خطط تشخيص وعلاج دقيقة وشخصية

من تحسين كفاءة التشخيص ودقته إلى توفير خطط علاجية مخصصة، تتمتع تقنية الذكاء الاصطناعي بإمكانيات كبيرة في مجال التشخيص الطبي، مما يساعد على تحسين جودة الخدمات الطبية وتجربة المريض.

أجهزة استشعار الأشعة تحت الحمراء البلازمية المقترنة
تمكين تشخيص الأمراض العصبية التنكسية

في مجال تشخيص الأمراض العصبية التنكسية، أدى الافتقار إلى أدوات فعالة للكشف عن المؤشرات الحيوية قبل السريرية إلى جعل التشخيص المبكر لأمراض مثل متلازمة باركنسون ومرض الزهايمر يواجه تحديات كبيرة. في حين أن طرق الكشف التقليدية، مثل مطيافية الكتلة واختبار الممتز المناعي المرتبط بالإنزيم (ELISA)، تساعد إلى حد ما، إلا أنها محدودة في تحديد التغيرات في الحالة البنيوية للعلامات الحيوية.

ولمعالجة هذه المشكلة،نجح فريق بحثي من المعهد الفيدرالي السويسري للتكنولوجيا في لوزان في تطوير طريقة تشخيصية مبتكرة تجمع بين تكنولوجيا الشبكة العصبية وأجهزة استشعار الأشعة تحت الحمراء البلازمية باستخدام مطيافية امتصاص الأشعة تحت الحمراء المعززة بالسطح (SEIRA)، وتكنولوجيا المناعة (ImmunoSEIRA) لتمكين التحليل الكمي لمرحلة وتقدم الأمراض العصبية التنكسية.

يستخدم مستشعر ImmunoSEIRA مجموعة من قضبان النانو الذهبية المعدلة بأجسام مضادة تستهدف بروتينات محددة، والتي يمكنها التقاط المؤشرات الحيوية المستهدفة من كميات صغيرة للغاية من العينة في الوقت الفعلي وإجراء تحليل هيكلي عليها. وقد تم بعد ذلك استخدام الشبكات العصبية لتحديد البروتينات المشوهة، والأوليغومرات، وتجمعات الألياف، مما أدى إلى تحقيق مستويات غير مسبوقة من دقة الكشف. إن إدخال هذه الطريقة يوفر وسيلة تقنية جديدة للتشخيص المبكر والتقييم الدقيق للأمراض العصبية التنكسية.

كودوك
التكامل المنطقي بين الذكاء الاصطناعي وتشخيص الأطباء

قامت شركة Google DeepMind بتطوير نظام ذكاء اصطناعي للمساعدة الطبية يسمى CoDoC، والذي تم تصميمه لتوفير تفسير وتحليل متعمق للصور الطبية. ومن خلال التعلم، يستطيع النظام أن يقرر متى يعتمد على حكمه الخاص ومتى يتبنى آراء الطبيب.

وعلى وجه التحديد، استكشف فريق DeepMind سيناريوهات تطبيقية مختلفة يستخدم فيها الأطباء أدوات الذكاء الاصطناعي للمساعدة في تفسير الصور الطبية. بالنسبة لأي حالة نظرية في بيئة سريرية، يتطلب نظام CoDoC ثلاثة مدخلات فقط لكل حالة في مجموعة بيانات التدريب:* أولاً،درجة الثقة لمخرجات الذكاء الاصطناعي المتوقعة، والتي تتراوح من 0 (لا يوجد مرض بالتأكيد) إلى 1 (مرض بالتأكيد)؛* ثانيًا،تفسير الأطباء للصور الطبية؛

* أخيرا،الوجود الموضوعي للمرض.

ومن الجدير بالذكر أنلا يتطلب نظام CoDoC الوصول المباشر إلى الصور الطبية نفسها.

بالإضافة إلى ذلك، أجرت DeepMind اختبارات شاملة على نظام CoDoC باستخدام مجموعات بيانات تاريخية متعددة مجهولة الهوية في العالم الحقيقي. وتظهر نتائج الاختبار أن الجمع بين الخبرة الطبية البشرية وتوقعات نموذج الذكاء الاصطناعي يمكن أن يوفر التشخيص الأكثر دقة.دقتها تتجاوز ما يمكن تحقيقه باستخدام أي من الطريقتين بمفردها.تسلط هذه النتيجة الضوء على أهمية عمل الذكاء الاصطناعي بالتعاون مع الخبراء البشريين وتوفر وجهات نظر جديدة لتحسين دقة وموثوقية تشخيصات التصوير الطبي.

الأسئلة والأجوبة الطبية: تحسين دقة التشخيص، وتحسين خطط العلاج، وتعزيز تجربة خدمة المرضى

في عام 2020، اقترح الباحثون نظام MedQA للإجابة على الأسئلة الطبية القائمة على الرسم البياني للمعرفة، والذي يستخدم الرسوم البيانية للمعرفة لتمثيل وتخزين البيانات المنظمة وشبه المنظمة في المجال الطبي، ثم يقوم باسترجاع أو توليد الإجابات من الرسم البياني للمعرفة من خلال البحث في الرسم البياني أو الاستدلال أو تقنيات المطابقة. منذ إصدار MedQA، حظيت قدرة الذكاء الاصطناعي على الإجابة على الأسئلة الطبية باهتمام واسع النطاق.

GPT-4 Medprompt
الدقة تتجاوز 90%

لقد تجاوز برنامج GPT-4 Medprompt الذي طوره فريق البحث في Microsoft دقة برنامج 90% لأول مرة في مجموعة بيانات MedQA (أسئلة امتحان الترخيص الطبي الأمريكي).يتفوق على عدد من طرق الضبط الدقيق مثل BioGPT وMed-PaLM. وقال الباحثون أيضًا إن طريقة Medprompt عالمية وقابلة للتطبيق ليس فقط في مجال الطب، بل أيضًا في المهن مثل الهندسة الكهربائية، والتعلم الآلي، والقانون.

Medprompt عبارة عن مزيج من استراتيجيات التحفيز المتعددة، بما في ذلك:* اختيار ديناميكي لعدد قليل من العينات:استخدم الباحثون في البداية نموذج text-embedding-ada-002 لتوليد تمثيلات متجهية لكل عينة تدريب وعينة اختبار. ثم، بالنسبة لكل عينة اختبار، يتم اختيار العينات الأكثر تشابهًا من عينات التدريب استنادًا إلى تشابه المتجه.* سلسلة فكرية ذاتية التوليد:طريقة سلسلة الأفكار (CoT) هي السماح للنموذج بالتفكير خطوة بخطوة وإنشاء سلسلة من خطوات التفكير الوسيطة. بالمقارنة مع أمثلة سلسلة الأفكار التي تم إنشاؤها يدويًا بواسطة الخبراء في نموذج Med-PaLM 2، فإن مبررات سلسلة الأفكار التي تم إنشاؤها بواسطة GPT-4 أطول ومنطق التفكير خطوة بخطوة أكثر دقة.

* دمج خيار الخلط:عندما يجيب GPT-4 على أسئلة الاختيار من متعدد، قد يكون هناك تحيز، أي أنه بغض النظر عن الخيارات، فإنه يميل دائمًا إلى اختيار A، أو اختيار B دائمًا. وهذا هو تحيز الموضع. لتقليل هذه المشكلة، اختار الباحثون خلط الترتيب الأصلي للخيارات ثم السماح لـ GPT-4 بإجراء جولات متعددة من التوقعات، باستخدام ترتيب مختلف للخيارات في كل جولة.

وأظهرت الدراسة أن Medprompt تفوق على Flan-PaLM 540B المصنف الأول في عام 2022 بنسبة 3.0 و21.5 و16.2 نقطة مئوية في أقسام الاختيار من متعدد في العديد من اختبارات المعايير الطبية المعروفة، بما في ذلك PubMedQA وMedMCQA وMMLU، على التوالي. كما تفوق أداؤه على جهاز Med-PaLM 2 الأكثر تقدمًا في ذلك الوقت.

ميديترون-70 ب
أفضل نموذج لغوي مفتوح المصدر واسع النطاق للرعاية الصحية

نظرًا لأن GPT-4 Medprompt هو نظام مغلق المصدر، فإن استخدامه المجاني بين عامة الناس محدود. لحل هذه المشكلة،قام باحثون في المعهد الفيدرالي السويسري للتكنولوجيا في لوزان بتطوير MediTron-70B استنادًا إلى هذا النظام، بهدف توفيرنموذج لغوي مفتوح المصدر وعالي الأداء وواسع النطاق للمجال الطبي.

MediTron هي خوارزمية التعلم العميق.تم بناؤه على بنية Llama 2 وتم ضبطه باستخدام المدرب الموزع Megatron-LM من Nvidia،وفي الوقت نفسه، تم إجراء تدريب مسبق موسع على مجموعة شاملة من الأدلة الطبية. تتكون هذه المجموعة من مجموعة مختارة بعناية من المقالات والملخصات والمبادئ التوجيهية الطبية المعترف بها دوليًا من PubMed.

تتضمن سلسلة MediTron نموذجين: MediTron-7B و MediTron-70B. في،لقد تجاوز أداء MediTron-70B أداء GPT-3.5 وMed-PaLM، وهو قريب من مستوى GPT-4 وMed-PaLM-2.

لتعزيز تطوير برامج الماجستير في القانون الطبي مفتوحة المصدر، قام فريق التطوير بنشر مجموعة التدريب الطبي المسبق التي يستخدمها ورمز الوزن لنموذج MediTron. حصل MediTron-70B على أعلى الدرجات بين نماذج المصدر المفتوح على MedQA، وهو إنجاز يمثل تقدماً مهماً في مجال برامج الماجستير في القانون الطبي مفتوح المصدر.

رابط الورقة:

https://arxiv.org/pdf/2311.16079.pdf

ميدالاين
تخفيف عبء إدارة الرعاية الصحية

إن مجموعات البيانات الحالية للإجابة على أسئلة السجلات الصحية الإلكترونية (EHR) لمهام إنشاء النصوص في مجال الرعاية الصحية لا تعكس بشكل كافٍ التعقيد الذي يواجهه الأطباء في تحليل احتياجات المعلومات ومعالجة المستندات.

ولسد هذه الفجوة، أطلق فريق مكون من 15 طبيبًا من مجالات خبرة مختلفة MedAlign - مجموعة بيانات مرجعية تعتمد على بيانات السجلات الصحية الإلكترونية. تحتوي مجموعة البيانات على 983 سؤالاً سريريًا من العالم الحقيقي وتعليماتها، بالإضافة إلى إجابات قدمها 303 من الأطباء، وتم إنشاء أزواج التعليمات والاستجابة من خلال تحليل 276 بيانات من السجلات الصحية الإلكترونية الطولية.

لا يعالج هذا العمل الافتقار إلى معيار تقييمي لمدى جدوى برامج الماجستير في القانون في المهام السريرية المعقدة فحسب، بل يعزز أيضًا التقدم البحثي في مجال توليد اللغة الطبيعية في مجال الرعاية الصحية من خلال توفير مجموعة بيانات واقعية وشاملة للاستجابة للأوامر.

في مجموعة بيانات MedAlign، اختبر الباحثون ستة نماذج لغوية كبيرة من مجالات عامة مختلفة وقاموا بتقييم دقة وجودة الاستجابات التي يولدها كل نموذج كبير من قبل الأطباء.

وتظهر النتائج أنحقق متغير نموذج GPT-4 الذي خضع للتحسين متعدد الخطوات دقة تبلغ 65.0%، وهو ما يفضله عمومًا على نماذج LLM الأخرى. باعتبارها أول مجموعة بيانات مرجعية تغطي تطبيقات السجلات الصحية الإلكترونية على نطاق واسع، تمثل MedAlign خطوة مهمة إلى الأمام في استخدام تكنولوجيا الذكاء الاصطناعي لتقليل العبء الإداري للرعاية الصحية.

رابط الورقة:

https://arxiv.org/pdf/2308.14089.pdf

البحث الطبي: استخدام الذكاء الاصطناعي لبناء أقوى خط دفاع لصحة الإنسان

مع التقدم المستمر للتكنولوجيا، أصبح تطبيق تكنولوجيا الذكاء الاصطناعي في مجال البحث الطبي أكثر شمولاً وعمقًا. واليوم، يستغل العلماء قوة الذكاء الاصطناعي لاستكشاف شفرة الجينات البشرية بشكل عميق واستخدام الذكاء الاصطناعي لمساعدتنا في بناء خط دفاع طبي قوي.

ألفاميسنس
التعرف بشكل فعال على الطفرات الخاطئة المسببة للأمراض في الجينات

استنادًا إلى AlphaFold، قام فريق Google DeepMind بتطوير نموذج ذكاء اصطناعي جديد - AlphaMissense.يجمع النموذج بين نموذج بنية البروتين عالي الدقة الذي توفره AlphaFold وخوارزمية التطور المقيدة المستخرجة من التسلسلات ذات الصلة. تنقسم عملية تدريب AlphaMissense إلى مرحلتين:
* المرحلة الأولى تشبه تدريب AlphaFold، مع التركيز على تعزيز أوزان نموذج لغة البروتين؛

* تركز المرحلة الثانية على ضبط النموذج ليتوافق بشكل أكثر دقة مع القدرة المرضية، من خلال تعيين تسمية حميدة أو مرضية للطفرة بناءً على تكرارها في السكان.

وتظهر نتائج الدراسة أننجح برنامج AlphaMissense في التنبؤ بـ 71 مليون طفرة في الجينات المشفرة للبروتين البشري.الطفرات غير الطبيعية هي اختلافات موروثة تؤثر على وظيفة البروتين وقد تؤدي إلى مجموعة متنوعة من الأمراض، بما في ذلك السرطان. ومن بين هذه المتغيرات المحتملة التي قد تتضمن أخطاء في المعنى،تمكنت AlphaMissense من تصنيف 89% متغيرات، منها ما يقرب من 57% تم الحكم عليها بأنها متغيرات حميدة محتملة (حميدة محتملة)، و32% تم الحكم عليها بأنها متغيرات مسببة للأمراض (مسببة للأمراض المحتملة)، وتم تصنيف المتغيرات المتبقية على أنها ذات طبيعة غير مؤكدة (غير مؤكدة).

تتجاوز قدرة التصنيف هذه بكثير قدرة المعلقين البشريين، الذين لم يتمكنوا إلا من تحديد 0.11 TP3T بين جميع الطفرات غير ذات المعنى. توفر الكفاءة العالية والدقة التي يتمتع بها جهاز AlphaMissense أداة قوية للبحث والتشخيص السريري للأمراض الوراثية.

رابط الورقة:

https://www.science.org/doi/10.1126/science.adg7492

إيف إسكيب
نظام الإنذار المبكر للأوبئة

قام فريق بحثي من كلية الطب بجامعة هارفارد وجامعة أكسفورد بتطوير إطار عمل عالمي مبتكر يسمى EVEscape.القدرة على التنبؤ بإمكانية هروب الفيروس دون الاعتماد على بيانات التسلسل أو معلومات بنية الأجسام المضادة أثناء الوباء.

إن دقة EVEscape في التنبؤ بطفرات جائحة SARS-CoV-2 قابلة للمقارنة مع دقة تقنية المسح العميق للطفرات عالية الإنتاجية (DMS)، ولا يقتصر تطبيقها على SARS-CoV-2 ولكن يمكن توسيعها لتشمل أنواعًا أخرى من الفيروسات. يساعد نظام الإنذار المبكر هذا في توجيه عملية اتخاذ القرارات والاستعداد في مجال الصحة العامة، مما يساعد على تقليل الآثار السلبية للجائحة على صحة الإنسان والأوضاع الاجتماعية والاقتصادية.

يتكون إطار عمل EVEscape من جزأين رئيسيين:* الجزء الأول عبارة عن نموذج لتوليد التسلسلات التطورية،يوفر النموذج رؤى حول الطفرات الفيروسية المحتملة، على غرار النموذج المستخدم في مشروع EVE (الهروب من الفيروس التطوري)؛

* والجزء الآخر عبارة عن قاعدة بيانات تحتوي على معلومات بيولوجية وبنيوية مفصلة حول الفيروس.ومن خلال دمج هذين العنصرين، أصبح برنامج EVEscape قادرًا على التنبؤ بخصائص المتغيرات الفيروسية قبل ظهورها فعليًا.

ومن خلال تحليل رجعي لجائحة SARS-CoV-2، أكد فريق البحث فعالية EVEscape في التنبؤ بالطفرات ذات القدرة على الهروب من الجائحة، قبل أشهر من الطرق التي تعتمد على التجارب التقليدية على الأجسام المضادة والتجارب المصلية مع الحفاظ على دقة مماثلة. إن التعرف المبكر على الطفرات الهاربة المحتملة باستخدام EVEscape يمكن أن يوفر معلومات مهمة لتصميم اللقاحات والعلاجات للسيطرة على انتشار الفيروس بشكل أكثر فعالية.

رابط الورقة:

https://doi.org/10.1038/s41586-023-06617-0

مرجع البانجينوم البشري
المسودة الأولى لخريطة الجينوم البشري

في أوائل القرن الحادي والعشرين، نجح مشروع الجينوم البشري في إصدار المسودة الأولية للجينوم البشري المرجعي، مما يمثل تقدمًا كبيرًا في فهم البشرية لمخطط حياتها الخاص. ومع ذلك، وبسبب القيود التي كانت مفروضة على تكنولوجيا التسلسل في ذلك الوقت، احتوت المسودة على العديد من المناطق الفارغة غير المملوءة.

في عام 2023، استخدم اتحاد دولي مكون من 119 عالماً من 60 مؤسسة، بقيادة كلية الطب بجامعة واشنطن وجامعة كاليفورنيا، تقنية الذكاء الاصطناعي لتطوير أول مسودة محدثة وأكثر تمثيلاً للجينوم البشري.

واستخدمت المسودة تكنولوجيا متقدمة لـ"تسلسل القراءة الطويلة" لإجراء تحليل معمق لـ94 عينة جينوم من 47 فردًا من خلفيات أجداد مختلفة حول العالم.تم بعد ذلك تجميع أجزاء الحمض النووي الطويلة في تسلسل جينوم أكثر اكتمالاً باستخدام خوارزمية مخصصة. وأظهرت النتائج أن المسودة حققت تغطية 99% للتسلسل المتوقع، بينما تجاوزت أيضًا 99% من حيث البنية ودقة الزوج القاعدي.

بالمقارنة مع سير العمل القديم المستند إلى GRCh38، فإن المسودة الجديدة أكثر كفاءة عند تحليل البيانات القصيرة.تم تقليل الخطأ في اكتشاف المتغيرات الجينية الصغيرة بواسطة 34%، في حين تم تحسين معدل اكتشاف المتغيرات البنيوية النمطية بواسطة 104%، بإضافة 119 مليون زوج قاعدي.بالإضافة إلى ذلك، كشف المشروع الجديد أيضًا عن مكونين جديدين مهمين ينظمان التعبير الجيني: HIRA وSATB2. وتتمتع هذه النتائج بأهمية كبيرة في التوصل إلى فهم أعمق لبنية ووظيفة الجينوم البشري.

2024، الذكاء الاصطناعي يقود مستقبل البحث العلمي

لقد أصبح الذكاء الاصطناعي، بإمكانياته المذهلة، بمثابة القوة الدافعة الأساسية للتقدم العلمي والتقدم في الطب. في عام 2024، سيجلب التطور السريع للذكاء الاصطناعي تغييرات ثورية في البحث العلمي والطب، بسرعة وتأثير أكبر بكثير من أي وقت مضى. لا يعمل الذكاء الاصطناعي على تسريع تراكم المعرفة ودورة الابتكار فحسب، بل يعمل أيضًا على إعادة تعريف الطريقة التي نفهم بها المشكلات المعقدة ونحلها.

وفي مجال البحث العلمي،تساعد خوارزميات ونماذج الذكاء الاصطناعي العلماء على معالجة وتحليل مجموعات البيانات الضخمة، مما يكشف عن رؤى عميقة مخفية وراء البيانات. لقد أثبتوا مزايا هائلة في محاكاة وتوقع سلوك الأنظمة المعقدة، مما أدى إلى اكتشافات رائدة في العديد من مجالات العلوم الأساسية مثل الفيزياء والكيمياء والأحياء.

في المجال الطبي،أصبحت أدوات التشخيص المدعومة بالذكاء الاصطناعي أكثر دقة، مما يتيح الكشف المبكر عن علامات المرض وتوفير العلاج في الوقت المناسب للمرضى. وفي الوقت نفسه، يمكن لتطبيق الذكاء الاصطناعي في الطب الشخصي تخصيص خطط علاج أكثر دقة للمرضى من خلال تحليل المعلومات الجينية والعلامات الحيوية الفردية، مما يحسن بشكل كبير نتائج العلاج ونوعية حياة المرضى.

أيضًا،لا يمكن التقليل من أهمية دور الذكاء الاصطناعي في تطوير الأدوية.ومن خلال التنبؤ بنشاط الجزيئات والآثار الجانبية للأدوية، فإنه يختصر إلى حد كبير دورة الأدوية الجديدة من المختبر إلى السوق، ويقلل تكاليف البحث والتطوير، ويسرع عملية طرح الأدوية الجديدة في السوق.

يمكن القول أن كل خطوة من خطوات التقدم في مجال الذكاء الاصطناعي تشبه حجرًا يُلقى في نهر الحكمة البشرية الطويل، مما يسبب تموجات ويدفع حدود البحث العلمي والطب إلى الأمام. إن البشر الذين يجيدون استخدام الأدوات سوف يستخدمون في نهاية المطاف قوة هذه التحركات للتحرك نحو عصر جديد من الذكاء والصحة الأعظم.